用重合图片去计算网络的峰值分类准确率
训练集用mnist的0,1,2,3的前10张图片,做3个二分类网络
(0,1)---4*30*2---(1,0)(0,1)
(0,2)---4*30*2---(1,0)(0,1)
(0,3)---4*30*2---(1,0)(0,1)
用间隔取点的办法把图片化成2*2,测试集与训练集相同。这10张图片不断的循环往复直到收敛,统计与收敛误差对应的分类准确率,并比较。
第一组
(0,1)--- 4*30*2---(1,0)(0,1)
得到的数据
0--1 |
2*2 |
10 |
二值 |
|||
迭代次数n |
平均准确率p-ave |
1-0 |
0-1 |
δ |
耗时ms/次 |
耗时ms/199次 |
15.1256281 |
0.5159129 |
0.61809045 |
0.41373534 |
0.5 |
1.60301508 |
320 |
345.693467 |
0.5 |
0.91959799 |
0.08040201 |
0.48 |
4.92964824 |
983 |
494.346734 |
0.5 |
0.9798995 |
0.0201005 |
0.46 |
5.9798995 |
1190 |
590.256281 |
0.5 |
1 |
0 |
0.44 |
6.93467337 |
1386 |
643.894472 |
0.5 |
1 |
0 |
0.42 |
6.85427136 |
1364 |
695.452261 |
0.5 |
1 |
0 |
0.4 |
6.88442211 |
1370 |
733.984925 |
0.57035176 |
0.96482412 |
0.1758794 |
0.38 |
7.28140704 |
1455 |
767.904523 |
0.72110553 |
0.88944724 |
0.55276382 |
0.36 |
7.62311558 |
1517 |
801.01005 |
0.72222222 |
0.88888889 |
0.55555556 |
0.34 |
7.4120603 |
1480 |
830.497487 |
0.72222222 |
0.88888889 |
0.55555556 |
0.32 |
9.90452261 |
1972 |
859.80402 |
0.73562256 |
0.86208822 |
0.6091569 |
0.3 |
8.92964824 |
1777 |
885.130653 |
0.79480737 |
0.74371859 |
0.84589615 |
0.28 |
12.1105528 |
2410 |
912.809045 |
0.83277499 |
0.66778336 |
0.99776661 |
0.26 |
9.2361809 |
1838 |
943.201005 |
0.83333333 |
0.66666667 |
1 |
0.24 |
11.0854271 |
2206 |
964.547739 |
0.83333333 |
0.66666667 |
1 |
0.22 |
9.45226131 |
1881 |
998.286432 |
0.83333333 |
0.66666667 |
1 |
0.2 |
10.5477387 |
2099 |
1028.8593 |
0.83333333 |
0.66666667 |
1 |
0.18 |
10.1356784 |
2017 |
1056.53769 |
0.83333333 |
0.66666667 |
1 |
0.16 |
12.6180905 |
2511 |
1095.25126 |
0.83333333 |
0.66666667 |
1 |
0.14 |
10.8492462 |
2159 |
1140.74874 |
0.83333333 |
0.66666667 |
1 |
0.12 |
14.9748744 |
2980 |
1192.21608 |
0.83333333 |
0.66666667 |
1 |
0.1 |
16.5075377 |
3285 |
1251.46231 |
0.83333333 |
0.66666667 |
1 |
0.08 |
17.7085427 |
3524 |
1328.79899 |
0.83333333 |
0.66666667 |
1 |
0.06 |
16.9547739 |
3375 |
1452.26633 |
0.83333333 |
0.66666667 |
1 |
0.04 |
18.5276382 |
3687 |
1697.57286 |
0.83333333 |
0.66666667 |
1 |
0.02 |
20.5628141 |
4092 |
网络的峰值分类准确率是5/6.其中0的分类准确率是2/3,1的分类准确率是1.
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
1 |
1 |
1 |
1 |
|
1 |
0 |
1 |
1 |
0 |
1 |
0 |
0 |
1 |
|
1 |
1 |
1 |
1 |
1 |
0 |
1 |
0 |
0 |
|
********* |
|||||||||
1 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
|
1 |
1 |
1 |
0 |
1 |
0 |
0 |
0 |
0 |
|
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
观察这组训练集就会发现,0中有3张图片和1中的图片是重合的。两张(0,0,1,1)和1张(0,0,0,1)。如果网络认为(0,0,1,1)和(0,0,0,1)属于1则,0就将有3张图片分类错误,因此0的分类准确率就是2/3,而1的准确率就是1.因为测试集图片数量相同,因此总的分类准确率就是0.5*2/3+0.5*1=5/6=0.8333333
第二组
(0,2)--- 4*30*2---(1,0)(0,1)
得到数据
0--2 |
2*2 |
10 |
二值 |
1.55555556 |
||
迭代次数n |
平均准确率p-ave |
1-0 |
0-1 |
δ |
耗时ms/次 |
耗时ms/199次 |
15.7738693 |
0.51758794 |
0.58347292 |
0.45170296 |
0.5 |
1.10050251 |
219 |
414.522613 |
0.5 |
0.91457286 |
0.08542714 |
0.48 |
3.92462312 |
781 |
624.417085 |
0.5 |
0.9798995 |
0.0201005 |
0.46 |
5.49246231 |
1093 |
761.41206 |
0.5 |
1 |
0 |
0.44 |
6.1959799 |
1233 |
822.919598 |
0.49692909 |
0.98827471 |
0.00558347 |
0.42 |
6.67336683 |
1328 |
889.582915 |
0.61194863 |
0.66834171 |
0.55555556 |
0.4 |
7.06532663 |
1406 |
946.839196 |
0.61111111 |
0.66666667 |
0.55555556 |
0.38 |
7.84924623 |
1562 |
991.703518 |
0.61111111 |
0.66666667 |
0.55555556 |
0.36 |
11.3015075 |
2249 |
1036.29648 |
0.61111111 |
0.66666667 |
0.55555556 |
0.34 |
12.2361809 |
2435 |
1082.33668 |
0.61111111 |
0.66666667 |
0.55555556 |
0.32 |
9.95979899 |
1982 |
1122.76884 |
0.61111111 |
0.66666667 |
0.55555556 |
0.3 |
12.7135678 |
2530 |
1168.08543 |
0.61111111 |
0.66666667 |
0.55555556 |
0.28 |
9.18090452 |
1827 |
1203.45226 |
0.61111111 |
0.66666667 |
0.55555556 |
0.26 |
9.41708543 |
1874 |
1250.75879 |
0.61390285 |
0.66108319 |
0.5667225 |
0.24 |
9.88944724 |
1968 |
1293.81407 |
0.62339475 |
0.64209939 |
0.60469012 |
0.22 |
10.0452261 |
1999 |
1339.22111 |
0.64349525 |
0.60189838 |
0.68509213 |
0.2 |
10.4321608 |
2076 |
1397.56281 |
0.66275824 |
0.56337242 |
0.76214405 |
0.18 |
10.9095477 |
2171 |
1461.33166 |
0.66638749 |
0.5561139 |
0.77666108 |
0.16 |
11.2211055 |
2233 |
1527.54271 |
0.66666667 |
0.55555556 |
0.77777778 |
0.14 |
11.8442211 |
2357 |
1612.38693 |
0.66666667 |
0.55555556 |
0.77777778 |
0.12 |
12.4020101 |
2468 |
1720.38693 |
0.66666667 |
0.55555556 |
0.77777778 |
0.1 |
13.1809045 |
2623 |
1855.70352 |
0.66666667 |
0.55555556 |
0.77777778 |
0.08 |
14.201005 |
2826 |
2065.91457 |
0.66666667 |
0.55555556 |
0.77777778 |
0.06 |
15.6180905 |
3108 |
2442.73869 |
0.66610832 |
0.55834729 |
0.77386935 |
0.04 |
18.361809 |
3654 |
3209.05025 |
0.69235064 |
0.61976549 |
0.76493579 |
0.02 |
24.2512563 |
4826 |
4150.02513 |
0.71021776 |
0.61083194 |
0.80960357 |
0.01 |
31.0703518 |
6183 |
4486.68844 |
0.72724735 |
0.5985483 |
0.8559464 |
0.008 |
33.4271357 |
6652 |
4910.36683 |
0.75265215 |
0.5773311 |
0.9279732 |
0.006 |
36.1708543 |
7198 |
5627.47236 |
0.77079844 |
0.57621441 |
0.96538247 |
0.004 |
41.4321608 |
8245 |
7051.64322 |
0.82607482 |
0.65214964 |
1 |
0.002 |
51.4773869 |
10244 |
8681.41206 |
0.83333333 |
0.66666667 |
1 |
0.001 |
63.8693467 |
12710 |
9104.8191 |
0.83333333 |
0.66666667 |
1 |
9.00E-04 |
66.6984925 |
13273 |
9515.74372 |
0.83333333 |
0.66666667 |
1 |
8.00E-04 |
69.8341709 |
13897 |
9882.79899 |
0.83333333 |
0.66666667 |
1 |
7.00E-04 |
72.5075377 |
14429 |
10287.7538 |
0.83333333 |
0.66666667 |
1 |
6.00E-04 |
74.9346734 |
14912 |
10919.7437 |
0.83333333 |
0.66666667 |
1 |
5.00E-04 |
79.718593 |
15864 |
12153.0603 |
0.83333333 |
0.66666667 |
1 |
4.00E-04 |
88.5929648 |
17630 |
13265.804 |
0.83333333 |
0.66666667 |
1 |
3.00E-04 |
96.9045226 |
19284 |
16669.9749 |
0.83333333 |
0.66666667 |
1 |
2.00E-04 |
120.603015 |
24000 |
22233.1508 |
0.83333333 |
0.66666667 |
1 |
1.00E-04 |
161.005025 |
32040 |
0与2分类的峰值分类准确率也是5/6.观察这组数据
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
1 |
1 |
1 |
1 |
|
1 |
0 |
1 |
1 |
0 |
1 |
0 |
0 |
1 |
|
1 |
1 |
1 |
1 |
1 |
0 |
1 |
0 |
0 |
|
********* |
|
|
|||||||
2 |
0 |
0 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
|
1 |
0 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
|
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
1 |
0与2也有3张图片是重合的,两张(0,0,1,1)和1张(0,0,0,1).因此1个分类准确率是2/3,另一个是1,峰值分类准确率和第一组相同。但是这一组当收敛误差为0.001的时候才达到峰值,而第一组在收敛误差为0.24的时候就已经达到了峰值,也就是第二组比第一组的分类准确率的变化率dp/dt要小的多。
单独比较1和2的数据,1中只有两张图片(0,0,1,1)和1张(0,0,0,1),而2中除了这两张图片还有两张不一样的图片(0,1,1,1)和(1,1,1,1),因此2的复杂度要大于1,因此0和2分类的难度大于0和1分类。因此在收敛误差相同的情况下0与2的分类准确率要小于0和1的分类准确率。
第三组
(0,3)--- 4*30*2--(1,0)(0,1)
得到数据
0--3 |
2*2 |
10 |
二值 |
|||
迭代次数n |
平均准确率p-ave |
1-0 |
0-1 |
δ |
耗时ms/次 |
耗时ms/199次 |
13.9145729 |
0.51702959 |
0.5572306 |
0.47682859 |
0.5 |
1.0201005 |
203 |
253.839196 |
0.5 |
0.90452261 |
0.09547739 |
0.48 |
2.66834171 |
531 |
386.155779 |
0.5 |
0.95979899 |
0.04020101 |
0.46 |
3.6080402 |
718 |
460.633166 |
0.5 |
0.98492462 |
0.01507538 |
0.44 |
4 |
796 |
513.974874 |
0.5 |
1 |
0 |
0.42 |
4.24120603 |
859 |
549.01005 |
0.5 |
1 |
0 |
0.4 |
4.55276382 |
906 |
581.030151 |
0.83612507 |
0.90396427 |
0.76828587 |
0.38 |
4.70854271 |
937 |
607.894472 |
0.88888889 |
0.88888889 |
0.88888889 |
0.36 |
5.0201005 |
999 |
629.964824 |
0.88888889 |
0.88888889 |
0.88888889 |
0.34 |
5.10050251 |
1015 |
656.829146 |
0.88888889 |
0.88888889 |
0.88888889 |
0.32 |
5.33668342 |
1062 |
677.542714 |
0.89056393 |
0.88888889 |
0.89223897 |
0.3 |
5.57286432 |
1109 |
695.994975 |
0.89977666 |
0.88888889 |
0.91066443 |
0.28 |
5.5678392 |
1108 |
722.135678 |
0.91485204 |
0.88888889 |
0.94081519 |
0.26 |
5.80904523 |
1156 |
742.035176 |
0.93579006 |
0.88888889 |
0.98269123 |
0.24 |
5.8040201 |
1171 |
764.015075 |
0.94249023 |
0.88888889 |
0.99609157 |
0.22 |
6.04522613 |
1203 |
789.341709 |
0.94416527 |
0.88888889 |
0.99944165 |
0.2 |
6.35678392 |
1265 |
804.356784 |
0.94444444 |
0.88888889 |
1 |
0.18 |
6.35175879 |
1264 |
828.869347 |
0.94444444 |
0.88888889 |
1 |
0.16 |
6.59296482 |
1312 |
855.824121 |
0.94444444 |
0.88888889 |
1 |
0.14 |
6.82914573 |
1359 |
886.577889 |
0.94444444 |
0.88888889 |
1 |
0.12 |
7.06030151 |
1405 |
924.025126 |
0.94444444 |
0.88888889 |
1 |
0.1 |
7.3718593 |
1467 |
962.286432 |
0.94444444 |
0.88888889 |
1 |
0.08 |
7.61306533 |
1515 |
1013.84422 |
0.94444444 |
0.88888889 |
1 |
0.06 |
7.92964824 |
1578 |
1090.90955 |
0.94444444 |
0.88888889 |
1 |
0.04 |
8.47236181 |
1686 |
1230.38693 |
0.94444444 |
0.88888889 |
1 |
0.02 |
9.49246231 |
1889 |
观察这10组数据
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
0 |
0 |
0 |
1 |
0 |
0 |
0 |
1 |
1 |
1 |
1 |
|
1 |
0 |
1 |
1 |
0 |
1 |
0 |
0 |
1 |
|
1 |
1 |
1 |
1 |
1 |
0 |
1 |
0 |
0 |
|
********* |
|||||||||
3 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
|
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
0 |
|
1 |
1 |
1 |
0 |
1 |
1 |
1 |
1 |
1 |
0和3有1张图片是重合的(0,0,0,1),因此0的分类准确率是8/9,而3的分类准确率是1因此总的分类准确率是0.5*8/9+0.5*1=17/18=0.944
0--1 |
0--2 |
0--3 |
|
δ |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
0.5 |
0.5159129 |
0.51758794 |
0.51702959 |
0.48 |
0.5 |
0.5 |
0.5 |
0.46 |
0.5 |
0.5 |
0.5 |
0.44 |
0.5 |
0.5 |
0.5 |
0.42 |
0.5 |
0.49692909 |
0.5 |
0.4 |
0.5 |
0.61194863 |
0.5 |
0.38 |
0.57035176 |
0.61111111 |
0.83612507 |
0.36 |
0.72110553 |
0.61111111 |
0.88888889 |
0.34 |
0.72222222 |
0.61111111 |
0.88888889 |
0.32 |
0.72222222 |
0.61111111 |
0.88888889 |
0.3 |
0.73562256 |
0.61111111 |
0.89056393 |
0.28 |
0.79480737 |
0.61111111 |
0.89977666 |
0.26 |
0.83277499 |
0.61111111 |
0.91485204 |
0.24 |
0.83333333 |
0.61390285 |
0.93579006 |
0.22 |
0.83333333 |
0.62339475 |
0.94249023 |
0.2 |
0.83333333 |
0.64349525 |
0.94416527 |
0.18 |
0.83333333 |
0.66275824 |
0.94444444 |
0.16 |
0.83333333 |
0.66638749 |
0.94444444 |
0.14 |
0.83333333 |
0.66666667 |
0.94444444 |
0.12 |
0.83333333 |
0.66666667 |
0.94444444 |
0.1 |
0.83333333 |
0.66666667 |
0.94444444 |
0.08 |
0.83333333 |
0.66666667 |
0.94444444 |
0.06 |
0.83333333 |
0.66666667 |
0.94444444 |
0.04 |
0.83333333 |
0.66610832 |
0.94444444 |
0.02 |
0.83333333 |
0.69235064 |
0.94444444 |
0.001 |
0.83333333 |
||
当收敛误差一致的情况下分类准确率3>1>2,峰值分类准确率3>1=2.因为2的训练集复杂度大于1因此2的分类准确率变化率小于1,因此可以得出重合图片越少,峰值分类准确率越大,分类准确率的变化率dp/dt越大。而训练集的复杂度越大,分类准确率的变化率越小。或者至少分类准确率的变化率与重合图片数量和训练集的复杂度都有关系。
用重合图片去计算网络的峰值分类准确率相关推荐
- 整理前端工作中的可复用代码(二):拓展spark-md5,支持计算网络文件md5
这里是<整理前端开发中的可复用代码>中的第二篇,最初此系列文章的标题不是这个,但觉得标题要准确.明白一些,便做了修改.这里的经验都来自作者的工作实践,入了前端坑的摸爬滚打. 背景 在工作中 ...
- 让电代替人工去计算——机电时期的权宜之计
机电时期(19世纪末~20世纪40年代) 我们难以理解计算机,也许主要并不由于它复杂的机理,而是根本想不明白,为什么一通上电,这坨铁疙瘩就突然能飞速运转,它安安静静地到底在干些啥. 经过前几篇的探索, ...
- IOTA--帮你构建安全的边缘计算网络
对于云计算,我们已经很熟悉了,也习惯了享受云计算供应商所提供的服务.云计算服务为我们提供了丰富的网络安全工具,为企业的网络安全提供了帮助.而边缘计算则不同,当前有很多边缘计算厂商正在开发自己的产品和服 ...
- 使用Log日志 计算带宽流量峰值
awk 19 一般来说流量带宽是通过snmp协议取网卡流量画图.不过有的时候,为了优化分析或者排错,也会直接去计算服务的访问流量.方法很简单,根据日志中记录的 请求时间(squid记录的是请求响应完成 ...
- 计算网络节点模块内连通度(within modular degree)和模块间连通度(between modular degree)
计算网络节点模块内连通度和模块间连通度 1.为什么要计算网络节点模块内连通度和模块间连通度 2.网络节点模块内连通度(within modular degree)和模块间连通度(among modul ...
- 十二、详解计算网络中的流量控制和差错控制、HDLC
十二.详解计算网络中的流量控制和差错控制 提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加 例如:第一章 Python 机器学习入门之pandas的使用 提示:写完文章后,目录可以自动 ...
- 一步一步教你跑DCPDN深度学习去雾网络
论文:Densely Connected Pyramid Dehazing Network(CVPR2018) 论文就不讲解了,网上有,步骤开始: 1.环境安装: Ubuntu16.0.4平台运行 P ...
- 低轨卫星智能多接入边缘计算网络:需求、架构、机遇与挑战
[摘 要]传统低轨卫星通信系统受限于星上板载能力和在轨计算能力约束,在适配未来天地一体融合网络架构中存在资源受限.运行孤立.响应迟滞等问题.为实现低轨卫星与地面网络的充分融合和协调发展,并适应新一代 ...
- pytorch实现 残差网络 ResNet18 CIFAR-10 分类 计算top1-ACC,top3-ACC
采用残差网络 ResNet18 或 ResNet34 深度神经网络对CIFAR-10图像数据集实现分类,计算模型预测性能(top1-ACC,top3-ACC),并以友好的方式图示化结果. 目录 1.定 ...
- 基于OpenCV的多图片去重叠拼接(Java版)
前言 数据采集中,尤其是时效性敏感的数据,比如:微博热搜,这类"过了这个村就没有这个店"的数据,为了证明当时数据采集的准确性与完整性,最直接有效的办法就是保留当时采集的网页页面. ...
最新文章
- JavaScript语法详解(三)
- 关于C++里面使用set_union,set_intersections、set_merge、set_difference、set_symmetric_difference等函数的使用总结
- python 人气高的项目_给大家推荐:五个Python小项目,Github上的人气很高的!
- Digital Text Animations for Mac - 未来感活力全屏标题动画fcpx插件
- Linux-Ubuntu安装软件
- Oracle 隐含参数的查询
- dism++封装系统使用教程_【原创】最新WIN10系统封装教程2019系列(一)——定制母盘...
- 黑马程序员_Java基础(环境搭建、进制转换、运算符)
- 关于aab转apk的方法--bundletool
- 什么叫做石英表_什么是石英表?石英表与机械表的区别
- CSUOJ 1256 天朝的单行道(最短路)
- 分析网易云用户运营的指标监控和召回机制
- oracle中imp命令详解
- 计算机硬件设备ppt教案,《计算机硬件基础》PPT课件.ppt
- 计算机Web书籍推荐
- 5日均线在c语言中的写法,一文学会正确运用5日均线!(图解)
- Python 通过URL打开图片的几种方式
- Python画Sigmoid、Relu、Softmax、Tanh、Leaky relu等函数(1)
- ASP.NET MVC 远程请求图片 转化成BASE64然后通过HTTP输出流显示
- java Instant