BP神经网络每次训练结果不一样是怎么回事？ 因为初始权值和阈值是随机产生的。神经网络每次结果不同是因为初始化的权值和阈值是随机的，因为每次的结果不一样，才有可能找到比较理想的结果，找到比较好的结果后，用命令save filename net；保存网络，可使预测的结果不会变化，调用时用命令load filename net；优劣势：BP神经网络无论在网络理论还是在性能方面已比较成熟。其突出优点就是具有很强的非线性映射能力和柔性的网络结构。网络的中间层数、各层的神经元个数可根据具体情况任意设定，并且随着结构的差异其性能也有所不同。但是BP神经网络也存在以下的一些主要缺陷。①学习速度慢，即使是一个简单的问题，一般也需要几百次甚至上千次的学习才能收敛。②容易陷入局部极小值。③网络层数、神经元个数的选择没有相应的理论指导。④网络推广能力有限。对于上述问题，目前已经有了许多改进措施，研究最多的就是如何加速网络的收敛速度和尽量避免陷入局部极小值的问题。
什么事神经网络或者微粒群算法所说的陷入 局部极小值？
神经网络容易陷入局部极小特性的原因是什么 神经网络在作为一种搜索策略的时候，受搜索算法的控制，当解空间函数存在局部最小值时，如果搜索步长较小（动量较小），那么有可能在这个局部求解时求得的所有解都指向了极。
bp神经网络算法陷入了局部最小值怎么办 使用改进的BP算法，增加动量项，或者自适应学习率。和别的优化算法组合，例如遗传算法优化初始权值，提前锁定全局最优。重新训练，每次训练的结果都是不同的，下一次的训练。
深度学习如何优化神经网络结构|架构？ CNN architecture 关注者 923 被浏览 54，042 关注问题 ？ 写回答 ？ 邀请回答 ？ 好问题 2 ？ 添加评论 ？ ？ 15 数学话题下的优秀回答者 。
BP神经网络出现局部极小的处理 我采用遗传算法进行改进，对BP的初始权值阈值进行寻优，可是在遗传BP运行后仍然出现了局部极小，就是还没到达设定的训练次数和目标误差就。
神经网络算法可能存在的问题？关于神经网络算法梯度下降法和随机梯度下降法可能存在的问题：（小白刚注册第一次发帖，原谅没有多少金币。还请各路大神多指点，非常感谢！。
梯度下降法的神经网络容易收敛到局部最优，为什么应用广泛？
什么是神经网络的局部极小值
