在《用共振频率去理解神经网络-将乙烯模型运行300次的数据》文中将乙烯模型运行了300次，得到了300组输出与迭代次数的数据。这次计算只用了其中的150组数据，其中的6组明显不合理被剔除了，由余下的144组数据可以非常直观的发现迭代次数与输出值高度相关。

* 输出 迭代次数 迭代次数
2 0.516509 86713 -11.3704
3 0.513156 124593 -11.7328
4 0.512544 164576 -12.0111
5 0.514564 169478 -12.0405
6 0.509862 169959 -12.0433
7 0.513865 184908 -12.1276
8 0.512103 188896 -12.149
9 0.511447 204082 -12.2263
10 0.511093 231931 -12.3542
11 0.509828 253718 -12.444
81 0.503994 1349560 -14.1153
82 0.503236 1381406 -14.1386
83 0.50333 1386255 -14.1421
84 0.502709 1395038 -14.1484
85 0.503829 1447198 -14.1851
86 0.503246 1486612 -14.212
87 0.503802 1596727 -14.2835
88 0.502321 1749888 -14.3751
89 0.503119 1776919 -14.3904
90 0.503425 1848841 -14.4301
131 0.501003 34099800 -17.3448
132 0.500885 37053436 -17.4279
133 0.500538 46023712 -17.6447
134 0.500605 58152875 -17.8786
135 0.500485 59579395 -17.9028
136 0.500408 60055128 -17.9108
137 0.500737 70086877 -18.0652
138 0.500707 74569401 -18.1272
139 0.500511 93937143 -18.3581
140 0.500373 94650373 -18.3657

通过这个表格很容易的发现随着迭代次数的增加输出越来越小逼近0.5，由于输出的变化范围太大，做了数学变换-ln（x），将输出和变换后的迭代次数画成图

可以相当直观的看出迭代次数和输出肯定是有关系的，但不知道是什么关系，这里先假设是简单的线性关系，用一次函数去拟合这两组数据

输出的函数y2=k2*x+b2

迭代次数的函数y1=k1*x+b1

先对输出图像做平滑，然后抽出两组值比如

0.5086

14

0.5007

136

可以算出

k2=

-6.47541E-05

b2=

0.509506557

然后迭代次数也取两组值比如

-12.74

18

-17.9

134

算出

k1=

-0.044482759

b1=

-11.93931034

将x代入可以得到

Y(输出)=0.001455712*（-ln（X)）+0.526886758---a

X就是迭代次数

得到图像

可以通过公式a简单由迭代次数去计算输出值，得到的平均误差是0.0023也就是0.23%，对于有效位数是在千分位和万分位的数字来说这个误差还是太大的，应该是有其他的规律，但对固定结构固定输入的神经网络的输出值是可以被计算的这个总是肯定的。输入权重可以影响迭代次数，但不会改变网络的特征输出。

虽然在网络运行前不太可能知道会迭代多少次，但运行几次得到几组数据之后，可以用这种近似的办法得到这个网络特征输出，并用特征输出和期望值的差距去判断网络的总体性能。

/***************************************************************************************************************/

后经大量实验证实神经网络在收敛标准，权重初始化方式，学习率不变的情况下神经网络的输出和迭代次数的关系更接近

输出=系数a*ln（迭代次数）

Y=a.ln（n）

在2018年10月21日《用神经网络模拟分子：数据重复性检测》中构造了同系列的34组网络，实验表明迭代次数随着网络结构的变化曾高度规则变化，网络越复杂理论收敛迭代次数n越大，特征明显高度可重复，Y值也呈高度规则变化。在2018年10月21日《用神经网络模拟分子：数据精确性检测》中有更为详细的数据。

在2018年11月17日《神经网络结构与输出值之间的关系》有输出值变化规律的详细数据。

实验数据

* 输出 迭代次数 迭代次数 计算值 误差
2 0.516509 86713 -11.3704 0.510335 -0.01195
3 0.513156 124593 -11.7328 0.509807 -0.00653
4 0.512544 164576 -12.0111 0.509402 -0.00613
5 0.514564 169478 -12.0405 0.509359 -0.01012
6 0.509862 169959 -12.0433 0.509355 -0.00099
7 0.513865 184908 -12.1276 0.509232 -0.00901
8 0.512103 188896 -12.149 0.509201 -0.00567
9 0.511447 204082 -12.2263 0.509089 -0.00461
10 0.511093 231931 -12.3542 0.508903 -0.00429
11 0.509828 253718 -12.444 0.508772 -0.00207
12 0.509942 263930 -12.4834 0.508714 -0.00241
13 0.508077 275618 -12.5268 0.508651 0.00113
14 0.507283 293796 -12.5906 0.508558 0.002513
15 0.509628 313571 -12.6558 0.508464 -0.00229
16 0.507789 320830 -12.6787 0.50843 0.001262
17 0.508679 322715 -12.6845 0.508422 -0.00051
18 0.510065 330262 -12.7076 0.508388 -0.00329
19 0.507998 342228 -12.7432 0.508336 0.000666
20 0.508769 346631 -12.756 0.508318 -0.00089
21 0.508902 347396 -12.7582 0.508314 -0.00116
22 0.508954 348106 -12.7603 0.508311 -0.00126
23 0.507023 357612 -12.7872 0.508272 0.002464
24 0.507826 369138 -12.8189 0.508226 0.000788
25 0.507427 373511 -12.8307 0.508209 0.00154
26 0.508347 385912 -12.8634 0.508161 -0.00036
27 0.50897 414579 -12.935 0.508057 -0.00179
28 0.507568 435026 -12.9832 0.507987 0.000825
29 0.507557 435726 -12.9848 0.507985 0.000842
30 0.506943 445736 -13.0075 0.507952 0.001989
31 0.508557 460928 -13.041 0.507903 -0.00129
32 0.50686 465972 -13.0519 0.507887 0.002026
33 0.506789 467585 -13.0553 0.507882 0.002156
34 0.507385 496763 -13.1159 0.507794 0.000806
35 0.508386 510314 -13.1428 0.507755 -0.00124
36 0.508223 510541 -13.1432 0.507754 -0.00092
37 0.505149 512141 -13.1464 0.507749 0.005148
38 0.505831 516517 -13.1549 0.507737 0.003767
39 0.508849 520660 -13.1629 0.507725 -0.00221
40 0.504402 532222 -13.1848 0.507693 0.006525
41 0.506183 551801 -13.2209 0.507641 0.002881
42 0.506764 553739 -13.2244 0.507636 0.00172
43 0.504039 572627 -13.258 0.507587 0.007038
44 0.506264 575598 -13.2632 0.507579 0.002598
45 0.504858 585025 -13.2794 0.507556 0.005343
46 0.505587 586087 -13.2812 0.507553 0.003889
47 0.50819 596912 -13.2995 0.507526 -0.0013
48 0.50504 615982 -13.331 0.507481 0.004833
49 0.506155 618640 -13.3353 0.507474 0.002607
50 0.505588 645834 -13.3783 0.507412 0.003607
51 0.505614 671661 -13.4175 0.507355 0.003443
52 0.506141 693969 -13.4502 0.507307 0.002304
53 0.507431 699873 -13.4587 0.507295 -0.00027
54 0.504775 717198 -13.4831 0.507259 0.004922
55 0.506531 750614 -13.5286 0.507193 0.001306
56 0.505581 755332 -13.5349 0.507184 0.003171
57 0.504047 785305 -13.5738 0.507127 0.006111
58 0.504673 802453 -13.5954 0.507096 0.004801
59 0.504772 838870 -13.6398 0.507031 0.004476
60 0.503381 840281 -13.6415 0.507029 0.007246
61 0.504552 868670 -13.6747 0.50698 0.004814
62 0.504552 887241 -13.6959 0.50695 0.004752
63 0.503548 934152 -13.7474 0.506875 0.006607
64 0.504572 944298 -13.7582 0.506859 0.004532
65 0.506335 970624 -13.7857 0.506819 0.000956
66 0.5036 989617 -13.8051 0.506791 0.006335
67 0.504758 1001063 -13.8166 0.506774 0.003994
68 0.505566 1004941 -13.8204 0.506768 0.002377
69 0.504216 1049234 -13.8636 0.506705 0.004937
70 0.50407 1069259 -13.8825 0.506678 0.005175
71 0.503195 1092914 -13.9044 0.506646 0.006857
72 0.504737 1098825 -13.9098 0.506638 0.003767
73 0.504522 1100358 -13.9111 0.506636 0.00419
74 0.505833 1194748 -13.9934 0.506516 0.001351
75 0.50431 1200766 -13.9985 0.506509 0.004361
76 0.504304 1242820 -14.0329 0.506459 0.004272
77 0.506197 1264917 -14.0505 0.506433 0.000467
78 0.50279 1305698 -14.0822 0.506387 0.007154
79 0.503678 1309950 -14.0855 0.506382 0.00537
80 0.507389 1335669 -14.1049 0.506354 -0.00204
81 0.503994 1349560 -14.1153 0.506339 0.004653
82 0.503236 1381406 -14.1386 0.506305 0.006098
83 0.50333 1386255 -14.1421 0.5063 0.005901
84 0.502709 1395038 -14.1484 0.506291 0.007125
85 0.503829 1447198 -14.1851 0.506237 0.00478
86 0.503246 1486612 -14.212 0.506198 0.005866
87 0.503802 1596727 -14.2835 0.506094 0.00455
88 0.502321 1749888 -14.3751 0.505961 0.007247
89 0.503119 1776919 -14.3904 0.505938 0.005605
90 0.503425 1848841 -14.4301 0.505881 0.004879
91 0.50304 1895990 -14.4553 0.505844 0.005573
92 0.499132 1901928 -14.4584 0.50584 0.013439
93 0.500181 1993833 -14.5056 0.505771 0.011175
94 0.503893 2053206 -14.5349 0.505728 0.003641
95 0.501926 2314784 -14.6548 0.505554 0.007226
96 0.502172 2671842 -14.7983 0.505345 0.006318
97 0.502766 2679391 -14.8011 0.505341 0.00512
98 0.505906 2745179 -14.8254 0.505305 -0.00119
99 0.502758 2888629 -14.8763 0.505231 0.004919
100 0.501576 3096264 -14.9457 0.50513 0.007086
101 0.501632 4090919 -15.2243 0.504725 0.006164
102 0.502274 4503546 -15.3204 0.504585 0.004599
103 0.501819 4662151 -15.355 0.504534 0.00541
104 0.502067 4884791 -15.4016 0.504466 0.00478
105 0.501729 4907008 -15.4062 0.50446 0.005443
106 0.502375 4931587 -15.4112 0.504453 0.004136
107 0.501388 5158308 -15.4561 0.504387 0.005982
108 0.501764 5170149 -15.4584 0.504384 0.005221
109 0.501843 6139307 -15.6302 0.504134 0.004564
110 0.501899 6192504 -15.6389 0.504121 0.004428
111 0.501531 7285906 -15.8015 0.503884 0.004692
112 0.502156 7856737 -15.8769 0.503775 0.003223
113 0.50146 9053680 -16.0187 0.503568 0.004204
114 0.501843 9606597 -16.078 0.503482 0.003266
115 0.50107 9920757 -16.1101 0.503435 0.004719
116 0.501184 16322171 -16.608 0.50271 0.003044
117 0.501048 16810859 -16.6375 0.502667 0.003231
118 0.50107 17221260 -16.6617 0.502632 0.003118
119 0.501193 17654126 -16.6865 0.502596 0.002799
120 0.500803 18346351 -16.7249 0.50254 0.003468
121 0.500974 18675513 -16.7427 0.502514 0.003074
122 0.501474 23812301 -16.9857 0.50216 0.00137
123 0.501195 24330009 -17.0072 0.502129 0.001864
124 0.500943 24577379 -17.0173 0.502114 0.002337
125 0.5007 25078250 -17.0375 0.502085 0.002766
126 0.501205 26386757 -17.0884 0.502011 0.001609
127 0.50077 28370298 -17.1609 0.501905 0.002268
128 0.500445 28796741 -17.1758 0.501884 0.002875
129 0.500585 29173786 -17.1888 0.501865 0.002557
130 0.500871 33265639 -17.32 0.501674 0.001603
131 0.501003 34099800 -17.3448 0.501638 0.001267
132 0.500885 37053436 -17.4279 0.501517 0.001262
133 0.500538 46023712 -17.6447 0.501201 0.001325
134 0.500605 58152875 -17.8786 0.500861 0.000511
135 0.500485 59579395 -17.9028 0.500825 0.000679
136 0.500408 60055128 -17.9108 0.500814 0.000811
137 0.500737 70086877 -18.0652 0.500589 -0.0003
138 0.500707 74569401 -18.1272 0.500499 -0.00042
139 0.500511 93937143 -18.3581 0.500163 -0.0007
140 0.500373 94650373 -18.3657 0.500152 -0.00044
141 0.500299 131563386 -18.695 0.499672 -0.00125
142 0.500419 148811826 -18.8182 0.499493 -0.00185
143 0.50031 198305891 -19.1053 0.499075 -0.00247
144 0.500405 221802724 -19.2173 0.498912 -0.00298
*  
平均值 0.504635 13009477.13 -14.4947 0.505787 0.002299

由神经网络的迭代次数计算输出值并评价网络性能相关推荐

  1. 用两个矩阵的点积计算神经网络的迭代次数 2-8

    每个神经网络对应每个收敛标准δ都有一个特征的迭代次数n,因此可以用迭代次数曲线n(δ)来评价网络性能. 在<神经网络的迭代次数是一个线性的变量吗?>中得到表达式 一个二分类网络分类两个对象 ...

  2. 用矩阵点积的办法构造神经网络的迭代次数1：0.6：0.1=1：1：1

    每个神经网络对应每个收敛标准δ都有一个特征的迭代次数n,因此可以用迭代次数曲线n(δ)来评价网络性能. 一个二分类网络分类两个对象A和B,B中有K张图片,B的第i张图片被取样的概率为pi,B中第i张图 ...

  3. 神经网络的迭代次数是一个线性的变量吗？

    每个神经网络对应每个收敛标准δ都有一个特征的迭代次数n,因此可以用迭代次数曲线n(δ)来评价网络性能. 如果一个神经网络对图片1的迭代次数是n1对图片2的迭代次数是n2,做一个网络向网络输入50%的1 ...

  4. 神经网络的迭代次数和收敛误差与谐振子的位移和时间

    几乎任何随时间变化的周期函数或准周期函数F(t),都可以展成一些依赖于时间的谐和函数的无限级数---就是说, 它可以分解成许多谐振子之和.这级数(称为傅立叶级数)的每一项,可以用一个整数n来标示,n等 ...

  5. 带卷积核的神经网络的迭代次数与收敛标准的关系

    制作一个带有卷积核的神经网络让这个网络向1,0收敛,y[0]向1收敛,y[1]向0收敛.收敛标准用δ表示,当满足条件 while(Math.abs(y[0]-1)> δ ||  Math.abs ...

  6. bp神经网络，多输入多输出，3层网络matlab程序

    1 项目背景 一个数据集,满足多对多 的对应关系.他希望用神经网络解决它的数据集逆问题.他给了我一个8输出,6输出的一个excel表格,前六列是输出后8列是输入.这样我利用matlab将表格导入为'. ...

  7. 计算多卷积核神经网络迭代次数---分类0，6

    制作一个分类mnist0和6的网络,向这个网络分别加上1-8个卷积核,在网络迭代停止标准同样的前提下网络的迭代次数与卷积核的数量之间有什么关系? 网络的结构是 (mnist 0 ,mnist6)81- ...

  8. 用二分类神经网络估算多分类神经网络迭代次数的经验公式

    神经网络的迭代次数n和收敛误差δ总能满足关系式 一个多分类网络的参数a至少大于对应二分类网络的参数a的和,参数b的绝对值约等于对应多个二分类网络b的绝对值的最大值 本文再次验证这个关系式,这次用的13 ...

  9. 用矩阵内积的办法构造迭代次数受控的神经网络1：0.6：0.1=4：3：2

    每个神经网络对应每个收敛标准δ都有一个特征的迭代次数n,因此可以用迭代次数曲线n(δ)来评价网络性能. 一个二分类网络,分类两个对象A和B,B中有K张图片,B的第i张图片被取样的概率为pi,B中第i张 ...

最新文章

  1. begin.lydsy 入门OJ题库：1104：纯粹合数
  2. Oracle\MS SQL Server的数据库多表关联更新UPDATE与多表更新
  3. oracle trace文件解读
  4. 18110 Koishi's travel, Satori's travel
  5. 面试题：左旋转字符串
  6. 织梦轻量级mvc框架笔记
  7. [翻译]AppSettings In web.config by K.Scott Allen
  8. dism++封装系统使用教程_dism++封装系统使用教程_win7系统部署工具Dism的操作方法...
  9. Django城市信息查询功能（3）
  10. 2019微商城系统源码 可封装成app
  11. CTP程序化交易入门系列之五：现手、增仓、开平、对手盘计算
  12. c 语言 农历,C++算法系列之中国农历的算法
  13. 一支手可以代表多大的数呢？ 2 的 19 次方。
  14. 上面两点下面一个三角形_图形学底层探秘 - 更现代的三角形光栅化与插值算法的实现与优化...
  15. 给人脸戴上口罩，Python实战项目来了
  16. 位运算符详解（与，或，非，异或）
  17. T045基于51单片机温湿度检测系统无线蓝牙传输Proteus仿真原理图PCB
  18. 我的Go+语言初体验——GO+的下载与安装
  19. 论文阅读 AutoGluon-Tabular
  20. [bind]rndc: connect failed: 127.0.0.1#953: connection refused

热门文章

  1. php $s=#039;kkk#039; if($s==0),之前收集到的PHP总结笔记
  2. logback修改日志内容_记一次Logstash日志丢失问题
  3. 改造我们的学习：有钱不会花，抱着金库抓瞎
  4. 统计机器学习第二章 感知机
  5. Kubernetes中的nodePort，targetPort，port的区别和意义
  6. Win强制删除文件windows批处理强行删除文件
  7. 使用js实现放大镜效果
  8. 自定义ToolBar
  9. 基于jquery的bootstrap在线文本编辑器插件Summernote （转）
  10. Python中简化的验证码功能实现