我的问题是关于神经网络训练。我已经搜索过了，但没有很好的解释。
那么对于第一个问题，如何计算均方误差呢？(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，我们输入一个由许多对组成的训练集(输入和它想要的输出)。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好了吗？还是我们为每一对计算它？
如果是针对每一对，那么在训练集中的所有对之前，当误差达到最小期望误差时，就有可能。
第三：对于训练集的一个循环，epoch值是否增加？还是当每对(输入和所需输出)被占用时，它会增加？(我知道这又是一个愚蠢的行为，但请耐心等待)
非常感谢
y的问题是关于神经网络训练的。我已经搜索过了，但没有很好的解释。
网络上有几十种很好的解释，在文献中，一个这样的例子可能是Haykin的书：神经网络和学习机
那么对于第一个，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，均方误差被定义为
sum_i 1/n (desired_output(i) - model_output(i))^2
因此，您只需计算误差的平方的mean(您的输出和所需输出之间的差异)。
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好了吗？还是我们为每一对计算它？
两种方法都使用，一种称为批量学习，另一种是在线教学。因此，接下来的所有问题都有答案"两者都是正确的，这取决于你是使用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，我建议从批量学习开始(因此，您可以计算所有训练样本的误差，然后更新)。
如果我们使用在线训练进行训练，并且在训练集中的所有数据项都被覆盖之前误差达到最小值，那么我们跳过该值的权重更新，继续到下一个训练数据，即我们确保在退出训练之前完成一个历元