用神经网络迭代次数曲线模拟原子光谱
大量实验表明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组对象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张图片相对A的迭代次数为ni最终的迭代次数nt等于pi*ni的累加和。
由此可以构造两个矩阵一个是随机矩阵PJ
PJ表明图片集B中第i张图片被抽样到的概率
和矩阵NJ
NJ表明图片集B中第i张图片相对A的迭代次数
总的迭代次数nt等于矩阵PJ和NJ的点积
比如用神经网络二分类两个对象分别是A和B,其中B只有两张图片b1和b0.1,当用b1和A迭代的时候理解成这个体系的一个状态Ab1,当用b0.1和A迭代的时候理解成这个体系的另一个状态Ab0.1。
但是总的AB的可能状态是Ab1和Ab0.1这两种状态的线性叠加。
按照这组表达式让b1和b0.1出现的概率p1+p0.1=1,然后让p1和p0.1只能是某个数的整数倍。可以想象由此得到的n1-0.1的曲线一定是离散的。
本文设p1和p0.1只能是10%的整数倍,由此计算可能得到的离散的曲线来模拟光谱。
实验过程
首先用实验的方法测量n1
制作一个带一个3*3卷积核的神经网络,测试集是mnist的0和一张图片x,将28*28的图片缩小成9*9,隐藏层30个节点所以网络的结构是
这个网络分成两个部分左边的是让mnist 0向1,0收敛,右边的是让x向 0,1收敛。但是让左右两边的权重实现同步更新,实现权重共享。前面大量实验表明这种效果相当于将两个弹性系数为k1,k2的弹簧并联成一个弹性系数为k的弹簧,并且让k1=k2=k/2的过程。
将上图简写成
d2(mnist0, x=1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
这个网络的收敛标准是
if (Math.abs(f2[0]-y[0])< δ && Math.abs(f2[1]-y[1])< δ )
本文尝试了δ从0.5到1e-6在内的26个值,训练集是mnist0
图片x就是一张二维数组,让x=1.
具体进样顺序 |
||||
进样顺序 |
迭代次数 |
|||
δ=0.5 |
||||
mnist 0-1 |
1 |
判断是否达到收敛 |
||
X |
2 |
判断是否达到收敛 |
||
梯度下降 |
||||
mnist 0-2 |
3 |
判断是否达到收敛 |
||
X |
4 |
判断是否达到收敛 |
||
梯度下降 |
||||
…… |
||||
mnist 0-4999 |
9997 |
判断是否达到收敛 |
||
X |
9998 |
判断是否达到收敛 |
||
梯度下降 |
||||
…… |
||||
如果4999图片内没有达到收敛标准再次从头循环 |
||||
mnist 0-1 |
9999 |
判断是否达到收敛 |
||
X |
10000 |
判断是否达到收敛 |
||
…… |
||||
达到收敛标准记录迭代次数,将这个过程重复199次 |
||||
δ=0.4 |
||||
…… |
用这个方法可以得到网络
d2(mnist0, x=1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
的迭代次数曲线n1。
第二步测量n0.1
用同样的办法制作另一个网络
d2(mnist0, x=0.1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
让mnist 0向1,0收敛,右边的是让x向 0,1收敛。但让x=0.1.得到迭代次数曲线n0.1
在《测量一组对角矩阵的频率和质量》中已经将这两个迭代次数都测出来了
1 |
0.1 |
|
δ |
迭代次数n1 |
迭代次数n0.1 |
0.5 |
17.40201005 |
17.87437186 |
0.4 |
951.2110553 |
1408.577889 |
0.3 |
1144.577889 |
1720.517588 |
0.2 |
1313.633166 |
1995.110553 |
0.1 |
1505.824121 |
2243.834171 |
0.01 |
2362.115578 |
3001.552764 |
0.001 |
4129.020101 |
4007.532663 |
1.00E-04 |
10353.37186 |
5532.668342 |
9.00E-05 |
10653.93467 |
5683.753769 |
8.00E-05 |
11292.43719 |
6131.934673 |
7.00E-05 |
11761.11055 |
6106.919598 |
6.00E-05 |
12657.69347 |
6014.688442 |
5.00E-05 |
13305.44221 |
6455.321608 |
4.00E-05 |
15844.29648 |
6724.738693 |
3.00E-05 |
17291.77387 |
7055.80402 |
2.00E-05 |
20753.56281 |
7763.41206 |
1.00E-05 |
27708.19598 |
8749.050251 |
9.00E-06 |
29358.8593 |
8879.41206 |
8.00E-06 |
30689.87437 |
9387.150754 |
7.00E-06 |
33437.22111 |
9532.648241 |
6.00E-06 |
36960.63819 |
9957.683417 |
5.00E-06 |
40669.92462 |
10661.56281 |
4.00E-06 |
44594.04523 |
11025.0402 |
3.00E-06 |
51522.10553 |
11653.63317 |
2.00E-06 |
67583.53266 |
13076.9196 |
1.00E-06 |
107224.5276 |
15184.58794 |
现在做叠加网络因为p1和p0.1只能是0.1的整数倍因此共有9种组合
p1 |
p0.1 |
|
n0.9-0.1 |
9 |
1 |
n0.8-0.2 |
8 |
2 |
n0.7-0.3 |
7 |
3 |
n0.4-0.6 |
6 |
4 |
n0.5-0.5 |
5 |
5 |
n0.4-0.6 |
4 |
6 |
n0.3-0.7 |
3 |
7 |
n0.2-0.8 |
2 |
8 |
n0.1-0.9 |
1 |
9 |
d2(mnist0, 90%x=1,10%x=0.1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
d2(mnist0, 80%x=1,20%x=0.1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
d2(mnist0, 70%x=1,30%x=0.1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
d2(mnist0, 60%x=1,40%x=0.1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
d2(mnist0, 50%x=1,50%x=0.1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
d2(mnist0, 40%x=1,60%x=0.1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
d2(mnist0, 30%x=1,70%x=0.1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
d2(mnist0, 20%x=1,80%x=0.1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
d2(mnist0, 10%x=1,90%x=0.1)81-con(3*3)49-30-2-(2*k) ,k∈{0,1}
也就是可能有9种叠加网络
按照表达式
可以很容易的计算9种网络的迭代次数
1 |
0.1 |
0.9 |
0.8 |
0.7 |
0.6 |
0.5 |
0.4 |
0.3 |
0.2 |
0.1 |
|
迭代次数n |
迭代次数n |
0.9-0.1 |
0.8-0.2 |
0.7-0.3 |
0.6-0.4 |
0.5-0.5 |
0.4-0.6 |
0.3-0.7 |
0.2-0.8 |
0.1-0.9 |
|
17.402 |
17.8744 |
17.4492 |
17.4965 |
17.5437 |
17.591 |
17.6382 |
17.6854 |
17.7327 |
17.779899 |
17.827136 |
|
951.211 |
1408.58 |
996.948 |
1042.68 |
1088.42 |
1134.16 |
1179.89 |
1225.63 |
1271.37 |
1317.1045 |
1362.8412 |
|
1144.58 |
1720.52 |
1202.17 |
1259.77 |
1317.36 |
1374.95 |
1432.55 |
1490.14 |
1547.74 |
1605.3296 |
1662.9236 |
|
1313.63 |
1995.11 |
1381.78 |
1449.93 |
1518.08 |
1586.22 |
1654.37 |
1722.52 |
1790.67 |
1858.8151 |
1926.9628 |
|
1505.82 |
2243.83 |
1579.63 |
1653.43 |
1727.23 |
1801.03 |
1874.83 |
1948.63 |
2022.43 |
2096.2322 |
2170.0332 |
|
2362.12 |
3001.55 |
2426.06 |
2490 |
2553.95 |
2617.89 |
2681.83 |
2745.78 |
2809.72 |
2873.6653 |
2937.609 |
|
4129.02 |
4007.53 |
4116.87 |
4104.72 |
4092.57 |
4080.43 |
4068.28 |
4056.13 |
4043.98 |
4031.8302 |
4019.6814 |
|
10353.4 |
5532.67 |
9871.3 |
9389.23 |
8907.16 |
8425.09 |
7943.02 |
7460.95 |
6978.88 |
6496.809 |
6014.7387 |
|
10653.9 |
5683.75 |
10156.9 |
9659.9 |
9162.88 |
8665.86 |
8168.84 |
7671.83 |
7174.81 |
6677.7899 |
6180.7719 |
|
11292.4 |
6131.93 |
10776.4 |
10260.3 |
9744.29 |
9228.24 |
8712.19 |
8196.14 |
7680.09 |
7164.0352 |
6647.9849 |
|
11761.1 |
6106.92 |
11195.7 |
10630.3 |
10064.9 |
9499.43 |
8934.02 |
8368.6 |
7803.18 |
7237.7578 |
6672.3387 |
|
12657.7 |
6014.69 |
11993.4 |
11329.1 |
10664.8 |
10000.5 |
9336.19 |
8671.89 |
8007.59 |
7343.2894 |
6678.9889 |
|
13305.4 |
6455.32 |
12620.4 |
11935.4 |
11250.4 |
10565.4 |
9880.38 |
9195.37 |
8510.36 |
7825.3457 |
7140.3337 |
|
15844.3 |
6724.74 |
14932.3 |
14020.4 |
13108.4 |
12196.5 |
11284.5 |
10372.6 |
9460.61 |
8548.6503 |
7636.6945 |
|
17291.8 |
7055.8 |
16268.2 |
15244.6 |
14221 |
13197.4 |
12173.8 |
11150.2 |
10126.6 |
9102.998 |
8079.401 |
|
20753.6 |
7763.41 |
19454.5 |
18155.5 |
16856.5 |
15557.5 |
14258.5 |
12959.5 |
11660.5 |
10361.442 |
9062.4271 |
|
27708.2 |
8749.05 |
25812.3 |
23916.4 |
22020.5 |
20124.5 |
18228.6 |
16332.7 |
14436.8 |
12540.879 |
10644.965 |
|
29358.9 |
8879.41 |
27310.9 |
25263 |
23215 |
21167.1 |
19119.1 |
17071.2 |
15023.2 |
12975.302 |
10927.357 |
|
30689.9 |
9387.15 |
28559.6 |
26429.3 |
24299.1 |
22168.8 |
20038.5 |
17908.2 |
15778 |
13647.695 |
11517.423 |
|
33437.2 |
9532.65 |
31046.8 |
28656.3 |
26265.8 |
23875.4 |
21484.9 |
19094.5 |
16704 |
14313.563 |
11923.106 |
|
36960.6 |
9957.68 |
34260.3 |
31560 |
28859.8 |
26159.5 |
23459.2 |
20758.9 |
18058.6 |
15358.274 |
12657.979 |
|
40669.9 |
10661.6 |
37669.1 |
34668.3 |
31667.4 |
28666.6 |
25665.7 |
22664.9 |
19664.1 |
16663.235 |
13662.399 |
|
44594 |
11025 |
41237.1 |
37880.2 |
34523.3 |
31166.4 |
27809.5 |
24452.6 |
21095.7 |
17738.841 |
14381.941 |
|
51522.1 |
11653.6 |
47535.3 |
43548.4 |
39561.6 |
35574.7 |
31587.9 |
27601 |
23614.2 |
19627.328 |
15640.48 |
|
67583.5 |
13076.9 |
62132.9 |
56682.2 |
51231.5 |
45780.9 |
40330.2 |
34879.6 |
29428.9 |
23978.242 |
18527.581 |
|
107225 |
15184.6 |
98020.5 |
88816.5 |
79612.5 |
70408.6 |
61204.6 |
52000.6 |
42796.6 |
33592.576 |
24388.582 |
如果我们一次观察其中的一个网络,任何一次观察只能观察到其中一条曲线。
现在假设有很多个AB的组合同时存在,在一次观察的过程中可以出现所有的9种组合,因此观察到的就是9条件曲线,他们同时存在,就像光谱。
实验参数
学习率 0.1 |
权重初始化方式 |
Random rand1 =new Random(); |
int ti1=rand1.nextInt(98)+1; |
int xx=1; |
if(ti1%2==0) |
{ xx=-1;} |
tw[a][b]=xx*((double)ti1/x); |
第一层第二层和卷积核的权重的初始化的x分别为1000,1000,200 |
这几篇文中的计算表明这种假设至少在数学上是有实现的可能的
《神经网络的迭代次数是一个线性的变量吗?》5-5
https://blog.csdn.net/georgesale/article/details/89399047
《神经网络迭代次数的线性累加现象》 4-6
https://blog.csdn.net/georgesale/article/details/89416643
《神经网络迭代次数的数学构成》3-7
https://blog.csdn.net/georgesale/article/details/89432585
《用两个矩阵的点积计算神经网络的迭代次数 2-8》
https://blog.csdn.net/georgesale/article/details/89449382
《用数学方法构造神经网路的迭代次数1-9》
https://blog.csdn.net/georgesale/article/details/89749362
用神经网络迭代次数曲线模拟原子光谱相关推荐
- 神经网络迭代次数与Lambert定律
由Lambert定律 Iv出射光强度,I0入射光强度,dl薄层厚度.强度为Iv的入射光,透过薄层样品后,光强的减弱(-dl)与Iv及薄层的厚度dl成正比.* 由此构造一个迭代次数的表达式 其中n为迭代 ...
- 神经网络迭代次数的数学构成
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 ...
- 神经网络迭代次数的线性累加现象
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A和 ...
- 学习率对神经网络迭代次数和准确率的影响以及近似数学表达式
本文构造了一个带有1个卷积核的网络二分类minst的0和2,通过调整学习率r观察学习率对神经网络的迭代次数和准确率到底有什么影响. 实验用minst数据集将28*28的图片缩小到9*9,网络用一个3* ...
- 用forif循环测量minst0-6的特征迭代次数曲线
制作一个网络输入minst的0-6的前5000张图片,将28*28的图片处理成9*9,网络结构是81*49*30*3让这个网络向1,1,1收敛, 将这个网络简写成 S(Minst 0-6)81-(co ...
- Minst 0-9特征迭代次数曲线表达式
本文尝试收集minst 0-9对不同收敛标准δ的特征迭代次数,并拟合n(δ)曲线. 制作一个有三个输出的网络,输入minst数据集0-9的前200张图片, 将这个网络简写成 S(Minst 0-9)8 ...
- 学习对象对神经网络迭代次数的影响
制作一个81*30*2的神经网络 输入minst数据集的1的图片,让这个网络向1,0收敛, y[0]=1,y[1]=0 收敛标准 while (Math.abs(f2[0] - y[0]) > ...
- 学习率对神经网络迭代次数的影响
调整学习率看看对网络的迭代次数是否有影响 学习率先后实验了5, 1, 0.5, 0.3, 0.2, 0.1, 0.01, 0.005, 0.003,0.001 权重的初始化标准是 Random ran ...
- 权重初始化方式对神经网络迭代次数的影响
做一个网络 输入X范围是[1e-16,37] 权重初始化方式 Random rand1 =new Random(); int ti1=rand1.nextInt(98)+1; tw[a][b]=(do ...
最新文章
- android修改系统设置权限_安卓保护隐私利器!完美解决软件「不给权限就不运行」的小工具...
- 调试笔记--jlink 变量转实时波形小技巧
- WCF 第六章 序列化和编码之DataContractJsonSerializer
- tar:文件打包归档
- der解码规则_DER编码简介
- ArcGIS学习记录—KMZ KML与SHP文件互相转换
- XCTF_Web_新手练习区:cookie
- oracle system用户创建job 其他用户,oracle创建表空间、用户和表以及sys和system的区别...
- sql 替换text字段中的指定字符
- LinkedList源码详解
- 沈航计算机考研上岸,【图片】一战厦大计算机上岸,经验帖。慢更【考研吧】_百度贴吧...
- hung task日志linux,Linux Kernel Crash--hung_task_timeout_secs
- 测试移动信号频率的软件,移动设备的FM测试
- 如何准备蓝桥杯以及刷题
- Jmeter配置元件之HTTP授权管理器与 HTTP缓存管理器-19
- VB 切换到指定的应用程序上
- 米家蓝牙温湿度计2 换用 LIR2032 充电电池的问题
- javascript系列丛书之读后感
- 猫哥教你写爬虫 008--input()函数
- 高性能网络开发框架vpp,让你的技术提高一个level