神经网络训练集的图片到底是如何相互作用的？

本次实验分别让0的第1张图片到第9张图片和2的第1张图片分类。然后再让0的第1，2张，3，4张…8，9张图片和2的第1张图片分类，看看两组数据有什么关系。

第一部分数据，1张图片和1张图片分类

（0[n],2[1]）---81*30*2---(1,0)(0,1) n=1,2…9

	f2[0]	f2[1]	迭代次数n	平均准确率p-ave	δ	耗时ms/次	耗时ms/199次	耗时 min/199	最大准确率p-max	迭代次数标准差	pave标准差
0[1],2[1]	0.502512	0.4974879	43337.065	0.7746286	1.00E-04	1014.0251	201825	3.36375	0.7947316	1714.6271	0.0078051
0[2],2[1]	0.3618366	0.6381634	39428.513	0.6697154	1.00E-04	910.21608	181148	3.0191333	0.6983101	1526.1862	0.0115177
0[3],2[1]	0.0654133	0.9345866	42304.126	0.8722614	1.00E-04	964.87437	192041	3.2006833	0.8812127	1926.7298	0.0034939
0[4],2[1]	0.2412577	0.7587424	41168.382	0.8031534	1.00E-04	941.36683	187332	3.1222	0.8195825	1939.6639	0.00698
0[5],2[1]	0.6281151	0.3718849	44140.638	0.9079193	1.00E-04	993.55276	197718	3.2953	0.917992	1808.8097	0.0039003
0[6],2[1]	0.0704375	0.9295625	43375.829	0.8471657	1.00E-04	971.34673	193298	3.2216333	0.8593439	1993.3655	0.0046175
0[7],2[1]	0.2312094	0.7687906	40382.593	0.8858857	1.00E-04	935.49246	186179	3.1029833	0.9000994	1797.8539	0.0049712
0[8],2[1]	0.2261853	0.7738147	40953.844	0.9054492	1.00E-04	948.52764	188757	3.14595	0.9130219	1721.9027	0.0032987
0[9],2[1]	0.3166195	0.6833805	45157.543	0.8177193	1.00E-04	1041.9899	207357	3.45595	0.8369781	1948.7476	0.0062181

比如第一组数据0[1],2[1]，就是用0的第1张图片和2的第1张图片分类，收敛标准是1e-4,收敛199次，统计平均值。

第二部分数据，两张图片和1张图片分类

（0[n，n+1],2[1]）---81*30*2---(1,0)(0,1) n=1,2…8

	f2[0]	f2[1]	迭代次数n	平均准确率p-ave	δ	耗时ms/次	耗时ms/199次	耗时 min/199	最大准确率p-max	迭代次数标准差	pave标准差
0[1,2],2[1]	0.9999005	9.95E-05	31098.819	0.832455	1.00E-04	733.75377	146017	2.4336167	0.8459245	2191.9714	0.0060506
0[2,3],2[1]	0.9948763	0.0051238	36000.693	0.8909708	1.00E-04	826.72362	164518	2.7419667	0.8991054	2211.6813	0.0028445
0[3,4],2[1]	0.8843456	0.1156545	42453.608	0.8444134	1.00E-04	990.82915	197193	3.28655	0.8548708	2211.6829	0.0045889
0[4,5],2[1]	0.9999004	9.96E-05	34925	0.8732754	1.00E-04	814.09045	162007	2.7001167	0.8846918	1954.6403	0.003654
0[5,6],2[1]	0.7989354	0.2010646	47115.211	0.814922	1.00E-04	1089.6683	216861	3.61435	0.8290258	1998.3496	0.00476
0[6,7],2[1]	0.9999004	9.96E-05	31468.709	0.8783355	1.00E-04	735.23116	146312	2.4385333	0.888171	2061.6384	0.0030572
0[7,8],2[1]	0.6884047	0.3115954	40630.317	0.9185815	1.00E-04	940.56784	187189	3.1198167	0.9259443	1985.746	0.0029587
0[8,9],2[1]	0.9999005	9.96E-05	24829.905	0.8685325	1.00E-04	584.75377	116366	1.9394333	0.8846918	2110.2858	0.0040146

比如第一组数据0[1,2],2[1]就是用0的第1张和第2张图片与2的第1张图片做训练集。

第一部分和第二部分的数据放在一起比较

0[1],2[1]	0.502512	0.4974879	43337.065	0.7746286	1.00E-04	1014.0251	201825	3.36375	0.7947316	1714.6271	0.0078051
0[2],2[1]	0.3618366	0.6381634	39428.513	0.6697154	1.00E-04	910.21608	181148	3.0191333	0.6983101	1526.1862	0.0115177
0[1,2],2[1]	0.9999005	9.95E-05	31098.819	0.832455	1.00E-04	733.75377	146017	2.4336167	0.8459245	2191.9714	0.0060506

0[2],2[1]	0.3618366	0.6381634	39428.513	0.6697154	1.00E-04	910.21608	181148	3.0191333	0.6983101	1526.1862	0.0115177
0[3],2[1]	0.0654133	0.9345866	42304.126	0.8722614	1.00E-04	964.87437	192041	3.2006833	0.8812127	1926.7298	0.0034939
0[2,3],2[1]	0.9948763	0.0051238	36000.693	0.8909708	1.00E-04	826.72362	164518	2.7419667	0.8991054	2211.6813	0.0028445

0[7],2[1]	0.2312094	0.7687906	40382.593	0.8858857	1.00E-04	935.49246	186179	3.1029833	0.9000994	1797.8539	0.0049712
0[8],2[1]	0.2261853	0.7738147	40953.844	0.9054492	1.00E-04	948.52764	188757	3.14595	0.9130219	1721.9027	0.0032987
0[7,8],2[1]	0.6884047	0.3115954	40630.317	0.9185815	1.00E-04	940.56784	187189	3.1198167	0.9259443	1985.746	0.0029587

0[5],2[1]	0.6281151	0.3718849	44140.638	0.9079193	1.00E-04	993.55276	197718	3.2953	0.917992	1808.8097	0.0039003
0[6],2[1]	0.0704375	0.9295625	43375.829	0.8471657	1.00E-04	971.34673	193298	3.2216333	0.8593439	1993.3655	0.0046175
0[5,6],2[1]	0.7989354	0.2010646	47115.211	0.814922	1.00E-04	1089.6683	216861	3.61435	0.8290258	1998.3496	0.00476

有4种情况分类准确率是位于二者之间[3,4],[4,5],[6,7],[8,9];

有3种情况分类准确率比二者都大[1,2],[2,3],[7,8];

有1种最特殊的分类准确率比二者都小[5,6]

再比较迭代次数

有2种情况迭代次数比二者都大[3,4],[5,6];

有5种情况迭代次数比二者都小[1,2],[2,3], [4,5],[6,7] [8,9]；

仅有1种情况迭代次数位于二者之间[7,8]；

总结这两组数据，如果二者混合迭代次数变小了分类准确率变大或者位于二者之间；如果二者混合迭代次数变大了，分类准确率变小或位于二者之间。或者更简洁些如果混合后的迭代次数变小了，分类准确率可能变大；如果二者混合后迭代次数变大，分类准确率可能会变小。

神经网络训练集的图片到底是如何相互作用的？相关推荐

神经网络训练集两张图片之间的相互作用
在<神经网络分类训练集的图片到底是如何相互影响的?>中得到了一个经验关系,如果(两张图片)混合后的迭代次数变小了,分类准确率可能变大:如果二者混合后迭代次数变大,分类准确率可能会变小.但上 ...
神经网络训练集最少可以是多少个？
(mnist 0 ,2)---81*30*2---(1,0)(0,1) 用81*30*2的网络分类mnist的0和2.让训练集的数量n分别等于5000,4500,4000,3500,3000,2500 ...
神经网络训练数据集下载,神经网络训练集数量
200组数据可以训练神经网络吗谷歌人工智能写作项目:神经网络伪原创 BP神经网络的训练集需要大样本吗?一般样本个数为多少? BP神经网络的训练集需要大样本吗?一般样本个数为多少? BP神经网络样本数 ...
神经网络训练集与Fock矩阵
如果将神经网络的训练集理解成哈密顿量,但是哈密顿算符并不是矩阵形式,比如拉普拉斯算符而神经网络的训练集都是矩阵,如何才能将数学解析式变成矩阵的形式? 一种可能的办法是Fock矩阵方法,比如假设波函数 ...
深度神经网络(训练集，验证集，测试集), 提升模型效果，交叉验证
随笔神经网络训练确实是loss越小,效果越好,但不是绝对的. 因为损失小只是对训练集而言,所以要划出部分数据不做训练,只做验证,即为验证集,验证集对网络训练是没影响的, 所以要将数据集分成:训练集, ...
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 ...
训练集数量对神经网络光谱的影响
(mnist 0 ,2)---81*30*2---(1,0)(0,1) 分类mnist的0和2.让训练集的数量n分别等于5000,4500,4000,3500,3000,2500,2000,1500, ...
训练图像识别神经网络,神经网络训练过程图解
卷积神经网络怎么生成图片? 需要使用类似GAN的生成模型去做.望采纳GAN的基本原理其实非常简单,这里以生成图片为例进行说明.假设我们有两个网络,G(Generator)和D(Discriminato ...
神经网络是如何认识图片的,神经系统的图式形成
卷积神经网络怎么生成图片? 需要使用类似GAN的生成模型去做.望采纳GAN的基本原理其实非常简单,这里以生成图片为例进行说明.假设我们有两个网络,G(Generator)和D(Discriminato ...

神经网络训练集的图片到底是如何相互作用的？

神经网络训练集的图片到底是如何相互作用的？相关推荐

最新文章

热门文章