二分类卷积核极限数量实验
摘要
通过分类mnist 0和2的实验证明神经网络的卷积核数量是有极大值的，超过极大值网络性能会下降。并且证实就是单核的网路的性能也比无核的网络性能要好。
实验过程
将mnist的图片变成9*9，先后分别用无卷积核网络和有1-12个卷积核的网络进行分类，停止收敛的标准是网络的输出函数与目标函数的差值小于δ，让δ等于1e-4到1e-6的20个值，每个δ统计199次，取平均值
得到数据
|
无核 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
|
|
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
|
|
1.00E-04 |
0.980931 |
0.9719622 |
0.9754188 |
0.9794774 |
0.9825319 |
0.9823871 |
0.9832263 |
0.9827917 |
0.9827617 |
0.9826443 |
0.9815729 |
0.9808411 |
0.9800618 |
|
9.00E-05 |
0.980409 |
0.9742924 |
0.9773045 |
0.9802542 |
0.9827318 |
0.982959 |
0.9828991 |
0.982462 |
0.9825045 |
0.9824645 |
0.9812732 |
0.9808536 |
0.9814555 |
|
8.00E-05 |
0.9805963 |
0.9734782 |
0.9782886 |
0.9811133 |
0.9827942 |
0.9827492 |
0.9822947 |
0.9828292 |
0.9817877 |
0.9818226 |
0.9807362 |
0.9808611 |
0.9805838 |
|
7.00E-05 |
0.9805189 |
0.9748269 |
0.9800194 |
0.9823421 |
0.9838731 |
0.9836184 |
0.9832512 |
0.9832762 |
0.98192 |
0.9825769 |
0.9813156 |
0.9803566 |
0.9805514 |
|
6.00E-05 |
0.9813631 |
0.9759159 |
0.9813256 |
0.9836334 |
0.9836509 |
0.9832887 |
0.983506 |
0.9827442 |
0.9826943 |
0.9818851 |
0.9809834 |
0.9814005 |
0.9821398 |
|
5.00E-05 |
0.9820649 |
0.9770622 |
0.9815554 |
0.9838731 |
0.9846124 |
0.9848622 |
0.9847923 |
0.9844576 |
0.9832487 |
0.9843552 |
0.9829865 |
0.9826793 |
0.9825569 |
|
4.00E-05 |
0.9827467 |
0.9787781 |
0.9825619 |
0.9839031 |
0.985022 |
0.9860685 |
0.9851694 |
0.9853767 |
0.984485 |
0.9842802 |
0.9844476 |
0.9833936 |
0.9833387 |
|
3.00E-05 |
0.9830564 |
0.9790029 |
0.9832737 |
0.9849821 |
0.986573 |
0.9864681 |
0.9861909 |
0.9859162 |
0.9856489 |
0.9854042 |
0.9852493 |
0.9853592 |
0.9847723 |
|
2.00E-05 |
0.983526 |
0.9790903 |
0.9848147 |
0.9860161 |
0.986628 |
0.9873223 |
0.9866704 |
0.9868528 |
0.9864057 |
0.9859361 |
0.9862134 |
0.9860086 |
0.9858188 |
|
1.00E-05 |
0.9821723 |
0.980966 |
0.9863482 |
0.9871974 |
0.988184 |
0.9875646 |
0.9877469 |
0.9880216 |
0.9876145 |
0.9869701 |
0.9874447 |
0.9866205 |
0.9870351 |
|
9.00E-06 |
0.9822897 |
0.9818076 |
0.9861859 |
0.9878218 |
0.9877769 |
0.9882389 |
0.988124 |
0.9884137 |
0.9875496 |
0.9869876 |
0.9871674 |
0.9869976 |
0.9870226 |
|
8.00E-06 |
0.9825819 |
0.9819875 |
0.986096 |
0.9873947 |
0.9883738 |
0.9886085 |
0.9884087 |
0.9877194 |
0.9878243 |
0.9875046 |
0.9879242 |
0.9867878 |
0.9869402 |
|
7.00E-06 |
0.9826743 |
0.9825819 |
0.9865256 |
0.9877794 |
0.9882589 |
0.9884712 |
0.9884937 |
0.9881964 |
0.9873673 |
0.9883038 |
0.9871425 |
0.987165 |
0.9872474 |
|
6.00E-06 |
0.9826368 |
0.9833062 |
0.9868428 |
0.9879966 |
0.9888408 |
0.9884187 |
0.9886235 |
0.9883838 |
0.9880766 |
0.9880366 |
0.9882289 |
0.9874447 |
0.9876195 |
|
5.00E-06 |
0.9826618 |
0.9830265 |
0.9868053 |
0.9883288 |
0.9883363 |
0.988144 |
0.9884462 |
0.9883188 |
0.9880041 |
0.987672 |
0.9875121 |
0.9874197 |
0.9877219 |
|
4.00E-06 |
0.9829016 |
0.9828242 |
0.98713 |
0.9884812 |
0.9894627 |
0.9890406 |
0.9889532 |
0.9882514 |
0.9885436 |
0.9883063 |
0.9882114 |
0.9879542 |
0.987587 |
|
3.00E-06 |
0.9834086 |
0.9839581 |
0.9874047 |
0.9888308 |
0.9893328 |
0.9890931 |
0.9892205 |
0.9887884 |
0.9885636 |
0.9882239 |
0.9882389 |
0.988124 |
0.9879692 |
|
2.00E-06 |
0.9839805 |
0.9847773 |
0.9881865 |
0.9889807 |
0.9895476 |
0.9900621 |
0.9892329 |
0.9895701 |
0.9892429 |
0.9891955 |
0.9887634 |
0.988094 |
0.988159 |
|
1.00E-06 |
0.9850945 |
0.9854841 |
0.9889957 |
0.9897649 |
0.9904767 |
0.9902844 |
0.9903394 |
0.9899123 |
0.9899897 |
0.9900821 |
0.9896076 |
0.9895801 |
0.9893054 |
这个数据很明显，这个网络的卷积核的极大值就是4个，超过4个以后网络的性能就是下降的。
与前面的实验相比改进了卷积核的写法后就是单卷积核的网络的性能也要好于无核的网络。
|
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
|
|
δ |
最大值p-max |
最大值p-max |
最大值p-max |
最大值p-max |
最大值p-max |
最大值p-max |
最大值p-max |
最大值p-max |
最大值p-max |
最大值p-max |
最大值p-max |
最大值p-max |
|
1.00E-04 |
0.9870775 |
0.9900596 |
0.9900596 |
0.9900596 |
0.9895626 |
0.9890656 |
0.9905567 |
0.9900596 |
0.9905567 |
0.9905567 |
0.9905567 |
0.9895626 |
|
9.00E-05 |
0.9885686 |
0.9900596 |
0.9900596 |
0.9900596 |
0.9890656 |
0.9895626 |
0.9900596 |
0.9900596 |
0.9905567 |
0.9900596 |
0.9895626 |
0.9905567 |
|
8.00E-05 |
0.9870775 |
0.9895626 |
0.9895626 |
0.9900596 |
0.9895626 |
0.9900596 |
0.9900596 |
0.9895626 |
0.9905567 |
0.9905567 |
0.9900596 |
0.9905567 |
|
7.00E-05 |
0.9865805 |
0.9920477 |
0.9920477 |
0.9895626 |
0.9905567 |
0.9905567 |
0.9910537 |
0.9905567 |
0.9910537 |
0.9900596 |
0.9905567 |
0.9910537 |
|
6.00E-05 |
0.9875746 |
0.9905567 |
0.9905567 |
0.9905567 |
0.9905567 |
0.9905567 |
0.9910537 |
0.9910537 |
0.9910537 |
0.9905567 |
0.9925447 |
0.9920477 |
|
5.00E-05 |
0.9890656 |
0.9900596 |
0.9900596 |
0.9910537 |
0.9915507 |
0.9905567 |
0.9905567 |
0.9905567 |
0.9915507 |
0.9920477 |
0.9910537 |
0.9915507 |
|
4.00E-05 |
0.9870775 |
0.9910537 |
0.9910537 |
0.9905567 |
0.9915507 |
0.9905567 |
0.9910537 |
0.9910537 |
0.9910537 |
0.9920477 |
0.9900596 |
0.9915507 |
|
3.00E-05 |
0.9890656 |
0.9905567 |
0.9905567 |
0.9920477 |
0.9915507 |
0.9925447 |
0.9920477 |
0.9920477 |
0.9920477 |
0.9915507 |
0.9925447 |
0.9910537 |
|
2.00E-05 |
0.9890656 |
0.9915507 |
0.9915507 |
0.9925447 |
0.9925447 |
0.9930418 |
0.9930418 |
0.9925447 |
0.9925447 |
0.9920477 |
0.9920477 |
0.9925447 |
|
1.00E-05 |
0.9890656 |
0.9925447 |
0.9925447 |
0.9935388 |
0.9935388 |
0.9945328 |
0.9930418 |
0.9930418 |
0.9935388 |
0.9930418 |
0.9930418 |
0.9925447 |
|
9.00E-06 |
0.9905567 |
0.9930418 |
0.9930418 |
0.9945328 |
0.9930418 |
0.9945328 |
0.9935388 |
0.9940358 |
0.9935388 |
0.9935388 |
0.9935388 |
0.9930418 |
|
8.00E-06 |
0.9895626 |
0.9945328 |
0.9945328 |
0.9935388 |
0.9940358 |
0.9945328 |
0.9935388 |
0.9940358 |
0.9935388 |
0.9940358 |
0.9935388 |
0.9935388 |
|
7.00E-06 |
0.9905567 |
0.9930418 |
0.9930418 |
0.9935388 |
0.9935388 |
0.9945328 |
0.9940358 |
0.9930418 |
0.9935388 |
0.9940358 |
0.9925447 |
0.9930418 |
|
6.00E-06 |
0.9895626 |
0.9940358 |
0.9940358 |
0.9945328 |
0.9940358 |
0.9935388 |
0.9940358 |
0.9940358 |
0.9940358 |
0.9950298 |
0.9940358 |
0.9935388 |
|
5.00E-06 |
0.9895626 |
0.9935388 |
0.9935388 |
0.9950298 |
0.9945328 |
0.9940358 |
0.9955268 |
0.9940358 |
0.9940358 |
0.9940358 |
0.9955268 |
0.9940358 |
|
4.00E-06 |
0.9895626 |
0.9935388 |
0.9935388 |
0.9945328 |
0.9945328 |
0.9950298 |
0.9945328 |
0.9950298 |
0.9945328 |
0.9945328 |
0.9940358 |
0.9945328 |
|
3.00E-06 |
0.9905567 |
0.9945328 |
0.9945328 |
0.9940358 |
0.9940358 |
0.9955268 |
0.9945328 |
0.9945328 |
0.9940358 |
0.9945328 |
0.9945328 |
0.9945328 |
|
2.00E-06 |
0.9920477 |
0.9950298 |
0.9950298 |
0.9950298 |
0.9950298 |
0.9960239 |
0.9950298 |
0.9950298 |
0.9955268 |
0.9950298 |
0.9940358 |
0.9945328 |
|
1.00E-06 |
0.9920477 |
0.9945328 |
0.9945328 |
0.9950298 |
0.9950298 |
0.9955268 |
0.9960239 |
0.9945328 |
0.9950298 |
0.9955268 |
0.9960239 |
0.9950298 |
虽然随着核数量的增加网络性能下降但是最大值差异不大，但与无核的网络相比至少要大0.002，这个对比很显著。
|
无核 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
|
|
δ |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
耗时 min/199 |
|
1.00E-04 |
0.2510167 |
1.2715 |
2.8217333 |
5.1089833 |
8.2244 |
11.63025 |
14.325867 |
18.464317 |
19.568783 |
24.883217 |
27.894917 |
30.5407 |
35.482333 |
|
9.00E-05 |
0.2691833 |
1.4081167 |
3.0315333 |
5.4479167 |
8.46165 |
11.841017 |
15.08195 |
18.796167 |
22.856683 |
26.815167 |
28.957083 |
32.827283 |
34.380633 |
|
8.00E-05 |
0.2690667 |
1.5663833 |
3.3068833 |
6.3013667 |
7.6072833 |
9.0804333 |
16.304467 |
20.220283 |
21.989017 |
25.436333 |
30.08465 |
32.092583 |
37.09115 |
|
7.00E-05 |
0.2797 |
1.6771667 |
3.6570833 |
6.3787167 |
10.332117 |
14.287483 |
17.20495 |
19.265317 |
24.540617 |
28.654333 |
31.4023 |
35.701783 |
38.670483 |
|
6.00E-05 |
0.29395 |
1.7820667 |
4.0756833 |
5.4802333 |
11.6074 |
15.76265 |
17.986717 |
21.974783 |
26.9867 |
29.22455 |
33.383133 |
37.477267 |
41.156033 |
|
5.00E-05 |
0.3057167 |
2.1413833 |
4.4190667 |
8.1032667 |
12.5821 |
16.450767 |
19.949167 |
22.1754 |
28.092133 |
32.563083 |
36.113567 |
38.653917 |
44.88355 |
|
4.00E-05 |
0.32555 |
2.39175 |
5.1381667 |
9.29685 |
13.4934 |
15.459617 |
22.3508 |
26.857917 |
31.82875 |
34.540633 |
38.003217 |
43.7331 |
46.465733 |
|
3.00E-05 |
0.3573333 |
2.8671 |
6.21925 |
10.574367 |
13.08 |
19.680767 |
25.4449 |
29.330183 |
34.697517 |
40.599 |
44.00425 |
48.46525 |
52.224633 |
|
2.00E-05 |
0.4487167 |
3.5389 |
7.6344833 |
12.621517 |
18.1334 |
23.220783 |
25.266033 |
33.831767 |
36.608567 |
42.10865 |
46.517267 |
50.2975 |
57.184533 |
|
1.00E-05 |
0.5657 |
5.16495 |
10.4814 |
16.757217 |
23.107117 |
29.435483 |
33.560983 |
39.054233 |
45.175417 |
54.56055 |
57.1836 |
64.459117 |
69.426083 |
|
9.00E-06 |
0.5779 |
5.4613667 |
11.08785 |
14.880367 |
23.517033 |
30.675617 |
38.538583 |
42.5816 |
49.113533 |
53.532183 |
59.51315 |
64.300083 |
69.5925 |
|
8.00E-06 |
0.6237333 |
5.8232 |
11.272 |
18.11145 |
23.764067 |
29.274283 |
35.182233 |
42.7501 |
48.519683 |
55.278533 |
60.619967 |
66.11955 |
73.005083 |
|
7.00E-06 |
0.6701667 |
6.1751 |
12.540717 |
19.626467 |
23.809333 |
33.355817 |
40.047483 |
44.642233 |
52.064817 |
57.1209 |
63.674367 |
68.816567 |
74.744667 |
|
6.00E-06 |
-1.043133 |
6.4720833 |
13.542133 |
20.0948 |
26.614533 |
31.45445 |
38.972967 |
46.176583 |
52.081467 |
60.708967 |
64.057983 |
72.303883 |
76.163333 |
|
5.00E-06 |
0.8278667 |
7.2051167 |
14.259883 |
21.24865 |
28.258033 |
34.109517 |
41.226333 |
48.910033 |
54.673833 |
62.315317 |
66.795883 |
75.911267 |
81.254883 |
|
4.00E-06 |
0.92955 |
7.6314833 |
15.4772 |
22.509267 |
30.298767 |
39.369883 |
46.338433 |
51.8897 |
59.972433 |
66.741217 |
73.211083 |
80.869683 |
85.531033 |
|
3.00E-06 |
1.0805333 |
6.5921667 |
15.777033 |
24.25435 |
33.881 |
41.083117 |
47.96175 |
56.240533 |
63.19005 |
69.45185 |
78.905017 |
85.909833 |
94.3877 |
|
2.00E-06 |
1.4429333 |
9.5656 |
15.067417 |
27.935483 |
30.0696 |
46.009817 |
53.679467 |
62.338233 |
70.84785 |
78.75425 |
86.743033 |
96.4067 |
100.94462 |
|
1.00E-06 |
2.15025 |
11.655817 |
22.0313 |
30.766883 |
43.671067 |
54.981717 |
63.107367 |
72.584117 |
82.2587 |
92.99845 |
100.5198 |
111.2489 |
120.38415 |
由于改变了核的写法，网络收敛的时间几乎就是线性的，12个核的收敛时间是4个核的收敛时间的2.79倍，但是性能只有4个核的99.8%。也就是浪费了2.79倍的时间和算力但是换来的却是性能下降了0.2%。
由此可见增加卷积核虽然不会导致网络性能大幅下降，但是确实可能造成大量的浪费，因此优化下卷积核的数量是很有必要的。
|
无核 |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
9 |
10 |
11 |
12 |
|
|
δ |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
|
1.00E-04 |
3165.7085 |
6594.0653 |
7748.9648 |
9529.9246 |
11176.784 |
12379.889 |
13558.055 |
14096.704 |
15073.402 |
15596.523 |
15981.08 |
16323.141 |
16675.151 |
|
9.00E-05 |
3407.9095 |
7377.2462 |
8445.4271 |
10215.111 |
11433.447 |
12701.347 |
14308.377 |
14948.116 |
15857.749 |
16152.794 |
16621.407 |
16887.362 |
16965.899 |
|
8.00E-05 |
3486.7638 |
8280.9648 |
9263.9347 |
11330.613 |
12633.432 |
13926.367 |
15185.442 |
16021.583 |
16417.08 |
16968.116 |
17287.101 |
17275.548 |
17629.211 |
|
7.00E-05 |
3668.6834 |
8864.809 |
10286.09 |
11740.794 |
13858.935 |
15354.01 |
16078.221 |
16613.035 |
17118.744 |
17903.965 |
18037.789 |
18508.497 |
18403.266 |
|
6.00E-05 |
3962.5628 |
9461.8945 |
11461.08 |
12902.628 |
15540.714 |
17113.663 |
17103.623 |
17932.744 |
18677.93 |
18283.779 |
18910.442 |
19475.588 |
19564.789 |
|
5.00E-05 |
4167.6784 |
11471.121 |
12547.915 |
15065.08 |
16882.035 |
17916.347 |
18959.307 |
19536.06 |
20133.709 |
20395.01 |
20835.99 |
20913.201 |
20887.457 |
|
4.00E-05 |
4515.8291 |
12890.02 |
14653.377 |
17104.111 |
18521.171 |
19657.643 |
20620.779 |
21938.07 |
22008.899 |
22532.583 |
22735.92 |
22696.322 |
22777.518 |
|
3.00E-05 |
5059.8794 |
15370.442 |
17854.764 |
19685.779 |
21551.729 |
22471.181 |
23230.905 |
24183.859 |
24314.332 |
24922.613 |
24905.533 |
25087.668 |
24971.905 |
|
2.00E-05 |
6524.8744 |
19073.583 |
22028.106 |
23803.889 |
25042.492 |
26591.739 |
26606.236 |
26850.07 |
27237.663 |
27379.02 |
27449.276 |
27155.905 |
27362.648 |
|
1.00E-05 |
8527.8995 |
28067.92 |
30412.719 |
31097.427 |
32837.94 |
32943.824 |
33148.839 |
33615.513 |
33142.141 |
33984.995 |
33088.357 |
33560.442 |
33350.975 |
|
9.00E-06 |
8746.4221 |
29789.422 |
32222.844 |
32834.593 |
33713.864 |
34114.477 |
34996.824 |
34830.402 |
35206.653 |
34491.02 |
34649.281 |
34490.653 |
34142.261 |
|
8.00E-06 |
9474.0101 |
31697.523 |
32766.905 |
33801.07 |
34210.688 |
35002.668 |
36016.985 |
35084.824 |
35570.97 |
35643.171 |
35501.302 |
35080.271 |
35375.392 |
|
7.00E-06 |
10301.668 |
33712.196 |
35559.377 |
36198.317 |
36519.879 |
37369.322 |
36858.357 |
37080.543 |
37402.528 |
36598.528 |
36545.251 |
36462.261 |
36376.387 |
|
6.00E-06 |
11850.653 |
35417.709 |
37922.764 |
38082.186 |
38643.935 |
38723.136 |
38242.618 |
38353.578 |
38801.95 |
38738.503 |
38041.749 |
37771.367 |
37248.302 |
|
5.00E-06 |
13068.734 |
39449.126 |
39982.452 |
40338.633 |
41573.965 |
40671.688 |
40908.286 |
41188.02 |
40236.759 |
40241.07 |
39805.392 |
39794.266 |
39332.538 |
|
4.00E-06 |
14670.05 |
41822.709 |
43194.121 |
42763.352 |
41775.06 |
44011.492 |
43305.236 |
43111.573 |
43195.477 |
43185.925 |
42760.296 |
42320.879 |
41888.849 |
|
3.00E-06 |
17112.472 |
46296.513 |
46017.899 |
46075.472 |
45625.131 |
45659.955 |
46976.673 |
46795.719 |
46156.447 |
44958.789 |
46297.935 |
45931.382 |
45347.779 |
|
2.00E-06 |
23285.869 |
52644.849 |
51703.975 |
52201.01 |
52207.563 |
53319.307 |
51039.03 |
51098.784 |
50992.623 |
51048.387 |
50976.905 |
50405.407 |
49902.251 |
|
1.00E-06 |
35222.241 |
64157.402 |
63712.854 |
61751.06 |
62164.94 |
62810.206 |
61508.296 |
60616.573 |
60869.266 |
60364.543 |
59755.307 |
59271.693 |
58164.457 |
随着核的增加迭代次数是缓慢减少的。
二分类卷积核极限数量实验相关推荐
- python 卡方分箱算法_python实现二分类的卡方分箱示例
解决的问题: 1.实现了二分类的卡方分箱: 2.实现了最大分组限定停止条件,和最小阈值限定停止条件: 问题,还不太清楚,后续补充. 1.自由度k,如何来确定,卡方阈值的自由度为 分箱数-1,显著性水平 ...
- python分箱代码_python实现二分类的卡方分箱示例
解决的问题: 1.实现了二分类的卡方分箱: 2.实现了最大分组限定停止条件,和最小阈值限定停止条件: 问题,还不太清楚,后续补充. 1.自由度k,如何来确定,卡方阈值的自由度为 分箱数-1,显著性水平 ...
- 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) || ...
- 带卷积核二分类网络的输出是不是有方向的？
做一个二分类网络分类0,1, 让0向0,1收敛,让1向1,0收敛, 与让0向1,0收敛,让1向0,1收敛 这两种做法是不是一样的?如果不同表明网络的输出是区分方向的. 做一个网络输入minst的0和1 ...
- NNDL 实验五 前馈神经网络（1）二分类任务
目录 前言 一.4.1 神经元 4.1.1 净活性值 [思考题]加权相加与仿射变换之间有什么区别和联系? 4.1.2 激活函数 动手实现<神经网络与深度学习>4.1节中提到的其他激活函数: ...
- 深度学习 实验三 logistic回归预测二分类
文章目录 深度学习 实验三 logistic回归预测二分类 一.问题描述 二.设计简要描述 三.程序清单 深度学习 实验三 logistic回归预测二分类 一.问题描述 学会使用学习到的逻辑回归的 ...
- 新闻上的文本分类：机器学习大乱斗 王岳王院长 王岳王院长 5 个月前 目标 从头开始实践中文短文本分类，记录一下实验流程与遇到的坑 运用多种机器学习（深度学习 + 传统机器学习）方法比较短文本分类处
新闻上的文本分类:机器学习大乱斗 王岳王院长 5 个月前 目标 从头开始实践中文短文本分类,记录一下实验流程与遇到的坑 运用多种机器学习(深度学习 + 传统机器学习)方法比较短文本分类处理过程与结果差 ...
- 二分类任务：确定一个人是否年收入超过5万美元
文章目录 一. 问题描述 二. 设计简要描述 三. 程序清单 四. 结果分析 五. 调试报告 六. 实验总结 一. 问题描述 学会使用学习到的概率生成模型相关的知识,找出各类别最佳的高斯分布,从而达到 ...
- 二分类神经网络的特征光谱---1-2至1-9
制作一个二分类的神经网络来分类mnist的1和2到1和9,网络结构是 (mnist 0 ,mnist x)81-30-2-(1,0) || (0,1) 将28*28的图片压缩到9*9,三层网络的节点数 ...
最新文章
- Tips_发送请求时添加一个随机数参数，让浏览器每次都重新发请求到服务器
- 基于 Zookeeper 的分布式锁实现
- foundation of the academics
- 从Golang调度器的作者视角探究其设计之道！
- sklearn自学指南(part26)--最近邻算法
- Qt连接MySQL数据库
- 8.大数据架构详解：从数据获取到深度学习 --- 机器学习和数据挖掘
- 黑马程序员__用户禁用cookie后登录不成功的原因
- 关于VS编译的程序内存分配只能用1.5~2G上限的优化方案
- css中1cm等于多少px,px和rem换算(1rem等于多少px)
- 宇视项目VM相关笔记
- 二维码墓碑的技术探讨
- mPEG-Pyrene，甲氧基聚乙二醇芘丁酸
- 英语听力计算机教室,每日英语听力电脑版|每日英语听力 v9.2.0 PC客户端
- 数值分析龙贝格matlab,MATLAB数值分析实验二(复合梯形、辛普森和龙贝格求积,以及二重积分计算等)...
- linux nmblookup 获取不到数据,接口中可以查到数据，为什么却获取不到呢？
- 【六月英语——空空的】
- REDSHIFT学习笔记-渲染设置3_GIPhotonSSS
- node-opcua的使用 --- [1] 简单server
- PS怎么快速把多个图层形状以中心点缩放