gpu构架为什么更适合发展神经网络
因为神经网络这种大范围多任务的简单运算来说，正好符合GPU这种多核架构，比如你CPU20核心，同时处理20个任务。但是神经网络可能有20000个任务（比喻）。
但最近比较有代表性的GPU-Nvidia的新TITAN-X，CUDA核心就达到了3584个，速度就不言而喻了。但是CPU的核心性能比GPU的性能强大，就好比教授和高中老师的区别。
所以在神经网络训练当中，简单训练由CUDA完成，复杂训练和综合由CPU辅助完成汇总。
这样任务被分开同时进行，平时需要训练几十天的项目可能现在几个小时就可以完成，这就是为什么GPU架构更适合神经网络并且深度学习在近年大火的原因，就是因为GPU架构解决了当初没有解决的效率问题。
谷歌人工智能写作项目：神经网络伪原创
Intel(R) HD Graphics可以用GPU跑深度学习吗？
如何提高神经网络的外推能力
人工神经网络以其智能性见长，那么神经网络能真的学到一个映射的本质吗？也就是说，对一个映射给出一定的必要的训练样本训练后，网络能否对样本以外的样本给出较为准确的预测。
泛化能力也就是神经网络用于对未知数据预测的能力。神经网络对训练样本区间范围内的样本有较好的泛化能力，而对于训练样本确定的范围外的样本不能认为有泛化能力。
常规的几种增强泛化能力的方法，罗列如下：1、较多的输入样本可以提高泛化能力；但不是太多，过多的样本导致过度拟合，泛化能力不佳；样本包括至少一次的转折点数据。
2、隐含层神经元数量的选择，不影响性能的前提下，尽量选择小一点的神经元数量。隐含层节点太多，造成泛化能力下降，造火箭也只要几十个到几百个神经元，拟合几百几千个数据何必要那么多神经元？
3、误差小，则泛化能力好；误差太小，则会过度拟合，泛化能力反而不佳。
4、学习率的选择，特别是权值学习率，对网络性能有很大影响，太小则收敛速度很慢，且容易陷入局部极小化；太大则，收敛速度快，但易出现摆动，误差难以缩小；一般权值学习率比要求误差稍微稍大一点点；另外可以使用变动的学习率，在误差大的时候增大学习率，等误差小了再减小学习率，这样可以收敛更快，学习效果更好，不易陷入局部极小化。
5、训练时可以采用随时终止法，即是误差达到要求即终止训练，以免过度拟合；可以调整局部权值，使局部未收敛的加快收敛。
本人毕设题目是关于神经网络用于图像识别方面的，但是很没有头续~我很不理解神经网络作用的这一机理
。
我简单说一下，举个例子，比如说我们现在搭建一个识别苹果和橘子的网络模型：我们现在得需要两组数据，一组表示特征值，就是网络的输入（p），另一组是导师信号，告诉网络是橘子还是苹果（网络输出t）：我们的样本这样子假设（就是）：pt10312142这两组数据是这样子解释的：我们假设通过3个特征来识别一个水果是橘子还是苹果：形状，颜色，味道，第一组形状、颜色、味道分别为：103（当然这些数都是我随便乱编的，这个可以根据实际情况自己定义），有如上特征的水果就是苹果（t为1），而形状、颜色、味道为：214的表示这是一个橘子（t为2）。
好了，我们的网络模型差不多出来了，输入层节点数为3个（形状、颜色，味道），输出层节点为一个（1为苹果2为橘子），隐藏层我们设为一层，节点数先不管，因为这是一个经验值，还有另外的一些参数值可以在matlab里设定，比如训练函数，训练次数之类，我们现在开始训练网络了，首先要初始化权值，输入第一组输入：103,网络会输出一个值，我们假设为4，那么根据导师信号（正确的导师信号为1，表示这是一个苹果）计算误差4-1=3，误差传给bp神经网络，神经网络根据误差调整权值，然后进入第二轮循环，那么我们再次输入一组数据：204（当仍然你可以还输入103，而且如果你一直输入苹果的特征，这样子会让网络只识别苹果而不会识别橘子了，这回明白你的问题所在了吧），同理输出一个值，再次反馈给网络，这就是神经网络训练的基本流程，当然这两组数据肯定不够了，如果数据足够多，我们会让神经网络的权值调整到一个非常理想的状态，是什么状态呢，就是网络再次输出后误差很小，而且小于我们要求的那个误差值。
接下来就要进行仿真预测了t_1=sim(net,p)，net就是你建立的那个网络，p是输入数据，由于网络的权值已经确定了，我们这时候就不需要知道t的值了，也就是说不需要知道他是苹果还是橘子了，而t_1就是网络预测的数据，它可能是1或者是2，也有可能是1.3，2.2之类的数（绝大部分都是这种数），那么你就看这个数十接近1还是2了，如果是1.5，我们就认为他是苹果和橘子的杂交，呵呵，开玩笑的，遇到x=2.5，我一般都是舍弃的，表示未知。
总之就是你需要找本资料系统的看下，鉴于我也是做图像处理的，我给你个关键的提醒，用神经网络做图像处理的话必须有好的样本空间，就是你的数据库必须是标准的。
至于网络的机理，训练的方法什么的，找及个例子用matlab仿真下，看看效果，自己琢磨去吧，这里面主要是你隐含层的设置，训练函数选择及其收敛速度以及误差精度就是神经网络的真谛了，想在这么小的空间给你介绍清楚是不可能的，关键是样本，提取的图像特征必须带有相关性，这样设置的各个阈值才有效。
OK，好好学习吧，资料去matlab中文论坛上找，在不行就去baudu文库上，你又不需要都用到，何必看一本书呢！祝你顺利毕业！
利用神经网络进行模式识别，训练时是不是必须要有对立的样本，才能实现分类？
支持向量机有单分类（oneclass）的模式，对应的一些神经网络也有类似的。单分类的作用其实是预处理，用于剔除离群点。
以您的这个例子来说，训练样本为你清晰并且确切的指纹特征，而实际工作的样本为你提取到的各种你自己的指纹特征，神经网络（SVM）所做的工作是区分哪些是你输入特征中有比较多有效信息的，而剔除掉不具有代表性或者受到干扰比较大的样本。
如果能够保证你的输入样本特征选取恰当并且噪声很小的时候，单分类模型的确可以用于分类。但是只能识别出哪些是你的指纹而哪些是其他人的指纹。
本人新手，在做BP神经网络的时候遇到了一个问题 5
不知你是不是用matlab的神经网络工具箱，因为一般神经网络都是成批处理的，每一次调整都会综合所有样本的误差进行调整，而不是一类一类图片的去调整，所以不会出现你说的现象。
目前我看过的很多C++或者其它语言自己写的神经网络，都会有这样或那样的理解错误，建议先使用现成的matlab的神经网络工具箱进行训练。另外是输入的问题，图象一般会先提取特征，再将特征作为输入。
你在贴吧也提问了吧，这个我在贴吧里也回答了。
输出的问题，一般模式识别会用01向量来代表，例如你有三类，目标输出应该是[010]这样，来代表它是第2类，训练的时候用010，当然，预测到的可能是[0.10.90.1]这样。
这是我所想到的问题，楼主看看是不是这样一回事。下面是我的一些建议：改为用神经网络工具箱。借鉴《MATLAB神经网络原理与实例精解》里的基于概率神经网络的手写体数字识别，对图象作预处理。
参考2012Bmatlab\R2012b\toolbox\nnet\nndemos下的classify_crab_demo例子。调用patternnet建立模式识别网络。
可以到《神经网络之家》 学习神经网络。
