为了我的研究生研究，我正在创建一个神经网络，它经过训练来识别图像。我做的比简单地获取 RGB 值的网格，进行降采样，然后将它们发送到网络的输入要复杂得多，就像许多例子所做的那样。我实际上使用了超过 100 个独立训练的神经网络来检测特征，例如线条、阴影模式等等。这更像人眼，而且到目前为止效果非常好！问题是我有很多训练数据。我向它展示了超过 100 个汽车的例子，然后展示了超过 100 个人物的例子，然后是超过 100 只狗的例子，等等。这是相当多的训练数据！目前我需要大约一周的时间来训练网络。这有点扼杀我的进度，因为我需要调整和重新训练。
我正在使用 Neuroph，作为一个底层的神经网络 API。我正在运行一台双四核机器（16 个核心，带有超线程），所以这应该很快。但是我的处理器使用率只有 5%。有没有关于 Neuroph 性能的技巧？或者一般的 Java 性能的技巧？有什么建议吗？我是一名认知心理学博士生，作为一名程序员还算可以，但对性能编程了解不多。
回答：
是的，我几个月前也走过这条路。也是为了一个大学项目。首先的问题是 Neuroph。它非常慢。Neuroph 有众所周知的重大架构和性能问题，上周在代码项目上就有一篇关于此的文章。
http://www.codeproject.com/KB/recipes/benchmark-neuroph-encog.aspx
我遵循了与本文作者相似的道路。从 Neuroph 切换到 Encog 是一个非常容易的移植。上面文章的作者甚至还有另一篇文章比较了 Encog、JOONE 和 Neuroph 的语法，你可以比较一下。关于 Encog 的更多信息，
http://www.heatonresearch.com/encog
Encog 也会更多地利用你的核心。看看上面文章中的图表就知道了。
祝你好运！你的研究听起来真的很棒，我很想看到结果。
