估算神经网络卷积核数量的近似方法
作一个5分类网络分类mnist的0,1,2,3,4.用3*3的卷积核,卷积核数量从1个到36个,收敛标准为1e-4,每个网络收敛199次,共收敛了36*199次。比较平均分类准确率,来判断这个网络到底应该用多少个卷积核。
实验得到的数据
con |
f2[0] |
f2[1] |
f2[2] |
f2[3] |
f2[4] |
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 |
平均值标准差 |
1 |
0.3969992 |
3.98E-05 |
0.0503128 |
0.4673393 |
0.0854662 |
104470.93 |
0.9590255 |
1.00E-04 |
7423.3367 |
1477250 |
24.620833 |
0.9680872 |
0.0043556 |
2 |
0.5326588 |
4.04E-05 |
0.0603636 |
0.371877 |
0.0352327 |
91750.819 |
0.9702316 |
1.00E-04 |
12125.719 |
2413018 |
40.216967 |
0.9780113 |
0.0035651 |
3 |
0.6381764 |
0.0100856 |
0.0452943 |
0.2713923 |
0.035238 |
86584.065 |
0.9738819 |
1.00E-04 |
16815.226 |
3346247 |
55.770783 |
0.9820977 |
0.0040536 |
4 |
0.6381738 |
4.73E-05 |
0.1106123 |
0.2211455 |
0.0302111 |
86691.578 |
0.9767782 |
1.00E-04 |
22660.191 |
4509378 |
75.1563 |
0.9832652 |
0.0037532 |
5 |
0.6331478 |
0.0100947 |
0.075442 |
0.2512897 |
0.0302126 |
86251.307 |
0.9778187 |
1.00E-04 |
28140.724 |
5600006 |
93.333433 |
0.9844328 |
0.0038567 |
6 |
0.663292 |
0.0201439 |
0.0804656 |
0.2110933 |
0.0251883 |
87147.04 |
0.9782626 |
1.00E-04 |
34999.673 |
6964940 |
116.08233 |
0.9856003 |
0.0049456 |
7 |
0.6431916 |
0.0352167 |
0.1055901 |
0.1809471 |
0.0352373 |
88852.809 |
0.979523 |
1.00E-04 |
40875.286 |
8134201 |
135.57002 |
0.9875462 |
0.0036779 |
8 |
0.5929492 |
0.030195 |
0.1357355 |
0.2211434 |
0.0201619 |
89753.98 |
0.9798262 |
1.00E-04 |
47459.693 |
9444484 |
157.40807 |
0.9873516 |
0.0041034 |
9 |
0.7034819 |
0.0301944 |
0.0854927 |
0.1608519 |
0.0201675 |
87998.749 |
0.9798575 |
1.00E-04 |
54462.874 |
10838112 |
180.6352 |
0.9867679 |
0.0034211 |
10 |
0.6130412 |
0.0603421 |
0.1457836 |
0.1759217 |
0.0050887 |
89349.714 |
0.9803728 |
1.00E-04 |
59108.151 |
11762539 |
196.04232 |
0.9857949 |
0.0035238 |
11 |
0.5879192 |
0.0402465 |
0.1407561 |
0.2060706 |
0.0251908 |
90482.065 |
0.9803962 |
1.00E-04 |
67296.894 |
13392090 |
223.2015 |
0.9865733 |
0.0038802 |
12 |
0.6331418 |
0.0502906 |
0.0955387 |
0.2161208 |
0.0050907 |
89244.975 |
0.9797597 |
1.00E-04 |
70763.487 |
14081940 |
234.699 |
0.9875462 |
0.0044283 |
13 |
0.592942 |
0.0955135 |
0.1508071 |
0.1407538 |
0.020162 |
89329.613 |
0.9808901 |
1.00E-04 |
75231.442 |
14971057 |
249.51762 |
0.9869624 |
0.0033256 |
14 |
0.6230928 |
0.0804369 |
0.0854918 |
0.1909943 |
0.0201645 |
90552.005 |
0.9797753 |
1.00E-04 |
84153.206 |
16746520 |
279.10867 |
0.987157 |
0.0045751 |
15 |
0.5929442 |
0.0754167 |
0.1156359 |
0.1909996 |
0.0251897 |
93018.387 |
0.9802105 |
1.00E-04 |
91327.648 |
18174212 |
302.90353 |
0.9865733 |
0.0039654 |
16 |
0.5627995 |
0.0904876 |
0.1658809 |
0.1558236 |
0.0251893 |
92548.422 |
0.9797861 |
1.00E-04 |
94837.101 |
18872624 |
314.54373 |
0.9867679 |
0.0057113 |
17 |
0.5376756 |
0.1005396 |
0.1307096 |
0.1909953 |
0.0402658 |
94034.508 |
0.9804715 |
1.00E-04 |
102810.7 |
20459334 |
340.9889 |
0.98813 |
0.0039014 |
18 |
0.5226047 |
0.1055641 |
0.16588 |
0.1759218 |
0.0302125 |
93370.829 |
0.9794135 |
1.00E-04 |
108527.4 |
21596970 |
359.9495 |
0.9865733 |
0.0057292 |
19 |
0.4773845 |
0.1055662 |
0.1457795 |
0.2311939 |
0.040265 |
92563.859 |
0.9798262 |
1.00E-04 |
114088.12 |
22703535 |
378.39225 |
0.9865733 |
0.004553 |
20 |
0.5376743 |
0.1156157 |
0.1106088 |
0.1909971 |
0.0452859 |
93299.754 |
0.9796404 |
1.00E-04 |
121038.73 |
24086713 |
401.44522 |
0.987157 |
0.0045705 |
21 |
0.5226023 |
0.1206402 |
0.1357329 |
0.1960206 |
0.0251851 |
97356.729 |
0.9799376 |
1.00E-04 |
134315.59 |
26728803 |
445.48005 |
0.9867679 |
0.004487 |
22 |
0.5075321 |
0.1005449 |
0.1206582 |
0.2261668 |
0.045284 |
96326.749 |
0.9803376 |
1.00E-04 |
137166.5 |
27296139 |
454.93565 |
0.9869624 |
0.0044399 |
23 |
0.5025043 |
0.1507855 |
0.115633 |
0.1909954 |
0.0402654 |
97184.352 |
0.9800403 |
1.00E-04 |
145956.26 |
29045295 |
484.08825 |
0.9865733 |
0.0036915 |
24 |
0.4824062 |
0.1357126 |
0.1658767 |
0.2010443 |
0.015138 |
99128.06 |
0.9799279 |
1.00E-04 |
153790.74 |
30604360 |
510.07267 |
0.9867679 |
0.0040233 |
25 |
0.5276279 |
0.1507869 |
0.1156348 |
0.165873 |
0.040264 |
100264.15 |
0.9801645 |
1.00E-04 |
161833.56 |
32204878 |
536.74797 |
0.9869624 |
0.0039724 |
26 |
0.4924545 |
0.1206439 |
0.1457783 |
0.196021 |
0.0452845 |
99471.93 |
0.9799572 |
1.00E-04 |
168385.3 |
33508709 |
558.47848 |
0.9875462 |
0.0041268 |
27 |
0.4874312 |
0.1407408 |
0.1608527 |
0.1859737 |
0.0251922 |
102755.69 |
0.9799474 |
1.00E-04 |
178808.95 |
35582981 |
593.04968 |
0.9867679 |
0.0041321 |
28 |
0.4623089 |
0.1759113 |
0.1457781 |
0.1759214 |
0.0402655 |
100270.1 |
0.97939 |
1.00E-04 |
187493.72 |
37311250 |
621.85417 |
0.9859895 |
0.0049753 |
29 |
0.4723593 |
0.165862 |
0.1457793 |
0.1708976 |
0.0452927 |
104338.68 |
0.9799953 |
1.00E-04 |
197608.21 |
39324034 |
655.40057 |
0.9861841 |
0.0038264 |
30 |
0.4321601 |
0.1658635 |
0.1709047 |
0.1909934 |
0.040261 |
103310.58 |
0.979434 |
1.00E-04 |
201993.4 |
40196709 |
669.94515 |
0.987157 |
0.0040633 |
31 |
0.4673351 |
0.155815 |
0.1457778 |
0.1658707 |
0.0653866 |
102941.5 |
0.9791524 |
1.00E-04 |
208387.09 |
41469030 |
691.1505 |
0.9877408 |
0.0045501 |
32 |
0.517581 |
0.1105933 |
0.1055844 |
0.236215 |
0.0302168 |
101947.78 |
0.9791221 |
1.00E-04 |
213261.81 |
42439106 |
707.31843 |
0.9861841 |
0.0041763 |
33 |
0.4371863 |
0.1507924 |
0.1759286 |
0.1809449 |
0.0553372 |
107287.02 |
0.9798115 |
1.00E-04 |
231864.87 |
46141110 |
769.0185 |
0.9861841 |
0.0041173 |
34 |
0.4924578 |
0.1306948 |
0.1106064 |
0.2161159 |
0.0503128 |
107965.09 |
0.9797509 |
1.00E-04 |
236180.71 |
46999979 |
783.33298 |
0.9865733 |
0.0039793 |
35 |
0.5075315 |
0.1206431 |
0.1256796 |
0.150798 |
0.0955321 |
107841.65 |
0.9792522 |
1.00E-04 |
246869.31 |
41097532 |
684.95887 |
0.9859895 |
0.0047116 |
36 |
0.5125546 |
0.1457666 |
0.1307065 |
0.1608499 |
0.0503141 |
107752.64 |
0.9797509 |
1.00E-04 |
255624.7 |
50869316 |
847.82193 |
0.9867679 |
0.0042543 |
将pave画成图
网络峰值性能出现在con=13,峰值性能为0.9808901.当con<13时随着卷积核数量的增加网络性能迅速增加,当con>13随着卷积核数量的增加网络性能持续的减弱。
这张图是con=10到con=36的图片,当con=36时平均性能只有峰值性能的99.88%,但是耗时确是峰值耗时3.39倍,也就是用了3.39倍的时间但性能却下降了0.12%。
这个实验再次清晰的表明了卷积核数量存在最优值,卷积核数量超过最优值以后,继续增加卷积核会导致网络性能下降。
再比较前面的实验数据,用3*3的卷积核二分类0和2的卷积核最优值是4个,而10分类是最优值是47个,这次实验的5分类最优值13个。
可以用这3组数据得到一个近似的估算卷积核数量最优值的方法
Con=0.475*x**2-0.3250000000000002*x+2.7500000000000004
- ****** 决定系数 r**2
con |
分类数x |
|
2 |
4 |
|
3 |
6.05 |
|
4 |
9.05 |
|
5 |
13 |
|
6 |
17.9 |
|
7 |
23.75 |
|
8 |
30.55 |
|
9 |
38.3 |
|
10 |
47 |
用这个方法估算一个6分类网络的卷积核数量的最优值大约为18个。
估算神经网络卷积核数量的近似方法相关推荐
- 强化学习(七) - 函数近似方法 - 随机梯度下降, 半梯度下降,及瓦片编码(Tile Coding)实例
函数近似方法 7.1 目标预测(VE‾\overline{VE}VE) 7.2 随机梯度下降和半梯度下降 例7.1: 1000态随机行走的状态收敛 7.3 线性近似 7.4 线性方法的特征构造 7.4 ...
- 最新论文解读 | 神经网络“剪枝”的两个方法
编译 | AI科技大本营 参与 | 刘 畅 编辑 | 明 明 [AI科技大本营导读]本文介绍了两篇自动学习神经网络架构方向的最新方法,他们主要是通过计算扔掉一些参数/特征来实现的.第一篇L0方法看 ...
- mlp 参数调优_积神经网络(CNN)的参数优化方法
积神经网络(CNN)的参数优化方法 from:http://blog.csdn.net/u010900574/article/details/51992156 著名: 本文是从 Michael Nie ...
- 空间注意力机制sam_一种基于注意力机制的神经网络的人体动作识别方法与流程...
本发明属于计算机视觉领域,具体来说是一种基于注意力机制的神经网络的人体动作识别的方法. 背景技术: 人体动作识别,具有着非常广阔的应用前景,如人机交互,视频监控.视频理解等方面.按目前的主流方法,可主 ...
- 收敛标准对卷积核数量最优值的影响
(mnist 0,2)-con(3*3)*n-30*2-(1,0)(0,1) 用n的3*3的卷积核分类处理成9*9尺寸的mnist0和2的图片,n的数量从1到12个.收敛标准从1e-4到1e-6,共1 ...
- 实验:3*3卷积核10分类9*9图片卷积核数量最优值
(0,1,2,3,4,5,6,7,8,9)--con(3*3)*n-49*n*30*10 将mnist的图片用间隔取点的办法处理成9*9,用3*3的卷积核,卷积核的数量从1个到57个,收敛标准是1e- ...
- 基于深度神经网络的高光谱影响分类方法研究---MNF+自动编码器+Softmax (准确率比较低,17年的论文)
论文地址 基于深度神经网络的高光谱影响分类方法研究 装备学院学报 遥感影像分类的问题:预处理复杂,高维特征提取困难,分类不够精确等缺陷 首先采用最大噪声分数来降低特征空间维度,然后将自动编码器与sof ...
- 随机优化中的样本均值近似方法
随机优化中的样本均值近似方法 1.SAA原理 2.使用Gurobi实操求解 2.1 问题求解 2.2 最坏的情况(worst case) 2.3 机会约束优化(chance constrained o ...
- [强化学习实战]函数近似方法-线性近似与函数近似的收敛性
线性近似 最常使用的函数近似就是线性近似和人工神经网络.本节介绍线性近似.线性近似是用许多特征向量的线性组合来近似价值函数.特征向量则依赖于输入(即状态或状态动作对).以动作价值近似为例,我们可以为每 ...
最新文章
- sql文件与数据库的连接到服务器,如何:连接到基于文件的数据库
- python冒号错误-python冒号错误语法无效
- Hadoop安装记录(伪分布式)
- js小笔记 -- let const的理解
- 编写ShellCode
- 一步步学习如何安装并使用SAP HANA Express Edition
- 札记__ADT:URL,Lua:strlen方法
- 智能家居 (4) ——工厂模式火焰报警
- JavaFX真实世界应用程序:EIZO CuratOR Caliop
- 天猫整站SSM-分页-总结(做个人学习笔记整理用)
- Basic concepts behind Web Audio API
- python字符串isalnum()函数
- 自动驾驶 5-2 使用 PID 进行纵向速度控制 Longitudinal Speed Control with PID
- python股票交易系统实现_python实现股票自动交易,自动量化交易软件
- The program ‘roscore‘ is currently not installed 解决办法
- 插值器和估值器概述与使用
- Android 自定义TabLayout
- 出现身份验证错误。 要求的函数不受支持, 远程计算机 这可能是由于CredSSP加密数据库修正
- .idea文件在项目中的显示与隐藏
- python基础之--人机大战,编程思维
热门文章
- 优酷路由宝刷梅林_优酷路由宝刷breed(不死)教程
- 超级计算机预测2月有雪寒潮,神预测!中国超级计算提前半个月预测了美国的寒潮...
- ORM框架SQLAlchemy学习笔记
- spark RDD官网RDD编程指南
- [USACO15JAN]草鉴定Grass Cownoisseur
- Luogu1714 切蛋糕
- Median of Two Sorted Arrays
- 20150127--Session入库
- My First Blog on cnblogs (现代程序设计 Homework-01)
- mssql的T-SQL教程(从建登陆到建库、表和约束)