( A, B )---2*30*2---( 1, 0 )( 0, 1 )

用网络分类A和B，让A是（0，0）（1，1），让B是（1，0）（1，1）。测试集均为（0，0）（0，1）（1，0）（1，1）.记为网络0323.

A

0

0

 B

1

0

1

1

1

1

0

0

50%

50%

0

50%

0

1

50%

50%

0

50%

1

0

50%

50%

100%

50%

1

1

50%

50%

100%

50%

比较两列相似性， （0，0）（0，1）与A的两列相似性都是50%，50%。而与B的两列相似性为0，50%。据此判断（0，0）（0，1）与A更为接近。同样（1，0）（1，1）与A的两列相似性为50%，50%而与B的两列相似性为100%，50%，因而（1，0）（1，1）应被分为B。

实验验证是否如此，得到表格

0

0

1

0

1b

0

1

1

1

1

k

k

0323

30

200

f2[0]

f2[1]

迭代次数n

平均准确率p-ave

1-0

0-1

δ

耗时ms/次

耗时ms/199次

耗时 min/199

0.5019

0.4975

15.2563

0.5

0.60427

0.39573

0.5

1.678392

337

0.005617

0.60254

0.3973

1032.32

0.5

0.82915

0.17085

0.4

9.5527638

1901

0.031683

0.70278

0.29722

1323.87

0.5

0.5

0.5

0.3

11.19598

2230

0.037167

0.80209

0.19798

1621.6

0.5

0.5

0.5

0.2

13.592965

2713

0.045217

0.90084

0.09913

2213.42

0.5

0.5

0.5

0.1

21.693467

4319

0.071983

0.99005

0.00995

7464.56

0.5

0.59296

0.40704

0.01

86.155779

17147

0.285783

0.98396

0.01604

45216.2

0.5

0.74623

0.25377

0.001

523.64322

104206

1.736767

0.99409

0.00591

50207.6

0.5

0.74874

0.25126

9.00E-04

417.44221

83073

1.38455

0.98415

0.01585

55872.3

0.5

0.74623

0.25377

8.00E-04

475.22111

94573

1.576217

0.97923

0.02077

62169.8

0.5

0.74497

0.25503

7.00E-04

486.32663

96780

1.613

0.96929

0.03071

71936.5

0.5

0.74246

0.25754

6.00E-04

682.67839

135853

2.264217

0.96938

0.03062

84370.5

0.5

0.74246

0.25754

5.00E-04

672.8794

133903

2.231717

0.93935

0.06065

103430

0.5

0.73492

0.26508

4.00E-04

690.85427

137480

2.291333

0.89424

0.10576

135549

0.5

0.72362

0.27638

3.00E-04

901.55779

179425

2.990417

0.86418

0.13582

195461

0.5

0.71608

0.28392

2.00E-04

1589.7688

316364

5.272733

0.69343

0.30657

372835

0.5

0.67337

0.32663

1.00E-04

3523.1809

701113

11.68522

0.68841

0.31159

409775

0.5

0.67211

0.32789

9.00E-05

3061.809

609301

10.15502

0.64319

0.35681

461388

0.5

0.6608

0.3392

8.00E-05

3055.7437

608093

10.13488

0.63817

0.36183

520512

0.5

0.65955

0.34045

7.00E-05

3445.4623

685647

11.42745

0.55778

0.44222

603678

0.5

0.63945

0.36055

6.00E-05

3988.9799

793807

13.23012

0.57788

0.42212

715163

0.5

0.64447

0.35553

5.00E-05

4725.7588

940426

15.67377

0.48241

0.51759

888578

0.5

0.6206

0.3794

4.00E-05

6663.2915

1325995

22.09992

0.35679

0.64321

1161299

0.5

0.5892

0.4108

3.00E-05

8755.2764

1742300

29.03833

0.31157

0.68843

1705598

0.5

0.57789

0.42211

2.00E-05

11343.045

2257266

37.6211

0.23116

0.76884

3305165

0.5

0.55779

0.44221

1.00E-05

22443.578

4466272

74.43787

0.24624

0.75376

3633986

0.5

0.56156

0.43844

9.00E-06

26965.653

5366168

89.43613

0.22111

0.77889

4069937

0.5

0.55528

0.44472

8.00E-06

30685.492

6106414

101.7736

观察1-0位和0-1位的分类准确率

尽管并未最终达到50%，50%但这确实是收敛的方向。具体统计当收敛误差为8e-6时的分类情况

（0，0）

199

（1，1）

44

155

0.28387

199

A

155

B

A

44

B

0

0

0

0

0

0

0

0

0

0

0

0

1

0

1

1

0

1

1

0

1

1

0

1

2

1

0

2

1

0

2

1

0

2

1

0

3

1

1

3

1

1

3

1

1

3

1

1

有155次01被分为A，23被分为B，44次013被分为A，2被分为B。0都被分为A，（1，1）有44次被分为A，155次被分为B，有78%的（1，1）被分为B。

统计当收敛误差为4e-5时网络的分类情况

(0,0)

199

(1,1)

96

103

0.93204

199

A

103

B

A

96

B

0

0

0

0

0

0

0

0

0

0

0

0

1

0

1

1

0

1

1

0

1

1

0

1

2

1

0

2

1

0

2

1

0

2

1

0

3

1

1

3

1

1

3

1

1

3

1

1

有103次01被分为A，23被分为B，96次013被分为A，2被分为B。（1，1）几乎被对半分

再次统计当收敛误差为5e-4时的分类情况

(0,0)

199

(1,1)

193

6

32.1667

199

A

6

B

A

193

B

0

0

0

0

0

0

0

0

0

0

0

0

1

0

1

1

0

1

1

0

1

1

0

1

2

1

0

2

1

0

2

1

0

2

1

0

3

1

1

3

1

1

3

1

1

3

1

1

有6次01被分为A，23被分为B，193次013被分为A，2被分为B。（1，1）几乎都被分为A

所以由分类准确率的变化可以猜测网络0323在收敛误差小于9e-4的时候认为（1，1）应该是被分为A的，但是当收敛到9e-4的时候，产生了怀疑，并最终认为（1，1）更应该被分为B。并且这种观念占据了主导，使得（1，1）被分为B的占比不断的提高。并最终使得分类准确率接近0.5，0.5。但这个过程非常缓慢，表明两种观念一直在不断的交锋，网络一直在挣扎。

现在让A和B调换顺序，观察网络2303的分类过程

1

0

0

0

1

0

1

1

1

1

k

k

2303

30

200

f2[0]

f2[1]

迭代次数n

平均准确率p-ave

1-0

0-1

δ

耗时ms/次

耗时ms/199次

耗时 min/199

0.501228

0.50048

14.206

0.5

0.55025

0.44975

0.5

1.25628

250

0.00417

0.397344

0.60233

1046.24

0.5

0.5

0.5

0.4

8.03518

1599

0.02665

0.297413

0.70296

1317.6

0.5

0.5

0.5

0.3

9.49246

1889

0.03148

0.198032

0.80197

1613.86

0.5

0.5

0.5

0.2

11.4573

2280

0.038

0.099153

0.90074

2210.3

0.5

0.5

0.5

0.1

15.7688

3138

0.0523

0.009951

0.99004

7440.99

0.5

0.5

0.5

0.01

50.8492

10119

0.16865

9.95E-04

0.999

45645.6

0.5

0.5

0.5

0.001

304.884

60672

1.0112

0.015944

0.98406

49974.7

0.5

0.5

0.5

9.00E-04

330.925

65854

1.09757

7.96E-04

0.9992

55332.2

0.5

0.5

0.5

8.00E-04

365.332

72701

1.21168

0.005714

0.99429

62510.5

0.5

0.5

0.5

7.00E-04

414.709

82527

1.37545

0.010635

0.98936

71881.4

0.5

0.5

0.5

6.00E-04

480.246

95569

1.59282

0.035639

0.96436

84247.8

0.5

0.5

0.5

5.00E-04

554.266

110299

1.83832

0.060651

0.93935

103318

0.5

0.5

0.5

4.00E-04

680.648

135449

2.25748

0.090697

0.9093

134168

0.5

0.5

0.5

3.00E-04

911.065

181302

3.0217

0.145869

0.85413

196150

0.5

0.5

0.5

2.00E-04

1288.62

256436

4.27393

0.321644

0.67836

372731

0.5

0.5

0.5

1.00E-04

2442.13

485984

8.09973

0.316616

0.68338

414450

0.5

0.5

0.5

9.00E-05

2712.61

539810

8.99683

0.457293

0.54271

462558

0.5

0.5

0.5

8.00E-05

3028.06

602583

10.0431

0.402024

0.59798

524995

0.5

0.5

0.5

7.00E-05

3529.6

702391

11.7065

0.497488

0.50251

604700

0.5

0.5

0.5

6.00E-05

4499.12

895326

14.9221

A

199

B

0

0

0

0

0

0

1

0

1

1

0

1

2

1

0

2

1

0

3

1

1

3

1

1

网络2303很快就达到了峰值性能，统计当收敛误差为6e-5的时的分类情况，199次23被分为A，01被分为B。2303仅用1046次迭代就达到了峰值，而0323用了4069937次迭代才接近达到.用了3890倍的迭代。而对于相同的收敛误差两个网络迭代次数是相同的

δ

0.5

0.4

0.3

0.2

0.1

0.01

0.001

9.00E-04

8.00E-04

7.00E-04

6.00E-04

5.00E-04

4.00E-04

3.00E-04

2.00E-04

1.00E-04

9.00E-05

8.00E-05

7.00E-05

6.00E-05

0323

迭代次数n

15.256

1032.3

1323.9

1621.603

2213.4

7464.6

45216

50207.56

55872.31

62169.84

71936.55

84370.46

103430

135549

195460.8

372835.2

409774.9

461388

520512.5

603678.1

2303

迭代次数n

14.206

1046.2

1317.6

1613.859

2210.3

7441

45646

49974.73

55332.19

62510.52

71881.37

84247.81

103317.8

134168.3

196150

372731.1

414450

462557.6

524994.6

604700.3

网络0323和网络2303的峰值分类结果是相同的，迭代次数也相同。但显然网络0323的分类过程要漫长的多，所以进样顺序对网络的收敛过程有巨大的影响，一个合适的进样顺序在保证网络性能的前提下可以极大的加快网络收敛。

网络0323和网络2303分类过程的比较相关推荐

  1. 反欺诈技术揭秘-设备指纹VS关系网络模型 此博文包含图片 (2017-05-12 10:23:52)转载▼ 标签： 设备指纹 关系网络 反欺诈 神经网络模型 分类： 风控 文章来源：网络（经整合梳理

    反欺诈技术揭秘-设备指纹VS关系网络模型 (2017-05-12 10:23:52) 转载▼ 标签: 设备指纹 关系网络 反欺诈 神经网络模型 分类: 风控 文章来源:网络(经整合梳理,仅供交流学习使 ...

  2. SIGIR 2021 | 基于不确定性正则化与迭代网络剪枝的终身情感分类方法

    导读 终身学习能力对于情感分类器处理网络上连续的意见信息流而言至关重要.然而,执行终身学习对于深度神经网络来说是困难的,因为持续地训练可用信息会不可避免地会导致灾难性遗忘.发表在信息检索领域顶会 SI ...

  3. 网络存储空间_网络存储服务器的三大分类，你都清楚吗？

    信息化是企业可持续发展的核心动力之一.可靠的信息存储是企业正常运行和发展的基础.因此,数据的存储和备份已成为保证数据安全的重要措施.在上一篇文章中,我们分析了什么是网络存储服务器,这次我们来看看网络存 ...

  4. lte盲重定向_TD-LTE网络基于PS业务的重定向过程研究

    凌启东 冉东辉 许雨亭 摘要:当前移动通信网络中多种网络共存,不同通信网络间的互操作过程对于提升网络质量有着重要的意义.重定向是现阶段基于PS业务的互操作使用的主要手段,分析了重定向算法,研究了重定向 ...

  5. 使用ResNet18网络实现对Cifar-100数据集分类

    使用ResNet18网络实现对Cifar-100数据集分类 简介 本次作业旨在利用ResNet18实现对于Cifar-100数据集进行图像识别按照精细类进行分类. Cifar-100数据集由20个粗类 ...

  6. python遥感影像地物分类_基于轻量化语义分割网络的遥感图像地物分类方法与流程...

    本发明属于图像处理 技术领域: ,特别涉及一种地物分类方法,可用于土地利用分析.环境保护以及城市规划. 背景技术: :遥感图像地物分类,旨在取代繁琐的人工作业,利用地物分类方法,得到输入遥感图像的地物 ...

  7. Algorithm之PGM之BNet：贝叶斯网络BNet的相关论文、过程原理、关键步骤等相关配图

    Algorithm之PGM之BNet:贝叶斯网络BNet的相关论文.过程原理.关键步骤等相关配图 目录 BNet的相关论文 BNet的过程原理 BNet的关键步骤 BNet的相关论文 更新-- BNe ...

  8. Linux网络协议栈：网络包接收过程

    目录 一 Linux网络收包总览 二 Linux启动 2.1 创建ksoftirqd内核线程 2.2 网络子系统初始化 2.3 协议栈注册 2.4 网卡驱动初始化 2.5 启动网卡 三 迎接数据的到来 ...

  9. 叙述计算机网络的分类与拓扑结构,计算机的网络中有线网络和无线网络最主要的区别是()。...

    相关题目与解析 把计算机网络分为有线网和无线网的分类依据是().A．网络的地理位置B．网络的传输介质C．网络的拓扑结 按使用的传输介质计算机网络可以分为有线网络和无线网络.() 从计算机网络的构成来看 ...

  10. ConerNet角点网络中的角点分类损失的理解

    ConerNet角点网络中的角点分类损失的理解 1.交叉熵损失 2.Focal Loss α--平衡交叉熵 (1−y)γ(1-y)^{\gamma}(1−y)γ简单与困难样本 3.CornerNet的 ...

最新文章

  1. 20155307 2016-2017-2 《Java程序设计》第10周学习总结
  2. pandas loc iloc用法
  3. ActionScript 3.0 Step By Step系列(五)：走在面向对象开发的路上,以类为基础去思考编程问题...
  4. 子frame获取外部元素
  5. mvc HtmlHelper
  6. Python 基础语法(一)
  7. socket编程中的异常处理
  8. CString .Format
  9. php 公钥格式转换,如何把OpenSSH公钥转换成OpenSSL格式
  10. [react] React中你有使用过propType吗？它有什么作用？
  11. jmeter模拟http请求/发送gzip数据
  12. Istio 网关之南北向流量管理
  13. 神作！3万程序员在学，这本深度学习宝典刷爆IT圈！
  14. 【uiautomator】运行命令
  15. mysql数据库105页_MySQL数据库的常见操作
  16. 基于51单片机的指纹考勤系统
  17. 小狼毫0.14 五笔拼音混输 Rime14
  18. Data Collection and Storage We noticed that your app requests the user’s consent to access the ....
  19. 抽象代数之第一群同构定理的证明
  20. Ardunio开发实例-被动红外(PIR)运动传感器使用

热门文章

  1. 速卖通API + 奇门 + 聚石塔 完整流程
  2. cmake未找到命令解决
  3. gitlab CI/CD 持续集成 部署 一文到底
  4. loadrunner 注册破解
  5. 【推荐】git commit 规范和如何在 commit 里使用 emoji
  6. win10如何同时安装并使用多个版本的jdk
  7. NetSuite导出CSV文件用Excel打开是乱码
  8. Unity3D学习——使用PUN写一个聊天功能
  9. Python 格式化输出详解
  10. 腾讯笔试题——五笔编码