Artificial intelligence 训练集神经网络的历元与均方误差计算

我的问题是关于神经网络训练。我已经搜索过了，但是没有很好的解释

对于第一个问题，如何计算均方误差？（我知道这很傻，但我真的不明白）

第二： 当神经网络进行训练时，我们输入一个由多对（输入和期望输出）组成的训练集。现在我们应该什么时候计算均方误差？当我们已经把所有的鞋都穿上的时候，你会觉得吗？或者我们是为每一对计算它吗

如果是针对每一对，那么在训练集中的所有对都进行训练之前，当误差达到最小期望误差时，就有可能出现这种情况

第三：训练集的一个循环的历元值是否增加？或者，当每对（输入和期望的输出）被采用时，它会增加吗？（我知道这是另一个愚蠢的行为，但请容忍）

多谢各位

问题是关于神经网络的训练。我已经搜索过了，但是没有很好的解释

网络上有几十种很好的解释，在文献中，海金的书可能就是这样一个例子：神经网络和学习机器

对于第一个问题，如何计算均方误差？（我知道这很傻，但我真的不明白）

在最简单的术语中，均方误差定义为

sum_i 1/n (desired_output(i) - model_output(i))^2

因此，您只需计算误差的平方的平均值（输出与所需结果之间的差异）

现在我们应该什么时候计算均方误差？当我们已经把所有的鞋都穿上的时候，你会觉得吗？或者我们是为每一对计算它吗

---

两种方法都使用，一种称为批量学习，另一种称为在线学习。因此，接下来所有问题的答案都是“两者都是正确的，这取决于您使用的是批量学习还是在线学习”。选择哪一个？显然-这取决于情况，但为了简单起见，我建议从批学习开始（因此您计算所有训练样本的误差，然后进行更新）。

如果我们使用在线训练进行训练，并且误差在涵盖训练集中的所有数据项之前达到最小值，然后，我们跳过该值的权重更新，继续下一个训练数据，即我们确保在退出训练之前完成一个历元

因此，当人们谈到神经网络训练的结果误差时，误差与指定的最小误差相比较，它是均方误差吗？还是有任何类型的误差？有许多类型的误差，包括均方误差、熵误差、0/1损失等。它也在不同的数据集上测量：训练数据（不重要的测量）、验证误差（训练停止点的重要测量）或测试数据（重要度量，显示概括误差）