随着人工智能的发展,神经网络的研究引起了科学家的兴趣。 人工神经网络在1943年首次基于对人脑的理解在理论上进行了设计,展示了令人印象深刻的计算和学习能力。 在本文中,我们通过使用前馈神经网络来识别人的数字手写来研究神经网络的学习能力。 通过更改不同参数(例如学习率和隐藏层单位)的输入值来执行受控实验。 在研究了每个参数对神经网络整体学习性能的影响之后,我们得出的结论是,当实现一个给定参数的中间值时,神经网络获得了最高的学习效率,并且潜在的问题(如过拟合)会被预防。