如何判断训练好的bp神经网络是否符合要求？

只需要看测试数据的误差吗？

理论上来说，测试集上的误差足够低，就意味着训练好的神经网络达到了要求。然而，实际上，“要求”常常并不仅仅指模型的表现。其实这和其他算法一样，除了结果的正确性之外，往往还有算法复杂度的要求，毕竟算法最终是要实际运行的，而现实世界的计算资源是受限的。

（算法的时间复杂度；图片来源：维基百科）

同样，神经网络在测试集上表现出色，也不意味着大功告成。毕竟，最终神经网络还是需要部署到生产环境中去的，所以，还需要考虑：

• 神经网络的推理时间够快吗？例如，目标检测，在很多场景下有实时需求。即使一个网络能够近乎百分之百地检测出目标，如果在实时检测的场景下，推理速度不够快，那仍然没有意义。
• 神经网络的算力负担够低吗？很多场景下，资源是受限的，尤其是手机等移动设备。
• 测试集足够好吗？如果测试集的数据分布和现实数据差异较大，那测试集上误差很小未必代表在现实数据上表现良好。

（实时检测喵星人；图片来源：Towards Data Science）