Mnist 0的波函数

如果将神经网络训练集看作Fock矩阵，则有可能将二维的矩阵表达成一组波函数的形式。

前面已经有实验证实9*9的图片可以用两个9*9的卷积核去卷积，也就是仅用两个点就可以表达mnist的所有分类信息。也就表明mnist训练集可以表达成一个2*2的对角矩阵的形式。比如mnist 0的第一张图片可以用某个随机的9*9卷积核卷积得到两个点0.31773594623430923和0.7833828799478552，把这两个点写成对角矩阵的形式

解这个波函数的一种方法是把波函数设成类氢的1s轨道

解系数c1

因为分类信息应该是由数值的位置和相对大小关系决定的，与符号没有关系，将0.32代入-0.32，得到c1=0.8。用同样的方法得到c2=1.249。因此得到两个波函数

Minst0的第一张图片等效于Ψ1和Ψ2两个波函数。

这相当于是在计算两个相距无限遥远的以致没有任何物理作用的两个氢原子组成的体系的能量.相对于原子尺寸来说人的脑的尺寸已经足够巨大，可以把这个计算的物理意义解释成人之所以把0画成0的形状是因为，人脑中两个相距遥远的氢原子的波函数在某个瞬间恰好为Ψ1和Ψ2。

Mnist 0的波函数相关推荐

mnist 0与mnist x 相互衰变半衰期汇总
神经网络的衰变假设:被概率密度表达的粒子A和B彼此互为粒子和环境,在相互作用中被彼此微扰产生衰变,衰变产物是B化A和A化B,网络的分类准确率是两个粒子分类准确率的和pave=Σpr. (mnist 0 ...
卷积核一定可以提升网络性能吗？-分类0，2
制作一个网络然后向这个网络上加1-9个卷积核,通过网络的分辨准确率来比较卷积核对网络性能的影响. 网络的结构是 (mnist 0 ,mnist2)81-con(3*3)*n-(49*n)-30-2-( ...
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- ...
卷积核的数量是不是越多越好？-分类0，5
制作一个二分类的网络来分类mnist的0和5,并向网络上加卷积核从1个核到9个核. 网络的结构是 (mnist 0 ,mnist9)81-con(3*3)*n-(49*n)-30-2-(1,0) || ...
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 ...
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 ...
神经网络为什么可以实现分类？---三分类网络0，1，2与弹性振子力学系统
本文制作了一个三分类的网络来分类mnist数据集的0,1,2.并同时制作了一个力学模型,用来模拟这个三分类的过程,并用这个模型解释分类的原理. 上图可以用下列方程描述只要ωx0,ωx1,ωx2,ωx ...
Lesson 11.1-11.5 梯度下降的两个关键问题反向传播的原理走出第一步：动量法开始迭代：batch和epochs在Fashion—MNIST数据集熵实现完整的神经网络
在之前的课程中,我们已经完成了从0建立深层神经网络,并介绍了各类神经网络所使用的损失函数.本节课开始,我们将以分类深层神经网络为例,为大家展示神经网络的学习和训练过程.在介绍PyTorch的基本工具A ...
CAFFE学习笔记（一）Caffe_Example之训练mnist
CAFFE学习笔记(一)Caffe_Example之训练mnist 0.参考文献 [1]caffe官网<Training LeNet on MNIST with Caffe>; [ ...

Mnist 0的波函数

Mnist 0的波函数相关推荐

最新文章

热门文章