具有大量数据样本的神经网络的参数值应该是多少？

Question

我已经完成了使用多层前馈，反向传播结构在Python中对神经网络进行编码的工作。 在这种网络结构中，我在输入层有24个节点，在隐藏层有18个节点，在输出层有1个节点。 对于小型数据集，我获得了很好的训练结果，但是对于大型数据输入，我无法设置恒定参数的值，例如学习率，动量率等。对于输入值，我有以下输入样本：

[[1,0,1,0,1,0,1,0,1,1,1,1,0,0,0,0,0,1,1,1,0,1,0,1]
 [1,0,1,0,1,0,1,0,1,1,1,1,0,0,0,0,0,1,1,1,0,1,0,1]
 [1,0,1,0,1,0,1,0,1,1,1,1,0,0,0,0,0,1,1,1,0,1,0,1]
 .
 . .........................                     ]

并输入目标值的样本为：

[[-20.0]
 [-10.0]
 [30.0]
  .
  .....]

样本总数约为5000。

learning_rate = 0.01 
momentum_rate = 0.07

它给出了很好的结果，但是花费了很多时间并且在500000左右进行了迭代。对于学习率和动量率的设置是否有任何好的建议，这样我就可以快速获得结果。 还是应该引入提高学习率的比例，如果我引入学习率，那么值应该是多少？

Answer 1

为了更快地学习神经网络，可能需要反复试验。

如果要更快地获得结果，则可能可以提高学习率（较大的权重调整），删除一些隐藏层的神经元或输入（较少的计算）或减少迭代次数，但这也可能减少测试和验证集性能。

如果您有时间，可以对这些选项进行测试和比较，以确定是否可以针对您的问题更快地学习。