深度学习DL调参隐藏层节点数对网络性能的影响
这次用于实验隐藏层节点数对网络性能的影响,训练集用的是mnist的训练集的0和1,测试集用的mnist的测试集的0和1,学习率固定位0.1,batchsize=20,训练集不加噪音。得到的数据
网络结构 | 81*1*2 | 81*2*2 | 81*5*2 | 81*10*2 | 81*20*2 | 81*60*2 | 81*100*2 | 81*200*2 |
训练集 | 全样品集 | 全样品集 | 全样品集 | 全样品集 | 全样品集 | 全样品集 | 全样品集 | 全样品集 |
测试集 | 全测试集 | 全测试集 | 全测试集 | 全测试集 | 全测试集 | 全测试集 | 全测试集 | 全测试集 |
学习率 | ret=0.1 | ret=0.1 | ret=0.1 | ret=0.1 | ret=0.1 | ret=0.1 | ret=0.1 | ret=0.1 |
batchsize | z=20 | z=20 | z=20 | z=20 | z=20 | z=20 | z=20 | z=20 |
* | it=10000 | it=10000 | it=10000 | it=10000 | it=10000 | it=10000 | it=10000 | it=10000 |
平均值 | 0.890799 | 0.897682 | 0.885218 | 0.894702 | 0.888931 | 0.894205 | 0.898368 | 0.900473 |
标准差 | 0.025011 | 0.014667 | 0.020437 | 0.015017 | 0.030596 | 0.019669 | 0.019298 | 0.018502 |
最大值 | 0.910596 | 0.911069 | 0.901135 | 0.913434 | 0.913434 | 0.913907 | 0.912961 | 0.912961 |
训练集噪音比例 | zx=0 | zx=0 | zx=0 | zx=0 | zx=0 | zx=0 | zx=0 | zx=0 |
测试集噪音比例 | zy=0 | zy=0 | zy=0 | zy=0 | zy=0 | zy=0 | zy=0 | zy=0 |
得到结论隐藏层的节点数对网络性能没有太大影响,是多少不重要,甚至很让人意外的是即便隐藏层只有1个节点网络的性能也可能很好,虽然一个节点的隐藏层很容易过拟合,但是隐藏层节点少一点无疑会极大的加快速度,综合前两次实验,很显然一个好的网络就是一个大的batchsize和一个小的隐藏层节点数同时训练集不加噪音。
具体数据
81*1*2 | 0.805109 | 0 | 81*2*2 | 0.853832 | 0 | 81*5*2 | 0.885525 | 0 | 81*10*2 | 0.878903 | 0 |
全样品集 | 0.871334 | 1 | 全样品集 | 0.899243 | 1 | 全样品集 | 0.864711 | 1 | 全样品集 | 0.879376 | 1 |
全测试集 | 0.879376 | 2 | 全测试集 | 0.897824 | 2 | 全测试集 | 0.866604 | 2 | 全测试集 | 0.896405 | 2 |
ret=0.1 | 0.902081 | 3 | ret=0.1 | 0.900189 | 3 | ret=0.1 | 0.810785 | 3 | ret=0.1 | 0.886471 | 3 |
z=20 | 0.880322 | 4 | z=20 | 0.906339 | 4 | z=20 | 0.901135 | 4 | z=20 | 0.892148 | 4 |
it=10000 | 0.845317 | 5 | it=10000 | 0.894513 | 5 | it=10000 | 0.881741 | 5 | it=10000 | 0.9035 | 5 |
average | 0.892621 | 6 | average | 0.901135 | 6 | average | 0.89877 | 6 | average | 0.866604 | 6 |
0.890799 | 0.896878 | 7 | 0.897682 | 0.899243 | 7 | 0.885218 | 0.895459 | 7 | 0.894702 | 0.886471 | 7 |
stdevp | 0.893567 | 8 | stdevp | 0.903974 | 8 | stdevp | 0.890728 | 8 | stdevp | 0.900189 | 8 |
0.025011 | 0.910596 | 9 | 0.014667 | 0.892148 | 9 | 0.020437 | 0.895459 | 9 | 0.015017 | 0.899243 | 9 |
max | 0.899716 | 10 | max | 0.899716 | 10 | max | 0.883633 | 10 | max | 0.905866 | 10 |
0.910596 | 0.907285 | 11 | 0.911069 | 0.858562 | 11 | 0.901135 | 0.899716 | 11 | 0.913434 | 0.859981 | 11 |
* | 0.894513 | 12 | * | 0.908231 | 12 | * | 0.890255 | 12 | * | 0.909177 | 12 |
zx=0 | 0.905866 | 13 | zx=0 | 0.910596 | 13 | zx=0 | 0.89404 | 13 | zx=0 | 0.906339 | 13 |
zy=0 | 0.903027 | 14 | zy=0 | 0.908231 | 14 | zy=0 | 0.885998 | 14 | zy=0 | 0.913434 | 14 |
* | 0.902081 | 15 | * | 0.900189 | 15 | * | 0.866604 | 15 | * | 0.903027 | 15 |
* | 0.900662 | 16 | * | 0.904447 | 16 | * | 0.900662 | 16 | * | 0.90492 | 16 |
* | 0.90965 | 17 | * | 0.900189 | 17 | * | 0.896878 | 17 | * | 0.879849 | 17 |
* | 0.907758 | 18 | * | 0.903974 | 18 | * | 0.89877 | 18 | * | 0.909177 | 18 |
* | 0.908231 | 19 | * | 0.911069 | 19 | * | 0.896878 | 19 | * | 0.912961 | 19 |
81*20*2 | 0.83964 | 0 | 81*60*2 | 0.829234 | 0 | 81*100*2 | 0.885052 | 0 | 81*200*2 | 0.828288 | 0 |
全样品集 | 0.877956 | 1 | 全样品集 | 0.891202 | 1 | 全样品集 | 0.857616 | 1 | 全样品集 | 0.891675 | 1 |
全测试集 | 0.891675 | 2 | 全测试集 | 0.905393 | 2 | 全测试集 | 0.905393 | 2 | 全测试集 | 0.90965 | 2 |
ret=0.1 | 0.883633 | 3 | ret=0.1 | 0.900662 | 3 | ret=0.1 | 0.907758 | 3 | ret=0.1 | 0.909177 | 3 |
z=20 | 0.894986 | 4 | z=20 | 0.888363 | 4 | z=20 | 0.904447 | 4 | z=20 | 0.905393 | 4 |
it=10000 | 0.787133 | 5 | it=10000 | 0.866604 | 5 | it=10000 | 0.906812 | 5 | it=10000 | 0.888363 | 5 |
average | 0.901608 | 6 | average | 0.900189 | 6 | average | 0.908704 | 6 | average | 0.894513 | 6 |
0.888931 | 0.865184 | 7 | 0.894205 | 0.893567 | 7 | 0.898368 | 0.905393 | 7 | 0.900473 | 0.902081 | 7 |
stdevp | 0.85667 | 8 | stdevp | 0.903974 | 8 | stdevp | 0.888363 | 8 | stdevp | 0.911542 | 8 |
0.030596 | 0.906339 | 9 | 0.019669 | 0.871334 | 9 | 0.019298 | 0.9035 | 9 | 0.018502 | 0.90492 | 9 |
max | 0.909177 | 10 | max | 0.906339 | 10 | max | 0.888363 | 10 | max | 0.912488 | 10 |
0.913434 | 0.897824 | 11 | 0.913907 | 0.907285 | 11 | 0.912961 | 0.904447 | 11 | 0.912961 | 0.912961 | 11 |
* | 0.912961 | 12 | * | 0.910596 | 12 | * | 0.910596 | 12 | * | 0.882214 | 12 |
zx=0 | 0.901135 | 13 | zx=0 | 0.912488 | 13 | zx=0 | 0.912488 | 13 | zx=0 | 0.905393 | 13 |
zy=0 | 0.906812 | 14 | zy=0 | 0.901135 | 14 | zy=0 | 0.83491 | 14 | zy=0 | 0.909177 | 14 |
* | 0.911069 | 15 | * | 0.906339 | 15 | * | 0.905393 | 15 | * | 0.908704 | 15 |
* | 0.906339 | 16 | * | 0.877483 | 16 | * | 0.912961 | 16 | * | 0.907758 | 16 |
* | 0.912488 | 17 | * | 0.913907 | 17 | * | 0.906812 | 17 | * | 0.910123 | 17 |
* | 0.902554 | 18 | * | 0.904447 | 18 | * | 0.908231 | 18 | * | 0.907758 | 18 |
* | 0.913434 | 19 | * | 0.893567 | 19 | * | 0.910123 | 19 | * | 0.907285 | 19 |
深度学习DL调参隐藏层节点数对网络性能的影响相关推荐
- 神经网络隐藏层节点数效率最优值
本文通过调节神经网络隐藏层节点数观察隐藏层节点数对神经网络性能的影响,并通过实验找到隐藏层节点数的收敛效率最优值. 首先构造一个二分类网络区分minst数据集的0和2,实验将28*28的图片缩小到9* ...
- 平均分辨准确率对网络隐藏层节点数的非线性变化关系03
(0,3)-81*n*2-(1,0)(0,1) 制作一个二分类的网络分类mnist的0和3,收敛标准1e-6,收敛次数是1999次,隐藏层节点数从3到1000共实验了79组值.统计每次收敛的迭代次数, ...
- 【深度学习】知乎高赞:深度学习如何调参?
深度学习如何调参?看看高赞的回答: 高赞回答一 作者:Towser 链接:https://www.zhihu.com/question/41631631/answer/862075836 总结一下我遇 ...
- 由隐藏层节点数引起的网络准确率的不规则变化02
(0,2)-81*n*2-(1,0)(0,1) 做一个分类mnist 0,2的二分类三层网络,隐藏层节点数由3-1000共实验了59组值.固定收敛标准δ=1e-6,每组值迭代1999次,统计平均分类准 ...
- 隐藏层节点数对迭代次数分布规律的影响
制作一个二分类网络 (mnist 0 ,2)-81*n*2-(1,0)(0,1) 让n分别等于3,5,10,20,30,40,50,60,70,80,90,100,100,110,120,130, 让 ...
- 计算神经网络隐藏层节点数极小值
神经网络的隐藏层的节点数越少网络的速度越快,那么神经网络的隐藏层的节点数是否有一个可以保证性能的极小值,本文用mnist数据集做了实验. 首先制作一个784*n*2的神经网络,用于测试0-9中的任意两 ...
- 神经网络调参训练集噪音比例对网络性能的影响
这次用于实验训练集噪音比例对网络性能的影响,网络结构81*60*2,训练集用的是mnist的训练集的0和1,测试集用的mnist的测试集的0和1,学习率固定位0.1,batchsize=20,试验了训 ...
- 一文整理深度学习【调参小技巧】
调参小技巧 一.训练加速篇 1.1. 数据加载加速 1.1.1. 数据转为npy或npz格式加速 1.1.2. 多核并行多进程图像读取 1.1.3. numba代替CPython编译 1.2. 分布式 ...
- 深度学习自动调参工具,NNI使用
向AI转型的程序员都关注了这个号
最新文章
- linux下挂载nas存储异常处理
- CDQ 分治解决和点对有关的问题
- 你的公司内卷化了吗?
- iNeuOS工业互联操作系统,图表与数据点组合成新组件,进行项目复用
- 批量删除HTML链接软件,3种方法教你一次性删除word文档中的所有超链接
- android gps 案例_GPS学习要点10
- MyBatis 配置sql语句输出
- SpringCloud项目:实现推送消息到RabbitMQ消息中间件
- PMOS做固态继电器,PMOS做高侧双向开关电路,PMOS防电流倒灌电路,PMOS电源防反接电路
- Python 使用Protobuf(struct模块)
- Android布局(4)--相对布局(RelativeLayout)
- 三级数据库考mysql_计算机三级MySQL数据库试题及答案
- 创业者如何吸引风险投资商
- ❤️❤️❤️Unity废柴看过来,手把手教你做植物大战僵尸(十四)—— 游戏胜利和失败界面
- 解决tomcat在pycharm中的初始化报错“ Failed to transfer file”“could not create folder”“(Permission denied)”
- 遇到问题--python-- pandas--常见问题积累
- 七年级 电子计算机 教材分析,七年级信息技术教学计划表
- WIFI P2P原理深入解析
- 楼天成男人8题(树的分治-POJ1741)
- qiankun框架: vue2 主应用访问子应用报错 [import-html-entry]:error occurs 或 died in status LOADING_SOURCE_CODE