用神经网络分类无理数和超越数2**0.5,3**0.5,e
制作两个神经网络用来分类2**0.5、3**0.5,2**0.5和e。每个无理数取3万位有效数字,每10个数字变成一张图片。用前2500张图片来训练网络,用2500-3000张图片来做测试。
比如2**0.5的第一张图片
收敛标准δ取0.5到1e-4共16个值,每个收敛标准收敛199次,统计平均分辨准确率,迭代次数。
得到的表格
训练集 |
0-2500 |
||||||||
测试集 |
2500-3000 |
||||||||
f2[0] |
f2[1] |
迭代次数n |
平均准确率p-ave |
δ |
耗时ms/次 |
耗时ms/199次 |
耗时 min/199 |
最大值p-max |
pave标准差 |
0.501147535 |
0.499689475 |
17.51758794 |
0.499537688 |
0.5 |
4.884422111 |
972 |
0.0162 |
0.522 |
0.004812811 |
0.422210311 |
0.577346693 |
11189.55779 |
0.483246231 |
0.4 |
104.9095477 |
20877 |
0.34795 |
0.524 |
0.013828623 |
0.296495826 |
0.703493738 |
34580.47236 |
0.498226131 |
0.3 |
316.3115578 |
62946 |
1.0491 |
0.506 |
0.004294922 |
0.266027637 |
0.733965365 |
116589.8241 |
0.486874372 |
0.2 |
1056.276382 |
210215 |
3.503583333 |
0.525 |
0.01838175 |
0.441127684 |
0.558872658 |
178663.6633 |
0.493236181 |
0.1 |
1204.477387 |
239691 |
3.99485 |
0.537 |
0.019346601 |
0.527119391 |
0.472880614 |
299744.0854 |
0.491236181 |
0.01 |
2715.798995 |
540460 |
9.007666667 |
0.53 |
0.013548702 |
0.57774068 |
0.422259283 |
427566.1055 |
0.49361809 |
0.001 |
3880.844221 |
772291 |
12.87151667 |
0.541 |
0.015254454 |
0.507523048 |
0.492476938 |
423875.9045 |
0.492979899 |
9.00E-04 |
3867.422111 |
769633 |
12.82721667 |
0.534 |
0.014838142 |
0.567738564 |
0.432261394 |
452748.3869 |
0.491341709 |
8.00E-04 |
4193.211055 |
834466 |
13.90776667 |
0.531 |
0.015622231 |
0.482439484 |
0.517560534 |
452554.5729 |
0.492432161 |
7.00E-04 |
3811.422111 |
758474 |
12.64123333 |
0.537 |
0.015850881 |
0.537647222 |
0.462352754 |
459869.4724 |
0.492135678 |
6.00E-04 |
4248.542714 |
845465 |
14.09108333 |
0.54 |
0.015820815 |
0.517569942 |
0.482430045 |
466761.0905 |
0.494291457 |
5.00E-04 |
4226.030151 |
840989 |
14.01648333 |
0.539 |
0.01634968 |
0.522594814 |
0.477405195 |
489836.603 |
0.491351759 |
4.00E-04 |
4419.703518 |
879525 |
14.65875 |
0.527 |
0.015002743 |
0.542689058 |
0.457310917 |
528504.8643 |
0.491201005 |
3.00E-04 |
4827.341709 |
960648 |
16.0108 |
0.536 |
0.013936316 |
0.572835882 |
0.427164091 |
569002.3518 |
0.492668342 |
2.00E-04 |
5219.713568 |
1038733 |
17.31221667 |
0.533 |
0.013133277 |
0.552753899 |
0.447246105 |
660039.6482 |
0.493246231 |
1.00E-04 |
6018.592965 |
1197716 |
19.96193333 |
0.53 |
0.013978615 |
与前一次实验2**0.5与3**0.5的的数据比较
2**0.5 |
|
2500-3000 |
|
3**0.5 |
e |
平均准确率p-ave |
平均准确率p-ave |
0.500452 |
0.499538 |
0.517995 |
0.483246 |
0.519864 |
0.498226 |
0.513638 |
0.486874 |
0.512447 |
0.493236 |
0.504769 |
0.491236 |
0.506643 |
0.493618 |
0.504467 |
0.49298 |
0.50492 |
0.491342 |
0.504734 |
0.492432 |
0.506146 |
0.492136 |
0.506638 |
0.494291 |
0.50705 |
0.491352 |
0.504935 |
0.491201 |
0.50692 |
0.492668 |
0.504578 |
0.493246 |
可以看到3**0.5的分类准确率显著的大于50%,而e的pave数据显著的小于50%。差异非常明显。这表明无理数的数字分布是有规律的,给出一个10位的数字序列可能存在一种方法判断这个序列属于哪个无理数。
无理数的数据来源
https://www.wolframalpha.com/input/?i=x%5E2-1
N[sqr(2),30000]
用神经网络分类无理数和超越数2**0.5,3**0.5,e相关推荐
- 用神经网络分类无理数2**0.5和3**0.5
(2**0.5,3**0.5)-100*10*2-(1,0)(0,1) 用神经网络分类分类2**0.5和3**0.5,2**0.5和3**0.5分别取3万位有效数字.每10位有效数字构成一张图片,共3 ...
- 用神经网络分类随机数与无理数
这次依然沿用前面的方法分类保留3万位有效数字的无理数,不同的是这次引入的参考系是一个随机数.这个随机数的构造方法是 static int n=100; public static double[] r ...
- TensorFlow2.0(二)--Keras构建神经网络分类模型
Keras构建分类模型 1. tf.keras简介 2. 利用tf.keras构建神经网络分类模型 2.1 导入相应的库 2.2 数据读取与展示 2.3 数据归一化 2.4 构建模型 2.5 模型的编 ...
- 深度学习原理—代码分析线性分类与神经网络分类的区别
https://www.toutiao.com/a6687727778487337476/ 利用sklearn.dataset随机产生数据,随机生成两类数据,用不同的颜色展示出来,如下图: 产生的随机 ...
- 对神经网络分类行为的认识二则
分类与自旋 "每一种粒子都具有一个固定的自旋值,永远不变,粒子从来不存在开始转得更快或更慢;以ћ作为度量单位, 宇宙中每个光子的自旋等于每个希格斯玻色子的自旋等于零;自旋是粒子的固有属性,不 ...
- 用神经网络分类矩阵和矩阵的转置
设A是一个9*9的随机矩阵,让矩阵的每个格子都是一个0到1之间的随机数.A^T是矩阵A的转置.测试集由1000个A和A^T组成,这个网络是否可以收敛并分类? 在收敛误差δ一致的前提下,实验统计了7组收 ...
- 关于神经网络分类特征平移不变性的实验
用分类映射的方法分类两条直线y=n和y=x*tanθ+n-n* tanθ,两条直线的交点是(n,n) 设r为0到1之间的随机数,两个训练集为 A:[r+n][(r+n)*tanθ+n-n*tanθ] ...
- 一个与神经网络分类特征旋转不变性有关的实验
继续用<用神经网络分类两条夹角为θ的直线>的办法分类两条直线. y=x*tanθ和y=x*tan(θ+20) 所不同的是这次让两条直线之间的夹角固定为20,让θ分别等于0,20...340 ...
- 用神经网络分类3*3矩阵
0 1 2 3 4 5 6 7 8 用前面一样的固定收敛标准,多次测量取平均值的办法比较不同的输入对迭代次数和分类准确率的影响. 一共设计了三组输入 A B 0 4 8 < > ...
最新文章
- SCCM2012R2之五创建系统集合
- Springboot,SSM框架比较,区别
- FutureTask 实现预加载数据 在线看电子书、浏览器浏览网页等
- 记录一个坑的解决历程
- LeetCode Same Tree
- Matlab实用程序--图形应用-双y轴图形的绘制
- C++ Opengl 绘制纹理字符源码
- jdbc mysql user_tab_comments_MySQL学习(五)——使用JDBC完成用户表CRUD的操作
- 推荐系统(Recommendation system)
- 教你如何在google上查阅一个方位的经纬度
- 请问:如何在C#简单分布式程序的数据层中为其它层留出很好的接口?????...
- F - Prime Path
- iOS协议、代理、Block和回调、类别
- fprintf fscanf等函数的用法
- 试图运行项目时出错:无法启动调试 没有正确安装调试器
- PDFCreator pdf制作软件+教程
- 软件开发工作量的估算方法
- python程序设计大赛题目_第三第四题,这是Python程序设计的题目,
- 被低估的BIRT报表 二 Birt也可以很漂亮
- linux下usb转串口驱动分析
热门文章
- 2.1.5 梯度检验
- java scriptrunner_ScriptRunner.java
- web自动化之鼠标事件
- 如何在本地运行查看github上的开源项目
- nginx配置ssl双向证书
- @JsonProperty的使用
- Python学习笔记-2017.5.4thon学习笔记-2017.8.14
- java自动装箱(是否是误区)
- 【推荐】LSI(latent semantic indexing) 完美教程
- 在 N 条水平线与 M 条竖直线构成的网格中,放 K 枚石子