『壹』 神經網路中學習步長與學習速率一樣嗎
是的。只不過步長是用的最優化中的概念，用學習速率更好理解。
『貳』 在主要神經網路需要什麼才能進行學習
神經網路的結構（例如2輸入3隱節點1輸出）建好後，一般就要求神經網路里的權值和閾值。現在一般求解權值和閾值，都是採用梯度下降之類的搜索演算法（梯度下降法、牛頓法、列文伯格-馬跨特法、狗腿法等等），這些演算法會先初始化一個解，在這個解的基礎上，確定一個搜索方向和一個移動步長（各種法算確定方向和步長的方法不同，也就使各種演算法適用於解決不同的問題），使初始解根據這個方向和步長移動後，能使目標函數的輸出（在神經網路中就是預測誤差）下降。 然後將它更新為新的解，再繼續尋找下一步的移動方向的步長，這樣不斷的迭代下去，目標函數（神經網路中的預測誤差）也不斷下降，最終就能找到一個解，使得目標函數（預測誤差）比較小。
而在尋解過程中，步長太大，就會搜索得不仔細，可能跨過了優秀的解，而步長太小，又會使尋解過程進行得太慢。因此，步長設置適當非常重要。
學習率對原步長（在梯度下降法中就是梯度的長度）作調整，如果學習率lr = 0.1,那麼梯度下降法中每次調整的步長就是0.1*梯度，
而在matlab神經網路工具箱里的lr,代表的是初始學習率。因為matlab工具箱為了在尋解不同階段更智能的選擇合適的步長，使用的是可變學習率，它會根據上一次解的調整對目標函數帶來的效果來對學習率作調整，再根據學習率決定步長。
機制如下：
if newE2/E2 > maxE_inc %若果誤差上升大於閾值
lr = lr * lr_dec; %則降低學習率
else
if newE2 < E2 %若果誤差減少
lr = lr * lr_inc;%則增加學習率
end
『叄』 學習步長對神經網路訓練有什麼影響
學習步長對神經網路訓練的影響：
學習步長對模糊神經網路是模糊系統同神經網路相結合的產物，作為模糊系統，能夠很好地描述不確定信息或定性的知識，能充分利用已有的知識來設計系統結構和配置初始值，且現在已能直接從檢測數據中提取模糊規則來初始化參數。
作為神經網路，能利用BP演算法進行自學習，並已證明能以很好的精度逼近期望的模型。因此被廣泛應用於智能控制與軟測量建模等多個方面。
然而，標準的BP演算法收斂速度通常較慢，其原因有幾方面。首先，標准演算法的計算代價過大，需要對每一個樣本進行計算後才能調整參數，實踐中隨機梯度下降法(SGD)是解決這一問題的主要方法，每次迭代中僅根據小部分訓練樣本對模型參數進行調整。
由於減小了每次參數調整的計算代價，當樣本信息高度冗餘時能得到很快的收斂速度；其次，標准演算法僅考慮了一階導數信息，僅能得到小范圍內的最速下降方向但並不能確保方向一定最優，通常利用二階導數信息，如高斯-牛頓法、柯西-牛頓法，能找到更加合理的參數調整方向並得到更高的訓練效率。
但是這些類方法需要存儲和處理Hessian矩陣，因此不適用於訓練大型模型；除此之外，步長的選擇也是影響BP演算法收斂速度的關鍵因素，步長選擇過大會使訓練過程發生振盪甚至不收斂，選擇過小則會使訓練收斂緩慢。
『肆』 神經網路步長
步長其實就是學習率。用來控制每一步網路權值改變數的大小。
『伍』 能不能介紹一下，BP神經網路中權系數初始值、學習率（步長）、學習步數、學習目標最小誤差等參數
權值第一次是被隨機給定的較小的值，步長一般設為較小的正值（防止越過最小值），學習步數是由權值和步長決定的，誤差一般採用最小均方誤差。
詳細的介紹可以網路一下很多課件或者課本的。若不想找我可以發給你，給我郵箱。
『陸』 神經網路中step size 怎麼設置
神經網路似乎沒有步長的說法，你指的是net.trainParam.show？net.trainParam.show是指顯示訓練迭代過程n個周期後顯示一下收斂曲線的變化。
在定義了網路之後，train訓練函數之前，加上下面兩個語句：
net.trainParam.showWindow = false;
net.trainParam.showCommandLine = false;
親測不會彈出提示。
這樣使得我們能在較長時間的訓練中，騰出電腦去做別的事。否則窗口會不停彈出來，影響使用。
『柒』 神經網路演算法中，參數的設置或者調整，有什麼方法可以採用
若果對你有幫助，請點贊。
神經網路的結構（例如2輸入3隱節點1輸出）建好後，一般就要求神經網路里的權值和閾值。現在一般求解權值和閾值，都是採用梯度下降之類的搜索演算法（梯度下降法、牛頓法、列文伯格-馬跨特法、狗腿法等等），這些演算法會先初始化一個解，在這個解的基礎上，確定一個搜索方向和一個移動步長（各種法算確定方向和步長的方法不同，也就使各種演算法適用於解決不同的問題），使初始解根據這個方向和步長移動後，能使目標函數的輸出（在神經網路中就是預測誤差）下降。 然後將它更新為新的解，再繼續尋找下一步的移動方向的步長，這樣不斷的迭代下去，目標函數（神經網路中的預測誤差）也不斷下降，最終就能找到一個解，使得目標函數（預測誤差）比較小。
而在尋解過程中，步長太大，就會搜索得不仔細，可能跨過了優秀的解，而步長太小，又會使尋解過程進行得太慢。因此，步長設置適當非常重要。
學習率對原步長（在梯度下降法中就是梯度的長度）作調整，如果學習率lr = 0.1,那麼梯度下降法中每次調整的步長就是0.1*梯度，
而在matlab神經網路工具箱里的lr,代表的是初始學習率。因為matlab工具箱為了在尋解不同階段更智能的選擇合適的步長，使用的是可變學習率，它會根據上一次解的調整對目標函數帶來的效果來對學習率作調整，再根據學習率決定步長。
機制如下：
if newE2/E2 > maxE_inc %若果誤差上升大於閾值
lr = lr * lr_dec; %則降低學習率
else
if newE2 < E2 %若果誤差減少
lr = lr * lr_inc;%則增加學習率
end
詳細的可以看《神經網路之家》nnetinfo里的《[重要]寫自己的BP神經網路(traingd)》一文，裡面是matlab神經網路工具箱梯度下降法的簡化代碼
若果對你有幫助，請點贊。
祝學習愉快
『捌』 神經網路橫向步長和縱向步長不一致
橫向滑動步長和縱向滑動步長,第一個和最後一個參數固定是1。
在神經網路運算時就有近40萬個參數待優化；而現實生活中高解析度的彩色圖像，不但像素點增多，而且有紅綠藍三通道信息，這樣直接喂入（全連接）神經網路時，待優化參數將無限增大。
待優化參數的增多，容易導致模型的過擬合，為了避免該現象，在實際應用中一般不會將原始圖片直接未入全連接網路。
實際操作方案：先對原始圖像進行特徵提取，然後將特徵喂入全連接網路，之後再然全連接網路計算分類評估值。
『玖』 人工神經網路是怎麼學習的呢
1、神經網路的結構（例如2輸入3隱節點1輸出）建好後，一般就要求神經網路里的權值和閾值。現在一般求解權值和閾值，都是採用梯度下降之類的搜索演算法（梯度下降法、牛頓法、列文伯格-馬跨特法、狗腿法等等）。 2、這些演算法會先初始化一個解，在這個解的基礎上，確定一個搜索方向和一個移動步長（各種法算確定方向和步長的方法不同，也就使各種演算法適用於解決不同的問題），使初始解根據這個方向和步長移動後，能使目標函數的輸出（在神經網路中就是預測誤差）下降。 3、然後將它更新為新的解，再繼續尋找下一步的移動方向的步長，這樣不斷的迭代下去，目標函數（神經網路中的預測誤差）也不斷下降，最終就能找到一個解，使得目標函數（預測誤差）比較小。 4、而在尋解過程中，步長太大，就會搜索得不仔細，可能跨過了優秀的解，而步長太小，又會使尋解過程進行得太慢。因此，步長設置適當非常重要。 5、學習率對原步長（在梯度下降法中就是梯度的長度）作調整，如果學習率lr = 0.1,那麼梯度下降法中每次調整的步長就是0.1*梯度， 6、而在matlab神經網路工具箱里的lr,代表的是初始學習率。因為matlab工具箱為了在尋解不同階段更智能的選擇合適的步長，使用的是可變學習率，它會根據上一次解的調整對目標函數帶來的效果來對學習率作調整，再根據學習率決定步長。
『拾』 matlab bp神經網路 epoch為何會隨機變化 如何修改訓練步長 各位大神，求助啊！！！
樓主你好，那個是迭代次數，在不滿足擬合的情況下，程序會一直訓練，直到滿足訓練目標！關鍵不是epoch,希望對你有幫助！