通常在机器学习中，训练会消耗大量时间，虽然这是可以衡量的，但只能在训练结束后进行。
是否有一些方法可用于估计完成训练（或一般而言，任何功能）可能需要的时间，例如before_call？
当然，它取决于机器，更多取决于输入，但基于算法将调用的所有 IO 的近似值，基于简单输入，然后缩放到实际输入的大小。像这样？
PS - JS、Ruby 或任何其他 OO 语言
PPS - 我看到在 Oracle 中有一种方法，described here。太棒了。它是怎么做的？
【问题讨论】：
标签： algorithm performance time machine-learning
如果您没有设置任何时间/步数限制（这将是微不足道的），则一般而言无法估计所需时间。
例如，神经网络训练基本上是一个全局高维优化的问题。在此任务中，您试图为给定的损失函数找到这样的参数集，它将返回最小的错误。这个任务属于NP-complete类，很难解决。常用的方法是随机改变一些参数一个很小的值，以期提高整体性能。它在实践中效果很好，但所需的运行时间可能因问题而异。我建议您阅读有关NP-completness、stochastic gradient descent 和optimisation 的一般信息。
【讨论】：
令 Ci 为第 i 个学习步骤的复杂度。设 Pi 是在第 i 步或之前学习要学习的事物的概率。设 k 为 Pk > 0.5 的步长。
在这种情况下，复杂度 C 是
C = sum(Pi, i=1,k)
问题是k很难找到。在这种情况下，存储一组先前学习的相似模式并计算它们的平均步数是一个好主意，这将是中位数。如果集合足够大，它将非常准确。
Pi = 通过步骤 i 学习事物的实例数 / 实例总数
【讨论】：