关于神经网络分类特征平移不变性的实验
用分类映射的方法分类两条直线y=n和y=x*tanθ+n-n* tanθ,两条直线的交点是(n,n)
设r为0到1之间的随机数,两个训练集为
A:[r+n][(r+n)*tanθ+n-n*tanθ]
B:[r+n][n]
训练集有5000个,测试集初始化方式相同,有1000个。
网络结构为
(A,B)—2*2*2—(1,0)(0,1)(有java代码)
让n=0,0.1,0.2---3.75共28个值收敛了28*16*199次,观察网络的分辨准确率和迭代次数是如何随着n的变化而变化的。
迭代次数数据
0 |
0.1 |
0.2 |
0.3 |
0.4 |
0.5 |
0.6 |
0.7 |
0.8 |
0.9 |
1 |
1.1 |
1.2 |
1.3 |
1.4 |
1.5 |
1.6 |
1.7 |
1.8 |
1.9 |
2 |
2.25 |
2.5 |
2.75 |
3 |
3.25 |
3.5 |
3.75 |
|
δ |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
迭代次数 |
0.5 |
162.8894 |
164.5126 |
173.7337 |
198.1256 |
151.4171 |
184.6332 |
197.0603 |
184.8844 |
193.2663 |
175.4673 |
172.1256 |
175.7588 |
191.0553 |
161.809 |
185.3668 |
185.2915 |
186.8392 |
180.6332 |
212.7035 |
158.3216 |
174.5226 |
162.8744 |
164.0101 |
161.9196 |
193.392 |
163.4673 |
216.6683 |
190.3216 |
0.4 |
6704.146 |
6490.226 |
6637.407 |
6727.462 |
6666.809 |
6844.698 |
6890.98 |
6392.296 |
6630.437 |
6781.975 |
6724.075 |
6616.377 |
6766.497 |
7085.342 |
6754.156 |
6720.367 |
6939.161 |
6785.312 |
7147.201 |
6915.965 |
6956.347 |
6895.995 |
7057.633 |
7232.457 |
7232.839 |
7136.367 |
7247 |
7292.357 |
0.3 |
7304.402 |
7001.166 |
7157.362 |
7156.93 |
7105.06 |
7459.372 |
7378.92 |
7158.045 |
7264.367 |
7366.598 |
7364.347 |
7562.859 |
7572.146 |
7742.256 |
7471.291 |
7671.844 |
7575.231 |
7815.322 |
8015.533 |
7648.286 |
8000.166 |
7636.608 |
7947.472 |
8032.357 |
8395.513 |
8250.397 |
7990.447 |
8218.568 |
0.2 |
7750.874 |
7688.97 |
7370.518 |
7612.598 |
7611.251 |
7923.603 |
7961.864 |
7657.07 |
7935.432 |
8124.327 |
8062.548 |
7867.101 |
8206.246 |
8153.925 |
8253.754 |
8416.206 |
8411.191 |
8543.322 |
8621.211 |
8253.462 |
8485.382 |
8432.497 |
8614.719 |
8880.698 |
9131.281 |
8943.894 |
8946.136 |
9060.166 |
0.1 |
8472.106 |
8269.894 |
8233.03 |
8181.714 |
8494.276 |
8572.849 |
8661.09 |
8662.186 |
8944.789 |
8864.166 |
8999.623 |
9102.93 |
9174.759 |
9436.246 |
9369.492 |
9359 |
9500.759 |
9490.005 |
9876.015 |
9440.065 |
10039.34 |
9581.281 |
10087.47 |
10232.95 |
10197.8 |
9932.055 |
9785.603 |
10498.63 |
0.01 |
11047.28 |
10357.41 |
10170.2 |
10556.95 |
10806.76 |
11853.69 |
12115.44 |
12264.74 |
12383.84 |
13008.01 |
13273.24 |
13742.86 |
13567.55 |
14700.41 |
15082.85 |
14469.93 |
15302.01 |
14963.52 |
15488.99 |
15585.62 |
15674.84 |
16024.77 |
17250.85 |
17635.41 |
17885.5 |
18331.95 |
19037.56 |
20527.45 |
0.001 |
15949.57 |
13360.87 |
13337.84 |
14327.5 |
15936.8 |
17060.02 |
18192.05 |
19825.59 |
19596.83 |
20945.23 |
21276.32 |
21661.59 |
21949.58 |
24102.88 |
24715.26 |
23972.36 |
25780.18 |
25750.23 |
25414.93 |
26795.01 |
26204.04 |
28462.87 |
31650.29 |
32803 |
37622.27 |
43100.07 |
47126.66 |
57652.27 |
9.00E-04 |
16385.22 |
13499.85 |
13523.93 |
14469.42 |
16208.01 |
17673.69 |
18811 |
20234.31 |
20429.3 |
21318.24 |
22062.96 |
22064.83 |
22265.53 |
24699.91 |
25443.71 |
24799.55 |
26532.65 |
26398.36 |
26273.75 |
27044.83 |
27157.91 |
29405.29 |
32223.79 |
35087.71 |
38718.29 |
45488.8 |
50564.61 |
62426.83 |
8.00E-04 |
16601.06 |
13576.7 |
13715.1 |
14830.07 |
16641.85 |
18125.7 |
19234.12 |
20670.59 |
21194.7 |
21667.38 |
23042.04 |
23027.08 |
22527.95 |
25541.54 |
25938.52 |
25060.44 |
27449.43 |
26978.64 |
27324.3 |
27376.21 |
27996.3 |
30659.38 |
32953.21 |
37565.75 |
39376.84 |
48518.29 |
53240.52 |
65967.03 |
7.00E-04 |
17169.87 |
13883.84 |
13797.62 |
14899.34 |
17045.29 |
18856.1 |
19680.52 |
22193.4 |
21753.6 |
22407.31 |
23864.82 |
24536.36 |
23337.46 |
26046.39 |
26326.63 |
25560.93 |
27915.89 |
27531.1 |
28906.37 |
28171.08 |
29449.63 |
31405.35 |
35119.82 |
39227.15 |
41040.77 |
51903.32 |
56343.2 |
70393.14 |
6.00E-04 |
17630.13 |
14085.33 |
14188.31 |
15252.83 |
17450.99 |
19841.57 |
20499.53 |
23464.46 |
22198.68 |
23100.08 |
24294.18 |
26045.34 |
24460.28 |
26721.26 |
27214.22 |
26123.77 |
28717.94 |
28185.94 |
30359.12 |
29353.96 |
31017.12 |
33431.16 |
37184.17 |
41485.41 |
44786.97 |
55527.96 |
61752.95 |
75898.69 |
5.00E-04 |
18631.19 |
14388.16 |
14477.67 |
15726.37 |
17931.69 |
21092.81 |
22039.63 |
23668.38 |
23273.93 |
23881.55 |
24841.09 |
26595.17 |
26450.83 |
27433.14 |
28729.05 |
27917.58 |
30113.31 |
29585.7 |
31671.36 |
31237.32 |
32934.65 |
34993.06 |
39004.11 |
42952.99 |
48441.56 |
60128.41 |
67817.84 |
86082.6 |
4.00E-04 |
19211.79 |
15077.17 |
14814.17 |
16235.16 |
18329.16 |
22687.1 |
24020.57 |
24152.28 |
24492.99 |
25529.53 |
26503.18 |
27330.49 |
29037.46 |
28277.25 |
30392.92 |
29703.87 |
31772.11 |
31210.92 |
32733.55 |
33470.89 |
35026.24 |
36856.95 |
42045.15 |
48070.57 |
52605.37 |
68022.45 |
76196.3 |
100852.2 |
3.00E-04 |
20484.61 |
15611.52 |
15433.74 |
17325.13 |
19516.9 |
26777.29 |
24841.73 |
25445.11 |
26230.2 |
30014.73 |
28002.16 |
29787.73 |
30969.93 |
30879.2 |
32052.68 |
32102.71 |
33974.42 |
34156.33 |
34362.58 |
36398.18 |
36508.85 |
40252.59 |
46247.39 |
52562.23 |
59314.3 |
78189.45 |
89947.53 |
125496.4 |
2.00E-04 |
22011.69 |
16338.01 |
16139.57 |
18703.34 |
21618.41 |
41873.07 |
27040.85 |
32110.6 |
29440.69 |
31735.22 |
30168.13 |
30484.64 |
31615.09 |
34439.91 |
35552.24 |
34938.9 |
37857.3 |
37220.8 |
38770.76 |
38741.2 |
41366.44 |
45719.87 |
52403.1 |
61832.09 |
70750.4 |
93253.14 |
110715.5 |
174654.9 |
1.00E-04 |
25422.17 |
17953.08 |
17744.19 |
21308.99 |
29550.53 |
52630.72 |
55579.81 |
61412.06 |
63599.88 |
60190.26 |
37802.84 |
38143.55 |
40581.46 |
38721.73 |
41285.62 |
40976.03 |
43785.39 |
45300.44 |
44978.88 |
47526.23 |
50649.24 |
57475.61 |
67941.38 |
81746.42 |
97458.47 |
137821 |
175270.3 |
283332.6 |
将迭代次数曲线画出来
随着n的增加迭代次数变大。
但在0<n<1区间内明显的有一个精细结构。如果将迭代次数理解成两个分类对象相似性的量度,至少对这个实验来说神经网络的分类特征并没有平移不变性,因为显然随着交点的移动两条线在夹角不变的情况下,迭代次数是变化的。
再观察分类准确率
0 |
0.1 |
0.2 |
0.3 |
0.4 |
0.5 |
0.6 |
0.7 |
0.8 |
0.9 |
1 |
1.1 |
1.2 |
1.3 |
1.4 |
1.5 |
1.6 |
1.7 |
1.8 |
1.9 |
2 |
2.25 |
2.5 |
2.75 |
3 |
3.25 |
3.5 |
3.75 |
|
δ |
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 |
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 |
平均准确率p-ave |
平均准确率p-ave |
0.5 |
0.5 |
0.500168 |
0.501088 |
0.503161 |
0.5 |
0.5 |
0.500045 |
0.500518 |
0.502467 |
0.501231 |
0.500475 |
0.500201 |
0.500515 |
0.500681 |
0.501731 |
0.500116 |
0.50051 |
0.502304 |
0.501513 |
0.5 |
0.5 |
0.500515 |
0.501116 |
0.499452 |
0.5 |
0.501327 |
0.50058 |
0.49998 |
0.4 |
0.957869 |
0.977578 |
0.97105 |
0.90903 |
0.894774 |
0.90857 |
0.875766 |
0.877445 |
0.805384 |
0.762892 |
0.702799 |
0.705457 |
0.680593 |
0.652741 |
0.640955 |
0.644138 |
0.605332 |
0.605302 |
0.589528 |
0.586397 |
0.570553 |
0.578211 |
0.540676 |
0.537329 |
0.517352 |
0.50748 |
0.502638 |
0.500362 |
0.3 |
0.971862 |
0.970947 |
0.929477 |
0.883749 |
0.863563 |
0.882053 |
0.855505 |
0.852641 |
0.779399 |
0.745588 |
0.703852 |
0.701636 |
0.686553 |
0.654799 |
0.653935 |
0.646427 |
0.617766 |
0.613528 |
0.606055 |
0.606093 |
0.589357 |
0.593688 |
0.554809 |
0.558967 |
0.532472 |
0.53649 |
0.514462 |
0.506146 |
0.2 |
0.979193 |
0.95744 |
0.911907 |
0.874852 |
0.850244 |
0.87049 |
0.847236 |
0.838807 |
0.766857 |
0.740912 |
0.695636 |
0.704965 |
0.697485 |
0.659724 |
0.656048 |
0.650952 |
0.623116 |
0.617668 |
0.610575 |
0.609475 |
0.600492 |
0.59854 |
0.563857 |
0.571884 |
0.548038 |
0.559166 |
0.530445 |
0.524211 |
0.1 |
0.982327 |
0.947603 |
0.905553 |
0.875038 |
0.846186 |
0.869992 |
0.845495 |
0.831565 |
0.765972 |
0.748377 |
0.701344 |
0.708613 |
0.700545 |
0.668085 |
0.66305 |
0.650289 |
0.632068 |
0.621859 |
0.62059 |
0.612055 |
0.608332 |
0.60203 |
0.567736 |
0.576804 |
0.555261 |
0.567857 |
0.534442 |
0.536394 |
0.01 |
0.988756 |
0.952832 |
0.91201 |
0.891525 |
0.870299 |
0.879344 |
0.850583 |
0.826445 |
0.751681 |
0.728264 |
0.701734 |
0.706425 |
0.679043 |
0.67695 |
0.667736 |
0.653842 |
0.654736 |
0.629834 |
0.632 |
0.645771 |
0.611487 |
0.607435 |
0.612827 |
0.619899 |
0.570138 |
0.601211 |
0.574626 |
0.597598 |
0.001 |
0.996405 |
0.964633 |
0.932636 |
0.906053 |
0.8835 |
0.899764 |
0.865658 |
0.844407 |
0.745668 |
0.741776 |
0.686271 |
0.663558 |
0.688392 |
0.669399 |
0.673802 |
0.662962 |
0.677317 |
0.657183 |
0.637181 |
0.644671 |
0.612857 |
0.63753 |
0.651198 |
0.627198 |
0.625786 |
0.609553 |
0.630442 |
0.623148 |
9.00E-04 |
0.996824 |
0.964917 |
0.934178 |
0.907068 |
0.885435 |
0.899344 |
0.869289 |
0.844736 |
0.74995 |
0.733319 |
0.677359 |
0.671236 |
0.688397 |
0.670967 |
0.667729 |
0.664513 |
0.67948 |
0.665751 |
0.647467 |
0.643588 |
0.616623 |
0.64355 |
0.653437 |
0.638618 |
0.616397 |
0.632156 |
0.616141 |
0.653997 |
8.00E-04 |
0.997048 |
0.965945 |
0.934329 |
0.907698 |
0.88648 |
0.899357 |
0.866264 |
0.845678 |
0.751236 |
0.726769 |
0.674475 |
0.689661 |
0.674791 |
0.664877 |
0.664764 |
0.65645 |
0.675447 |
0.669296 |
0.659864 |
0.648704 |
0.619827 |
0.65098 |
0.650967 |
0.648367 |
0.583264 |
0.632573 |
0.629704 |
0.657317 |
7.00E-04 |
0.99704 |
0.96648 |
0.934844 |
0.909035 |
0.887626 |
0.899289 |
0.868028 |
0.837136 |
0.75157 |
0.71643 |
0.660467 |
0.704183 |
0.676897 |
0.656266 |
0.665842 |
0.648575 |
0.67041 |
0.664234 |
0.677075 |
0.656013 |
0.634209 |
0.65002 |
0.647812 |
0.650299 |
0.585691 |
0.629558 |
0.636736 |
0.651603 |
6.00E-04 |
0.996932 |
0.967181 |
0.935857 |
0.909925 |
0.888209 |
0.900008 |
0.866352 |
0.797761 |
0.751291 |
0.711008 |
0.642073 |
0.70999 |
0.686857 |
0.642362 |
0.670942 |
0.634975 |
0.672726 |
0.662917 |
0.686161 |
0.661035 |
0.64356 |
0.643028 |
0.648354 |
0.643435 |
0.619736 |
0.642437 |
0.639352 |
0.669822 |
5.00E-04 |
0.996126 |
0.967651 |
0.937043 |
0.911432 |
0.890095 |
0.90355 |
0.853683 |
0.791015 |
0.75393 |
0.716387 |
0.645565 |
0.685917 |
0.711445 |
0.637666 |
0.682631 |
0.65753 |
0.675312 |
0.665153 |
0.681186 |
0.671309 |
0.651648 |
0.637364 |
0.655839 |
0.641198 |
0.628485 |
0.63905 |
0.661015 |
0.676178 |
4.00E-04 |
0.995583 |
0.968357 |
0.938407 |
0.911842 |
0.892201 |
0.906319 |
0.823583 |
0.763857 |
0.755709 |
0.729048 |
0.657246 |
0.674035 |
0.726543 |
0.653108 |
0.700279 |
0.679008 |
0.671118 |
0.662771 |
0.644756 |
0.674078 |
0.633399 |
0.644289 |
0.666319 |
0.655201 |
0.613146 |
0.645874 |
0.673776 |
0.680877 |
3.00E-04 |
0.995128 |
0.968734 |
0.939907 |
0.913837 |
0.894005 |
0.927018 |
0.877756 |
0.713412 |
0.741427 |
0.747173 |
0.66607 |
0.63645 |
0.702221 |
0.671319 |
0.689377 |
0.677945 |
0.666106 |
0.664033 |
0.643045 |
0.658608 |
0.634779 |
0.660864 |
0.660284 |
0.652264 |
0.626405 |
0.658291 |
0.688226 |
0.686947 |
2.00E-04 |
0.995739 |
0.969513 |
0.942269 |
0.918008 |
0.905364 |
0.952254 |
0.849525 |
0.696739 |
0.744857 |
0.726035 |
0.667138 |
0.636917 |
0.696892 |
0.674111 |
0.672764 |
0.673736 |
0.677528 |
0.674673 |
0.67347 |
0.662181 |
0.643133 |
0.65544 |
0.671563 |
0.65405 |
0.628261 |
0.669284 |
0.675073 |
0.690221 |
1.00E-04 |
0.996427 |
0.971389 |
0.944603 |
0.919837 |
0.911176 |
0.964452 |
0.952053 |
0.909025 |
0.764367 |
0.71694 |
0.662932 |
0.654244 |
0.704907 |
0.658744 |
0.699683 |
0.689033 |
0.669729 |
0.686043 |
0.65209 |
0.670425 |
0.64908 |
0.665603 |
0.684518 |
0.667935 |
0.67653 |
0.691078 |
0.694033 |
0.683332 |
分类准确率随着n的增加不断的下降,这个现象也表明了平移对分类是有影响的。
因此这个实验表明神经网络的被分类特征并没有在二维平面内的平移不变性,分类特征对坐标的选择是高度敏感的。标尺的选择对分类效果有非常大的影响。这里所谓的标尺就是一种数值的大小比例,将数值理解成是二维空间的密度,这个结论就等价于表明空间的形状对分类有影响。
关于神经网络分类特征平移不变性的实验相关推荐
- 一个与神经网络分类特征旋转不变性有关的实验
继续用<用神经网络分类两条夹角为θ的直线>的办法分类两条直线. y=x*tanθ和y=x*tan(θ+20) 所不同的是这次让两条直线之间的夹角固定为20,让θ分别等于0,20...340 ...
- 分类预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)多特征分类预测
分类预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)多特征分类预测 目录 分类预测 | MATLAB实现CNN-LSTM(卷积长短期记忆神经网络)多特征分类预测 预测效果 基本介绍 ...
- 模式分类识别 | RBF径向基神经网络多特征分类预测(Matlab完整程序)
模式分类识别 | RBF径向基神经网络多特征分类预测(Matlab完整程序) 目录 模式分类识别 | RBF径向基神经网络多特征分类预测(Matlab完整程序) 预测结果 基本介绍 程序设计 参考资料 ...
- 分类预测 | MATLAB实现CNN卷积神经网络多特征分类预测
分类预测 | MATLAB实现CNN卷积神经网络多特征分类预测 目录 分类预测 | MATLAB实现CNN卷积神经网络多特征分类预测 分类效果 基本介绍 程序设计 参考资料 致谢 分类效果 基本介绍 ...
- 用神经网络分类无理数2**0.5和3**0.5
(2**0.5,3**0.5)-100*10*2-(1,0)(0,1) 用神经网络分类分类2**0.5和3**0.5,2**0.5和3**0.5分别取3万位有效数字.每10位有效数字构成一张图片,共3 ...
- 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 ...
- 可解释性:对神经网络中层特征复杂度的解释与拆分
文 | 任洁,李明杰,刘泽旭 源 | 知乎 大家好,我们是任洁,李明杰和刘泽旭,本研究是在张拳石老师 @Qs.Zhang张拳石 指导下完成的工作. 随着深度神经网络的应用日益广泛,可解释性也逐渐受到更 ...
- 基于Python实现的卷积神经网络分类MNIST数据集
卷积神经网络分类MNIST数据集 目录 人工智能第七次实验报告 1 卷积神经网络分类MNIST数据集 1 一 .问题背景 1 1.1 卷积和卷积核 1 1.2 卷积神经网络简介 2 1.3 卷积神经网 ...
- 可解释性:对神经网络中层特征复杂度的解释与拆分丨ICML 2021
随着深度神经网络的应用日益广泛,可解释性也逐渐受到更多学者的关注. 近日,上海交通大学一年级博士生任洁.上海交大计算机系硕士生李明杰解读了团队发表于 ICML 2021的工作<对神经网络中层不同 ...
最新文章
- npoi导出execl源码,vs2008实现,包括using库
- linux正则表达式BRE
- ITK:创建Image
- C++ qsort() 函数调用时实参与形参不兼容的问题解决
- [COCI2011-2012#7] KAMPANJA
- C核心技术手册(四十五)
- ccc tiledmap
- 如何去掉论坛后缀 “power by discuz!
- Intellij IDEA 2019 最新优化配置
- python编写beta计算器_|python编写计算器
- 【论文解读】(2019-EMNLP)Tackling Long-Tailed Relations and Uncommon Entities in Knowledge Graph Completi
- 【MySQL面试】MyISAM和InnoDB的不同
- 搭建2048网页小游戏
- 台式计算机打字标准手法,怎样才能练好标准的打字方法?电脑键盘打字指法教学...
- word文档图片显示不全,显示一部分,图片在文字下面怎么办?
- 量化金融论文:Astock
- 数据库安全性 --- 控制
- unity怎么让模型动起来?
- 威信一中2021高考成绩查询,教育实习的调查报告
- 【python pypinyin】汉语拼音字典切换方法
热门文章
- 数字录音系统服务器,Internet呼叫中心坐席全程录音系统录音模块
- LNOI2014 LCA
- scrum敏捷开发工具leangoo如何添加成员
- Jquery获取参数(解决参数中文乱码问题)
- C语言学习笔记 (005) - 二维数组作为函数参数传递剖析
- 我的pygraphviz安装之路
- SQL Developer更改日期显示格式
- MySQL 5.5.19 GA 发布 修复多个Bug
- centos yum安装时出现 cannot find a valid baseurl for repo: addons
- 求正负数交互序列的和的MFC版