由隐藏层节点数引起的网络准确率的不规则变化02
(0,2)-81*n*2-(1,0)(0,1)
做一个分类mnist 0,2的二分类三层网络,隐藏层节点数由3-1000共实验了59组值。固定收敛标准δ=1e-6,每组值迭代1999次,统计平均分类准确率pave和迭代次数的分布。
统计得到的表格
隐藏层节点数 |
迭代次数的均值 |
平均分类准确率 |
δ |
耗时ms/次 |
峰值占比% |
不同峰值数量 |
1/n^2 |
3 |
178616.4877 |
0.986592451 |
1.00E-06 |
796.08804 |
6.8 |
683 |
0.111111 |
5 |
117136.8594 |
0.98855914 |
1.00E-06 |
621.7969 |
2.8 |
674 |
0.04 |
10 |
80329.23862 |
0.988490518 |
1.00E-06 |
583.22361 |
18.4 |
162 |
0.01 |
20 |
56105.15958 |
0.987261772 |
1.00E-06 |
732.94347 |
46.5 |
40 |
0.0025 |
30 |
34663.66183 |
0.985049185 |
1.00E-06 |
606.98649 |
36.7 |
23 |
0.001111 |
40 |
18375.36068 |
0.983432571 |
1.00E-06 |
453.7964 |
37.9 |
13 |
0.000625 |
50 |
12000.17909 |
0.982436049 |
1.00E-06 |
382.18659 |
34.1 |
13 |
0.0004 |
60 |
8716.448224 |
0.982761759 |
1.00E-06 |
335.53677 |
62.5 |
8 |
0.000278 |
70 |
7765.041521 |
0.981953203 |
1.00E-06 |
357.97199 |
82.3 |
6 |
0.000204 |
80 |
7575.328664 |
0.981890548 |
1.00E-06 |
389.42671 |
80.5 |
7 |
0.000156 |
90 |
6987.775888 |
0.982819939 |
1.00E-06 |
417.70035 |
47 |
7 |
0.000123 |
100 |
5530.548274 |
0.98257404 |
1.00E-06 |
423.09355 |
55.3 |
9 |
0.0001 |
110 |
4701.468734 |
0.981943755 |
1.00E-06 |
384.8024 |
54.5 |
9 |
8.26E-05 |
120 |
4529.92096 |
0.981862701 |
1.00E-06 |
392.42271 |
91.8 |
5 |
6.94E-05 |
130 |
4516.147074 |
0.981792089 |
1.00E-06 |
511.30415 |
99.8 |
2 |
5.92E-05 |
150 |
4476.825413 |
0.9805621 |
1.00E-06 |
574.1906 |
95.3 |
4 |
4.44E-05 |
170 |
3694.712356 |
0.954447154 |
1.00E-06 |
565.87844 |
97.3 |
3 |
3.46E-05 |
190 |
3592.71936 |
0.95640887 |
1.00E-06 |
603.2051 |
78.9 |
4 |
2.77E-05 |
210 |
3288.171586 |
0.976363927 |
1.00E-06 |
629.10155 |
98.7 |
4 |
2.27E-05 |
230 |
3272.45923 |
0.975947964 |
1.00E-06 |
631.7939 |
90.6 |
4 |
1.89E-05 |
250 |
3138.144072 |
0.978781637 |
1.00E-06 |
712.0065 |
56.8 |
5 |
0.000016 |
270 |
2888.591296 |
0.973652084 |
1.00E-06 |
773.10255 |
51.4 |
6 |
1.37E-05 |
290 |
2357.346673 |
0.935567436 |
1.00E-06 |
696.62481 |
97.7 |
4 |
1.19E-05 |
310 |
1856.995498 |
0.929918737 |
1.00E-06 |
612.47474 |
62.5 |
2 |
1.04E-05 |
330 |
1556.47924 |
0.92568501 |
1.00E-06 |
606.68534 |
99.4 |
2 |
9.18E-06 |
350 |
1552 |
0.921664858 |
1.00E-06 |
664.22911 |
100 |
1 |
8.16E-06 |
370 |
1552 |
0.918690707 |
1.00E-06 |
772.15358 |
100 |
1 |
7.3E-06 |
390 |
1552 |
0.916166582 |
1.00E-06 |
720.62431 |
100 |
1 |
6.57E-06 |
410 |
1552 |
0.914367472 |
1.00E-06 |
843.29965 |
100 |
1 |
5.95E-06 |
430 |
1551.701351 |
0.912146928 |
1.00E-06 |
793.67234 |
99.8 |
2 |
5.41E-06 |
450 |
1522.433717 |
0.880051358 |
1.00E-06 |
859.56378 |
85.1 |
2 |
4.94E-06 |
470 |
1402.874437 |
0.754977141 |
1.00E-06 |
764.50125 |
74.9 |
2 |
4.53E-06 |
490 |
1347.812906 |
0.722088927 |
1.00E-06 |
886.8004 |
89.8 |
5 |
4.16E-06 |
510 |
1146.158579 |
0.857728317 |
1.00E-06 |
892.62881 |
50.6 |
5 |
3.84E-06 |
530 |
977.2226113 |
0.826342346 |
1.00E-06 |
643.85993 |
97.8 |
3 |
3.56E-06 |
550 |
970 |
0.82386397 |
1.00E-06 |
680.67684 |
100 |
1 |
3.31E-06 |
570 |
970 |
0.822728213 |
1.00E-06 |
702.85343 |
100 |
1 |
3.08E-06 |
590 |
970 |
0.822263766 |
1.00E-06 |
722.5923 |
100 |
1 |
2.87E-06 |
610 |
970 |
0.822133731 |
1.00E-06 |
736.7959 |
100 |
1 |
2.69E-06 |
630 |
970 |
0.822198624 |
1.00E-06 |
735.29915 |
100 |
1 |
2.52E-06 |
650 |
970 |
0.822440544 |
1.00E-06 |
798.82191 |
100 |
1 |
2.37E-06 |
670 |
970 |
0.82361832 |
1.00E-06 |
850.35468 |
100 |
1 |
2.23E-06 |
690 |
970 |
0.824684708 |
1.00E-06 |
854.21961 |
100 |
1 |
2.1E-06 |
710 |
969.873937 |
0.826557165 |
1.00E-06 |
894.21061 |
99.8 |
2 |
1.98E-06 |
730 |
968.3561781 |
0.830087758 |
1.00E-06 |
912.29165 |
98.1 |
3 |
1.88E-06 |
750 |
946.4872436 |
0.851308358 |
1.00E-06 |
929.28664 |
82.9 |
4 |
1.78E-06 |
770 |
809.911956 |
0.929636538 |
1.00E-06 |
851.93297 |
51.7 |
7 |
1.69E-06 |
790 |
716.0025013 |
0.963690593 |
1.00E-06 |
853.78639 |
88.2 |
7 |
1.6E-06 |
810 |
690.8169085 |
0.965884533 |
1.00E-06 |
890.66033 |
82.7 |
5 |
1.52E-06 |
830 |
679.128064 |
0.95942877 |
1.00E-06 |
874.05003 |
75.3 |
5 |
1.45E-06 |
850 |
615.8854427 |
0.869436458 |
1.00E-06 |
898.92997 |
64.6 |
7 |
1.38E-06 |
870 |
525.803902 |
0.763393128 |
1.00E-06 |
798.73787 |
36.9 |
6 |
1.32E-06 |
890 |
331.6188094 |
0.556186393 |
1.00E-06 |
789.82491 |
80.1 |
8 |
1.26E-06 |
910 |
267.3936968 |
0.490041243 |
1.00E-06 |
709.89045 |
99 |
6 |
1.21E-06 |
930 |
264.8129065 |
0.494703117 |
1.00E-06 |
766.3942 |
98.3 |
2 |
1.16E-06 |
950 |
264.1690845 |
0.520551031 |
1.00E-06 |
743.35218 |
92.4 |
2 |
1.11E-06 |
970 |
263.4097049 |
0.550442219 |
1.00E-06 |
760.8024 |
85.5 |
2 |
1.06E-06 |
990 |
261.1205603 |
0.639628711 |
1.00E-06 |
820.14357 |
64.7 |
2 |
1.02E-06 |
1000 |
257.9674837 |
0.762096754 |
1.00E-06 |
814.48074 |
63.9 |
2 |
0.000001 |
Pave
这次实验n=5时pave取得最大pave=0.988559140405195,观察图片pave随n的增加至少有比较明显的两个谷和一个峰,表现了非常不规则的变化,也就是在固定δ的情况下说n越大网络性能越强或者说n越小网络分辨性能越强都是不准确的。
峰值占比
这条曲线一个比较有价值的分割点是n=60,当n>60以后最大峰值占比就几乎都是大于40%,
而峰值占比小于20%的只有3组数据分别是n=3,5,10而这三组数据的平均分辨准确率也是所有59组数据中排名位于3,1,2的前三组数据。这个现象也证实了峰值占比和分辨准确率之间的强烈的正相关关系。
不同峰值数量
这组数据变化幅度非常大暗示和1/n^2之一强烈的关系。不同峰值数量大于100的只有3,5,10这3组数据。
这个现象提供了无需测试集找到网络最优结构的迭代思路:
在固定收敛标准下,在相同的迭代次数内,如果A网络的不同峰值数量>B网络的不同峰值数量,则A网络性能优于B网络。
由隐藏层节点数引起的网络准确率的不规则变化02相关推荐
- 平均分辨准确率对网络隐藏层节点数的非线性变化关系03
(0,3)-81*n*2-(1,0)(0,1) 制作一个二分类的网络分类mnist的0和3,收敛标准1e-6,收敛次数是1999次,隐藏层节点数从3到1000共实验了79组值.统计每次收敛的迭代次数, ...
- 深度学习DL调参隐藏层节点数对网络性能的影响
这次用于实验隐藏层节点数对网络性能的影响,训练集用的是mnist的训练集的0和1,测试集用的mnist的测试集的0和1,学习率固定位0.1,batchsize=20,训练集不加噪音.得到的数据 网络结 ...
- 隐藏层节点数对迭代次数分布规律的影响
制作一个二分类网络 (mnist 0 ,2)-81*n*2-(1,0)(0,1) 让n分别等于3,5,10,20,30,40,50,60,70,80,90,100,100,110,120,130, 让 ...
- 神经网络隐藏层节点数效率最优值
本文通过调节神经网络隐藏层节点数观察隐藏层节点数对神经网络性能的影响,并通过实验找到隐藏层节点数的收敛效率最优值. 首先构造一个二分类网络区分minst数据集的0和2,实验将28*28的图片缩小到9* ...
- 计算神经网络隐藏层节点数极小值
神经网络的隐藏层的节点数越少网络的速度越快,那么神经网络的隐藏层的节点数是否有一个可以保证性能的极小值,本文用mnist数据集做了实验. 首先制作一个784*n*2的神经网络,用于测试0-9中的任意两 ...
- BP神经网络隐藏层单元数的选择--(1)
1. 参考文献1-08年,沈花玉等 1.1 简述 隐含层单元的数目与问题的要求.输入.输出单元的数目都有直接关系,数目太少,所获取的信息太少,出现欠拟合.数目太多,增加训练时间,容易出现过拟合,泛化能 ...
- BP神经网络隐含层节点数的确定
BP神经网络隐含层节点数的确定 (1)构造法 首先运用三种确定隐含层层数的方法得到三个隐含层层数,找到最小值和最大值,然后从最小值开始逐个验证模型预测误差,直到达到最大值.最后选取模型误差最小的那个隐 ...
- 神经网络隐藏层节点个数
根据经验公式,逐步试验法确定隐层节点数.,逐步试验得到隐层节点数就是先设置一个初始值,然后在这个值的基础上逐渐增加,比较每次网络的预测性能,选择性能最好的对应的节点数作为隐含层神经元节点数. 在确定隐 ...
- java 二叉树第n层节点数及层序遍历
层序遍历简化代码 import java.util.LinkedList;public class TreeBi {TreeBi leftTree;TreeBi rightTree;int data; ...
最新文章
- 文档怎么添加云服务器,如何添加云服务器地址
- 在哪里定义_创意设计学院举办设计从哪里来,到哪里去”专题讲座
- python 创建文件_Python入学首次项目,新手必看,简单易操作
- OK6410开发板学习之外部中断(按键点亮led和蜂鸣器)
- iPhone 12的尺寸有变化:可能比新款iPhone SE还小
- 27.白纸黑点与黑纸白点
- mysql的四个默认数据库是什么版本,MySQL5.7数据库字符集和排序规则有四个级别的默认设置:服务器,数据库,表和列。...
- 我坚决不能容忍_出轨坚决不能忍,3星座女对出轨0容忍,敢出轨就等着吧
- Tomcat,servlet以及netty之间的简单区别
- 如何给pdf添加目录
- 康托尔是怎样发现超限数的?
- 模拟模型学习----几何布朗运动模拟 与 基于扩散模拟
- 神经网络之 CNN 与 RNN 再梳理
- 如何统计Android的代码行数
- python小玩意——创建文件夹
- 高程计算机编程序,卡西欧CASIO系列编程计算器在公路测量中的应用.doc
- excess elements in scalar initializer
- python设计程序输出一个带文本框和图像的窗体_设计一个文本框 用户在文本框中输入什么 窗体标题就同步显示什么 怎么设计啊...
- 对称振子天线matlab程序,基于MATLAB研究对称振子天线的报告
- echarts vue 酷炫图_「干货」用 Vue + Echarts 打造你的专属可视化界面(上)