关于人工神经网络的学习过程的问题

初学人工神经网络，对神经网络的学习过程，我个人的理解是，选取样本（X，Y）之后，X是输入，Y是输出，对神经网络进行训练，改变网络内部的权值、阈值等参数，使最后的输出结果，接进期望的值。训练完成后，若输入新的值，就能得出正确的结果吗？神经网络内部这么复杂，又不是几个单一的函数，怎么验证它计算的结果就是正确的？它被训练后，能仿制出样本的输入输出值，不代表它就能计算出未知的值啊？
不太理解，望高手指教！

神经网络给出的结果只能是带一定误差的结果，误差的大小取决于学习的次数、学习的样本数以及样本之间的偏差（标准差）。
多次学习之后，神经网络就能够算出未知的值了，否则学习就没有意义了。
例如图像识别，只要你让神经网络学习了模式之后，他自然会对于给定的输入（图像）来进行输出（模式匹配结果）如果不具备这个功能，那么你建立的网络就不是神经网络了。说明网络构建出插错了。

神经网络，你先学好高数里的很多级数，如泰勒展开式，傅里叶级数，洛朗级数等这些级数对现实模型都有逼近作用，神经网络最初都是单神经元，如果你对泰勒展开时比较深刻了之后，你就可以很轻松的证明单层感知器的数学动力学原理，之后学习多层感知器的概念无非只是加入欧式空间的概念，在低位高度非线性的模型，在高纬上线性化，到这里理解后，后面的神经网络学习在理解上就很轻松了，现在的书的确都写的很糟糕，神经网络最好和函数逼近空间几何一起学，理论上是相通的，祝你学习愉快

如以上回答内容为低俗、色情、不良、暴力、侵权、涉及违法等信息，可以点下面链接进行举报！

点此我要举报以上问答信息！