神经网络迭代次数的简并和不可约谱项
“应当指出属于同一个不可约表示的几组波函数,属于不同的能级.因为这几组波函数虽然具有相同的变换性质。但并没有对称操作能使它们被此之间产生联系,也就没有理由希望它们的能级相同,偶然简并除外这样,
我们就可以把分子的全部波函数按对称性进行系统分类,分子的状态和能级用它所属的不可约表示来标记,通常叫做谱项.这种标记法能反映出状态的对称特征。”*
量子化学（徐光宪）P486
等边三角形有3条对称轴，绕轴旋转180度，360度都可以转成原样，就像没有转一样。所以绕轴旋转的对称操作有6个。同样绕中心旋转可以有120度，240度，360度3种可能的对称操作。因此使等边三角形保持对称共有9种旋转操作，这9种操作分属两类，比例是2：1.如果随机将这个三角形对称操作了100次，其中应该约有67次是绕轴旋转，33次是绕中心旋转。
（mnist0，2）---81*30*2---（0，1）（1，0）
用81*30*2的网络二分类mnist的0和2，将收敛标准设为1e-6,收敛199次，只能得到12个迭代次数
|
迭代次数 |
简并数量 |
占比/199 |
特征pave数量 |
|
27596 |
70 |
0.35175879 |
5 |
|
37592 |
66 |
0.33165829 |
7 |
|
47588 |
26 |
0.13065327 |
5 |
|
34602 |
7 |
0.03517588 |
3 |
|
18466 |
5 |
0.02512563 |
2 |
|
24606 |
5 |
0.02512563 |
2 |
|
28462 |
5 |
0.02512563 |
2 |
|
44598 |
5 |
0.02512563 |
5 |
|
17600 |
4 |
0.0201005 |
2 |
|
57584 |
4 |
0.0201005 |
4 |
|
14610 |
1 |
0.00502513 |
1 |
|
40288 |
1 |
0.00502513 |
1 |
迭代了199次却只有12个迭代次数，这个网络有81*30+30*2=2490个权重，2490个随机值都一样的可能性不大，平均准确率的数量也佐证了这一点，比如迭代次数27596出现了70次占比35%，但是其中有5个不同的分类准确率，表明网络收敛时的权重是不同的。
为什么会出现这种简并行为？
如果将训练集（mnist0，2）理解成是一个几何体，而将训练集*权重这个操作理解成是让训练集在一个多维空间里旋转，旋转了199次，却只有12个不可约特征值，可以猜测这个对象有12种对称操作。有12个能级，特征光谱有12条线。
神经网络迭代次数的简并和不可约谱项相关推荐
- 人工构造迭代次数高度简并的神经网络训练集
(x)---81*30*2---(1,0) 做一个结构是81*30*2的网络,人工构造一个训练集x,并让这个训练集向(1,0)收敛,不分类.让收敛标准为1e-4.使得迭代次数高度简并,有明显的谱线特征 ...
- 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 ...
- 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, ...
- 决定神经网络迭代次数的两个因素
假设1:完全相同的两个对象无法被分成两类,与之对应的分类迭代次数为无穷大. 推论:相等收敛误差下迭代次数越大表明二者差异越小. 如果完全相同的两个对象可以被分成两类,则表明这不是完全相同的两个对象,这 ...
- 用二分类神经网络估算多分类神经网络迭代次数的经验公式
神经网络的迭代次数n和收敛误差δ总能满足关系式 一个多分类网络的参数a至少大于对应二分类网络的参数a的和,参数b的绝对值约等于对应多个二分类网络b的绝对值的最大值 本文再次验证这个关系式,这次用的13 ...
- 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* ...
- 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]) > ...
最新文章
- CF 1093 E. Intersection of Permutations
- 无监督学习之RBM和AutoEncoder
- Redhat5虚拟系统安装VmwareTools
- 与班尼特·胡迪一起找简单规律（HZOJ-2262）
- HttpServletRequestWrapper的使用
- java开发，年薪15W的你和年薪50W的他的差距
- 嵌入式c语言检测键盘,【精华整理】C语言嵌入式系统编程修炼--键盘操作篇
- canal mysql重置_canal: 首先装完阿里的canal，然后数据库同步，仅供学习参考
- boost::ptr_set相关的测试程序
- 常见危险文件列表 以及清除方法
- 局部坐标系和全局坐标系
- hadoop连接远程mysql_Hadoop之Hive本地与远程MySQL数据库管理模式安装手册
- form表单file,select选择后自动提交
- 堆和栈的概念和区别?
- ubuntuv20启动界面美化_Win10 美化软件（简洁篇）
- Word2Vec与文章相似度
- TiCDC系列分享-01-简述产生背景及使用概况
- hbuilderx gitee操作教程
- 虚拟主机做游戏服务器,虚拟主机做游戏服务器
- 中小型企业Web开发框架