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 ...
最新文章
- 由谈退格键的实现来学习字符编码
- flask-blueprint的简单使用
- 网络:窗口控制下的重发机制、流量控制
- python画平行坐标图_Matplotlib中的平行坐标图
- 【学习笔记】HTTPS概述
- py导入包异常跳出_Python运行Unittest作为包导入错误
- 域netbios名什么意思_域渗透(二):域环境搭建
- springmvc基础学习3---注解简单理解
- 万博java_构建高效的企业级Java应用系列(一)架构篇——1
- java 自定义形状按钮_制作自定义背景Button按钮、自定义形状Button的全攻略
- jBridge避开云服务器让AI算力落地的桥联框架技术
- 视频下载工具you-get(哔哩哔哩巨好用)
- 52好压卸载不干净,解压时仍有52好压选项【彻底删除步骤,超详细】
- [ZJOI2018]保镖
- 北京最最最牛的IT公司都在这了 。。。
- Web前端全栈开发_node源码笔记【爱创课堂】
- python爬取bili指定up主的视频
- Hbuildx 使用vue打包的App实现微信分享功能
- 服务器软件维护的内容有哪些
- sled11下cscope工具用于阅读内核源码
热门文章
- 2.2.7 局部最优化问题
- 安卓怎么显示res文件夹中的html_安卓手机如何打开.mhtml文件?
- LiberOJ #6210. 「美团 CodeM 决赛」tree 树形DP
- ZOJ3469	 Food Delivery 区间DP
- Ext.Net学习笔记19:Ext.Net FormPanel 简单用法
- 分享大麦UWP版本开发历程-03.GridView或ListView 滚动底部自动加载后续数据
- vdsm的SSL证书验证过程
- 关于重构之Switch的处理【一】如果是有序的话,如何处理
- IIS6.0下配置HTTP Gzip压缩 提高iis相应速度
- .NET Remoting Basic(6)-配置文件