理工酷

它取决于数据的质量，输入/隐藏/输出和softmax的大小（用于多类分类）以及NN的体系结构。你需要平衡训练网络所需的时间，数据的可用性，数据的质量，调整超参数和卷积的维数（如果使用cNN）：

我的一般经验如下： 1.对于CNN，如果你拥有属性稍有不同的相似图像，则网络的学习速度将比差异很大的图像快。我们观察到对于食物图像（我们将其分类为卡路里范围）是正确的。

2.你至少需要10,000张图像才能在交叉验证集上获得不错的准确性（60 +％）。你将需要更大的数据集才能表现更好。（60％只是我们的一个经验，对于你的数据集可能需要重新确立基线）。

3.使用转换和生成模型从现有数据集中生成更多数据，可帮助你增加数据集的大小。在神经网络中，通常观察到的是更多的数据=>更好的准确性。这将帮助你对NN进行正则化并减少过度拟合，尤其是在你的数据集不能完全代表将使用NN的域的情况下。

4.这些是一些不错的文章/课程，如果你在构建系统之前仔细阅读它们，可能会有所帮助： a.如何提高深度学习性能-精通机器学习http://machinelearningmastery.com/improve-deep-learning-performance/ b.CS231n用于视觉识别的卷积神经网络http://cs231n.github.io/

5.如果你只是刚开始该项目，并且希望在深入研究构建解决方案之前看到深度学习过程正在运行，那么

a.下载任何Tensorflow / Theano / Keras软件包/源，并运行与它们一起打包的MNIST示例。

b.然后，最终将MNIST数据集替换为数据集的子集或维度降低了的完整数据集（转换为灰度，固定大小为300 * 300像素）。

c.尝试使用超参数和隐藏层，以检查测试数据的准确性。

d.为了节省时间，请在带有GPU的AWS实例上使用。这节省了我们很多的培训时间。

该回答来自：亚马逊（公司）的软件开发工程师萨钦（Sachin Panemangalore）