是否所有二分类神经网络的准确率都能无限趋近100%?
制作一个二分类的神经网络验证是否只要经过足够的迭代都能使准确率无限上升并接近1。
r1 |
r2 |
||
<1 |
<1 |
吸引子 |
c |
>1 |
>1 |
排斥子 |
p |
>1 |
<1 |
鞍点 |
a |
<1 |
>1 |
反鞍点 |
fa |
d2(c,p)-4-4-2-(2*k),k∈{0,1}
d2(c,a)-4-4-2-(2*k),k∈{0,1}
d2(c,fa)-4-4-2-(2*k),k∈{0,1}
d2(p,a)-4-4-2-(2*k),k∈{0,1}
d2(p,fa)-4-4-2-(2*k),k∈{0,1}
d2(a,fa)-4-4-2-(2*k),k∈{0,1}
本次实验构造了6个网络分别二分类cp,ca,cfa,pa,pfa,afa。
实验过程
以二分类吸引子和排斥子为例子
d2(c,p)-4-4-2-(2*k),k∈{0,1}
制作一个4*4*2的网络向这个的左侧输入吸引子,并让左侧网络向1,0收敛;向右侧网络输入排斥子让右侧向0,1收敛,并让4*4*2部分权重共享,,前面大量实验表明这种效果相当于将两个弹性系数为k1,k2的弹簧并联成一个弹性系数为k的弹簧,并且让k1=k2=k/2的过程。
这个网络的收敛标准是
if (Math.abs(f2[0]-y[0])< δ && Math.abs(f2[1]-y[1])< δ )
因为对应每个收敛标准δ都有一个特征的迭代次数n与之对应因此可以用迭代次数曲线n(δ)来评价网络性能。
本文尝试了δ从0.5到1e-6在内的26个值.
具体进样顺序 |
||
进样顺序 |
迭代次数 |
|
δ=0.5 |
||
c |
1 |
判断是否达到收敛 |
p |
2 |
判断是否达到收敛 |
梯度下降 |
||
c |
3 |
判断是否达到收敛 |
p |
4 |
判断是否达到收敛 |
梯度下降 |
||
…… |
||
达到收敛标准测量准确率,记录迭代次数,将这个过程重复199次 |
||
δ=0.4 |
||
… |
||
δ=1e-6 |
将这个网络简写成
d2(c,p)-4-4-2-(2*k),k∈{0,1}
得到的数据
cp |
||||||||
测试集 |
0.3 |
c |
||||||
0.7 |
p |
|||||||
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 |
0.499499 |
0.52977 |
149.2864 |
0.700283 |
0.5 |
2.050251 |
408 |
0.0068 |
0.736737 |
0.60013 |
0.404593 |
6191.251 |
0.978929 |
0.4 |
13.31156 |
2665 |
0.044417 |
0.993994 |
0.711649 |
0.293137 |
10058.88 |
0.991353 |
0.3 |
18.55779 |
3725 |
0.062083 |
1 |
0.810707 |
0.191481 |
15794.96 |
0.996972 |
0.2 |
27.67337 |
5507 |
0.091783 |
1 |
0.907472 |
0.09366 |
24295.35 |
0.993979 |
0.1 |
41.65829 |
8290 |
0.138167 |
1 |
0.99134 |
0.008736 |
59370.36 |
0.86567 |
0.01 |
98.75879 |
19653 |
0.32755 |
1 |
0.999168 |
8.37E-04 |
116218.8 |
0.632869 |
0.001 |
193.5276 |
38512 |
0.641867 |
0.978979 |
0.999918 |
8.26E-05 |
213160.8 |
0.534097 |
1.00E-04 |
353.3568 |
70318 |
1.171967 |
0.928929 |
0.999926 |
7.41E-05 |
212890.8 |
0.540621 |
9.00E-05 |
353.4271 |
70332 |
1.1722 |
0.891892 |
0.999934 |
6.58E-05 |
216429.1 |
0.55042 |
8.00E-05 |
359.8945 |
71635 |
1.193917 |
0.905906 |
0.999944 |
5.66E-05 |
227994 |
0.534218 |
7.00E-05 |
379.3015 |
75512 |
1.258533 |
0.933934 |
0.999952 |
4.87E-05 |
238336.1 |
0.521904 |
6.00E-05 |
393.8492 |
78376 |
1.306267 |
0.863864 |
0.99996 |
4.05E-05 |
256301.7 |
0.507533 |
5.00E-05 |
423.5678 |
84291 |
1.40485 |
0.84985 |
0.999967 |
3.32E-05 |
272096.3 |
0.523715 |
4.00E-05 |
451.9347 |
89935 |
1.498917 |
0.850851 |
0.999976 |
2.46E-05 |
283245.7 |
0.505737 |
3.00E-05 |
391.5779 |
77941 |
1.299017 |
0.800801 |
0.999984 |
1.62E-05 |
320385.5 |
0.491366 |
2.00E-05 |
533.608 |
106188 |
1.7698 |
0.798799 |
0.999992 |
7.92E-06 |
362938.1 |
0.499625 |
1.00E-05 |
602.6432 |
119942 |
1.999033 |
0.828829 |
0.999993 |
7.22E-06 |
379786.3 |
0.492769 |
9.00E-06 |
631.7085 |
125710 |
2.095167 |
0.757758 |
0.999994 |
6.41E-06 |
391093.6 |
0.485304 |
8.00E-06 |
650.3668 |
129439 |
2.157317 |
0.747748 |
0.999994 |
5.58E-06 |
396418.2 |
0.48787 |
7.00E-06 |
667.5075 |
132850 |
2.214167 |
0.722723 |
0.999995 |
4.71E-06 |
401244.4 |
0.494746 |
6.00E-06 |
678.4372 |
135009 |
2.25015 |
0.813814 |
0.999996 |
3.97E-06 |
439625.5 |
0.484474 |
5.00E-06 |
743.7889 |
148014 |
2.4669 |
0.754755 |
0.999997 |
3.16E-06 |
480586.6 |
0.472216 |
4.00E-06 |
810.5377 |
161297 |
2.688283 |
0.765766 |
0.999998 |
2.37E-06 |
482990.6 |
0.483745 |
3.00E-06 |
810.3819 |
161266 |
2.687767 |
0.762763 |
0.999998 |
1.59E-06 |
555404.6 |
0.469817 |
2.00E-06 |
933.8191 |
185831 |
3.097183 |
0.724725 |
0.999999 |
7.75E-07 |
621276.4 |
0.467452 |
1.00E-06 |
1045.342 |
208023 |
3.46705 |
0.712713 |
0.943057 |
0.058565 |
268626.3 |
0.604142 |
0.058138 |
446.5611 |
88871.88 |
1.481198 |
0.851005 |
这个网络的测试集有30%的c和70%的p
从数值上观察很明显准确率的平均值和最大值都没有随着收敛标准的减小而增大。平均值趋向于50%。
第二个网络
d2(c,a)-4-4-2-(2*k),k∈{0,1}
ca |
||||||||
测试集 |
0.3 |
c |
||||||
0.7 |
a |
|||||||
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 |
0.499584 |
0.515973 |
181.6482 |
0.700867 |
0.5 |
2.165829 |
431 |
0.007183 |
0.88989 |
0.605006 |
0.400648 |
4185.683 |
0.936233 |
0.4 |
9.201005 |
1847 |
0.030783 |
0.972973 |
0.719815 |
0.284929 |
4950.729 |
0.914266 |
0.3 |
9.592965 |
1910 |
0.031833 |
0.942943 |
0.819668 |
0.185906 |
5621.844 |
0.898466 |
0.2 |
10.68844 |
2127 |
0.03545 |
0.936937 |
0.91303 |
0.089101 |
6358.879 |
0.879789 |
0.1 |
12.24121 |
2436 |
0.0406 |
0.923924 |
0.991778 |
0.008487 |
9141.543 |
0.860177 |
0.01 |
16.79397 |
3342 |
0.0557 |
0.906907 |
0.999184 |
8.34E-04 |
13441.74 |
0.852918 |
0.001 |
23.22111 |
4621 |
0.077017 |
0.918919 |
0.999918 |
8.29E-05 |
21858.25 |
0.856253 |
1.00E-04 |
37.16583 |
7413 |
0.12355 |
0.911912 |
0.999926 |
7.49E-05 |
22514.33 |
0.854769 |
9.00E-05 |
38.0804 |
7594 |
0.126567 |
0.907908 |
0.999935 |
6.62E-05 |
22933.27 |
0.85485 |
8.00E-05 |
38.64824 |
7691 |
0.128183 |
0.907908 |
0.999942 |
5.90E-05 |
23904.65 |
0.861882 |
7.00E-05 |
40.0804 |
8023 |
0.133717 |
0.921922 |
0.999951 |
4.98E-05 |
25076.15 |
0.858165 |
6.00E-05 |
42.8392 |
8525 |
0.142083 |
0.91992 |
0.999959 |
4.12E-05 |
25666.67 |
0.85815 |
5.00E-05 |
44.90452 |
8941 |
0.149017 |
0.913914 |
0.999968 |
3.19E-05 |
27387.46 |
0.856746 |
4.00E-05 |
46.67337 |
9288 |
0.1548 |
0.914915 |
0.999976 |
2.40E-05 |
30215.88 |
0.856283 |
3.00E-05 |
52.1206 |
10372 |
0.172867 |
0.90991 |
0.999984 |
1.63E-05 |
32900.33 |
0.857496 |
2.00E-05 |
56.1407 |
11173 |
0.186217 |
0.915916 |
0.999992 |
7.91E-06 |
40569.4 |
0.853557 |
1.00E-05 |
68 |
13532 |
0.225533 |
0.90991 |
0.999993 |
7.27E-06 |
41823.16 |
0.854558 |
9.00E-06 |
69.82412 |
13910 |
0.231833 |
0.914915 |
0.999993 |
6.55E-06 |
43123.77 |
0.852541 |
8.00E-06 |
72.23618 |
14375 |
0.239583 |
0.914915 |
0.999994 |
5.59E-06 |
45766.82 |
0.851057 |
7.00E-06 |
76.51759 |
15243 |
0.25405 |
0.924925 |
0.999995 |
4.84E-06 |
47956.51 |
0.851751 |
6.00E-06 |
80.61307 |
16057 |
0.267617 |
0.901902 |
0.999996 |
3.89E-06 |
51933.27 |
0.843939 |
5.00E-06 |
87.17085 |
17362 |
0.289367 |
0.908909 |
0.999997 |
3.26E-06 |
58216.54 |
0.840373 |
4.00E-06 |
96.90955 |
19285 |
0.321417 |
0.897898 |
0.999998 |
2.39E-06 |
67257.81 |
0.83659 |
3.00E-06 |
112.0503 |
22313 |
0.371883 |
0.906907 |
0.999998 |
1.60E-06 |
93343.57 |
0.823105 |
2.00E-06 |
155.2864 |
30902 |
0.515033 |
0.898899 |
0.999999 |
7.52E-07 |
136177.5 |
0.805584 |
1.00E-06 |
225.0302 |
44781 |
0.74635 |
0.892893 |
0.944138 |
0.057168 |
34711.82 |
0.852706 |
0.058138 |
58.62292 |
11672.85 |
0.194547 |
0.914953 |
这个网络的测试集有30%的c,70%的a
这个网路的准确率的平均值和最大值要比较第一个网络高些,但也不是随着δ的减小增加的。明显的趋于一个定值。
第三个网络
d2(c,fa)-4-4-2-(2*k),k∈{0,1}
cfa |
||||||||
测试集 |
0.3 |
c |
||||||
0.7 |
fa |
|||||||
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 |
0.499631 |
0.516258 |
181.5377 |
0.701043 |
0.5 |
2.040201 |
406 |
0.006767 |
0.736737 |
0.593787 |
0.409867 |
4247.367 |
0.932686 |
0.4 |
9.844221 |
1959 |
0.03265 |
0.962963 |
0.720905 |
0.28509 |
5066.859 |
0.914236 |
0.3 |
9.763819 |
1959 |
0.03265 |
0.955956 |
0.820136 |
0.183989 |
5560.809 |
0.895433 |
0.2 |
10.47236 |
2099 |
0.034983 |
0.935936 |
0.914333 |
0.088609 |
6510.085 |
0.882838 |
0.1 |
12.05025 |
2398 |
0.039967 |
0.926927 |
0.991791 |
0.008448 |
9125.794 |
0.860982 |
0.01 |
16.23116 |
3230 |
0.053833 |
0.910911 |
0.999171 |
8.42E-04 |
13343.48 |
0.856148 |
0.001 |
22.82412 |
4542 |
0.0757 |
0.912913 |
0.999918 |
8.28E-05 |
21923.32 |
0.856535 |
1.00E-04 |
37.12563 |
7388 |
0.123133 |
0.917918 |
0.999927 |
7.43E-05 |
22779.75 |
0.858783 |
9.00E-05 |
39.04523 |
7770 |
0.1295 |
0.903904 |
0.999935 |
6.55E-05 |
23230.09 |
0.858472 |
8.00E-05 |
39.28141 |
7817 |
0.130283 |
0.911912 |
0.999944 |
5.70E-05 |
23991.33 |
0.858366 |
7.00E-05 |
40.61809 |
8115 |
0.13525 |
0.90991 |
0.99995 |
5.04E-05 |
24863.7 |
0.860816 |
6.00E-05 |
42.32161 |
8422 |
0.140367 |
0.91992 |
0.999959 |
4.12E-05 |
25851.49 |
0.856007 |
5.00E-05 |
44.35678 |
8827 |
0.147117 |
0.906907 |
0.999966 |
3.39E-05 |
27462.18 |
0.856807 |
4.00E-05 |
46.85427 |
9325 |
0.155417 |
0.915916 |
0.999976 |
2.46E-05 |
29699.94 |
0.855977 |
3.00E-05 |
50.56784 |
10063 |
0.167717 |
0.905906 |
0.999984 |
1.66E-05 |
33061.28 |
0.857667 |
2.00E-05 |
55.63317 |
11086 |
0.184767 |
0.911912 |
0.999992 |
8.15E-06 |
41189.6 |
0.854307 |
1.00E-05 |
69.30653 |
13823 |
0.230383 |
0.908909 |
0.999993 |
7.18E-06 |
41336.82 |
0.85077 |
9.00E-06 |
70.16583 |
13979 |
0.232983 |
0.906907 |
0.999994 |
6.43E-06 |
42669.6 |
0.853567 |
8.00E-06 |
72.1608 |
14360 |
0.239333 |
0.912913 |
0.999994 |
5.57E-06 |
45067.12 |
0.850061 |
7.00E-06 |
76.80402 |
15284 |
0.254733 |
0.905906 |
0.999995 |
4.78E-06 |
48391.38 |
0.846173 |
6.00E-06 |
81.25628 |
16186 |
0.269767 |
0.905906 |
0.999996 |
3.99E-06 |
53587.13 |
0.851012 |
5.00E-06 |
90.59296 |
18028 |
0.300467 |
0.906907 |
0.999997 |
3.19E-06 |
58254.92 |
0.841902 |
4.00E-06 |
98.29146 |
19577 |
0.326283 |
0.905906 |
0.999998 |
2.38E-06 |
66089.84 |
0.836304 |
3.00E-06 |
110.9497 |
22079 |
0.367983 |
0.904905 |
0.999998 |
1.55E-06 |
89193.42 |
0.823919 |
2.00E-06 |
149.0804 |
29699 |
0.494983 |
0.905906 |
0.999999 |
7.50E-07 |
138352.1 |
0.807783 |
1.00E-06 |
231.1508 |
45999 |
0.76665 |
0.883884 |
0.943818 |
0.057446 |
34655.04 |
0.853023 |
0.058138 |
58.79957 |
11708.46 |
0.195141 |
0.907484 |
这个网络的值与第二个网路的值高度近似, 这体现了a和fa相对c的对称性。
两个网络的迭代次数是高度重合的。
两个网络的平均准确率是高度重合的。
两个网络的最大准确率也是高度重合的。
第四个网络
d2(p,a)-4-4-2-(2*k),k∈{0,1}
pa |
||||||||
测试集 |
0.3 |
p |
||||||
0.7 |
a |
|||||||
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 |
0.514668 |
0.499679 |
177.8141 |
0.299395 |
0.5 |
2.045226 |
408 |
0.0068 |
0.334334 |
0.401314 |
0.604127 |
4073.583 |
0.909694 |
0.4 |
9.477387 |
1902 |
0.0317 |
0.961962 |
0.288585 |
0.716915 |
4806.276 |
0.920051 |
0.3 |
9.768844 |
1960 |
0.032667 |
0.967968 |
0.189818 |
0.814494 |
5306.126 |
0.922138 |
0.2 |
10.1608 |
2022 |
0.0337 |
0.954955 |
0.090113 |
0.912569 |
6021.729 |
0.924754 |
0.1 |
11.19095 |
2227 |
0.037117 |
0.953954 |
0.008526 |
0.991673 |
8323.387 |
0.927475 |
0.01 |
16.87437 |
3358 |
0.055967 |
0.952953 |
8.46E-04 |
0.999167 |
11739.58 |
0.926927 |
0.001 |
20.72362 |
4124 |
0.068733 |
0.954955 |
8.61E-05 |
0.999915 |
17633.54 |
0.928542 |
1.00E-04 |
30.29648 |
6029 |
0.100483 |
0.950951 |
7.76E-05 |
0.999923 |
18116.37 |
0.928753 |
9.00E-05 |
30.89447 |
6148 |
0.102467 |
0.954955 |
6.86E-05 |
0.999932 |
18777.39 |
0.928506 |
8.00E-05 |
32.18593 |
6405 |
0.10675 |
0.950951 |
6.01E-05 |
0.999941 |
19536.37 |
0.927918 |
7.00E-05 |
32.57286 |
6482 |
0.108033 |
0.953954 |
5.19E-05 |
0.999949 |
20382.09 |
0.928376 |
6.00E-05 |
34.92462 |
6966 |
0.1161 |
0.952953 |
4.27E-05 |
0.999958 |
21002.82 |
0.927234 |
5.00E-05 |
35.69347 |
7119 |
0.11865 |
0.952953 |
3.48E-05 |
0.999966 |
21406.57 |
0.928894 |
4.00E-05 |
36.90955 |
7360 |
0.122667 |
0.947948 |
2.62E-05 |
0.999974 |
23201.12 |
0.929372 |
3.00E-05 |
40.37688 |
8035 |
0.133917 |
0.951952 |
1.73E-05 |
0.999983 |
25067.48 |
0.929502 |
2.00E-05 |
42.63819 |
8517 |
0.14195 |
0.950951 |
8.51E-06 |
0.999991 |
29899.49 |
0.930946 |
1.00E-05 |
51.58794 |
10266 |
0.1711 |
0.94995 |
7.81E-06 |
0.999992 |
30046.65 |
0.929558 |
9.00E-06 |
51.07035 |
10178 |
0.169633 |
0.948949 |
6.88E-06 |
0.999993 |
30608.13 |
0.930352 |
8.00E-06 |
52.32161 |
10412 |
0.173533 |
0.958959 |
5.91E-06 |
0.999994 |
32460.66 |
0.929185 |
7.00E-06 |
55.56281 |
11057 |
0.184283 |
0.954955 |
5.16E-06 |
0.999995 |
33155.83 |
0.92992 |
6.00E-06 |
55.96482 |
11138 |
0.185633 |
0.951952 |
4.25E-06 |
0.999996 |
34170.82 |
0.930559 |
5.00E-06 |
57.47236 |
11452 |
0.190867 |
0.952953 |
3.41E-06 |
0.999997 |
36493.76 |
0.931565 |
4.00E-06 |
61.8593 |
12310 |
0.205167 |
0.953954 |
2.59E-06 |
0.999997 |
38369.11 |
0.931801 |
3.00E-06 |
65.30151 |
12995 |
0.216583 |
0.954955 |
1.71E-06 |
0.999998 |
42692.81 |
0.932339 |
2.00E-06 |
71.24623 |
14178 |
0.2363 |
0.952953 |
8.76E-07 |
0.999999 |
47401.5 |
0.932028 |
1.00E-06 |
80.39698 |
15999 |
0.26665 |
0.94995 |
0.057476 |
0.943774 |
22341.19 |
0.903684 |
0.058138 |
38.44298 |
7655.654 |
0.127594 |
0.92993 |
这网络的平均准确率和最大准确率都要高些,但更加趋于一个恒定值。
第5个网络
d2(p,fa)-4-4-2-(2*k),k∈{0,1}
pfa |
||||||||
测试集 |
0.3 |
p |
||||||
0.7 |
fa |
|||||||
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 |
0.515643 |
0.499664 |
174.9799 |
0.300491 |
0.5 |
2.120603 |
422 |
0.007033 |
0.375375 |
0.412515 |
0.594208 |
4135.432 |
0.909045 |
0.4 |
10.20603 |
2031 |
0.03385 |
0.964965 |
0.285641 |
0.718931 |
4765.95 |
0.923763 |
0.3 |
9.61809 |
1914 |
0.0319 |
0.96997 |
0.184718 |
0.818123 |
5357.095 |
0.923582 |
0.2 |
10.32663 |
2055 |
0.03425 |
0.950951 |
0.089264 |
0.912503 |
6056.724 |
0.925413 |
0.1 |
11.27136 |
2243 |
0.037383 |
0.956957 |
0.008684 |
0.991461 |
8337.327 |
0.926016 |
0.01 |
15.36683 |
3090 |
0.0515 |
0.951952 |
8.56E-04 |
0.999158 |
11779.91 |
0.928612 |
0.001 |
21.0402 |
4187 |
0.069783 |
0.956957 |
8.61E-05 |
0.999915 |
18232.5 |
0.929085 |
1.00E-04 |
31.31156 |
6231 |
0.10385 |
0.94995 |
7.69E-05 |
0.999924 |
18278.48 |
0.9274 |
9.00E-05 |
31.9397 |
6356 |
0.105933 |
0.945946 |
6.86E-05 |
0.999932 |
18963.28 |
0.928703 |
8.00E-05 |
32.08543 |
6385 |
0.106417 |
0.953954 |
6.05E-05 |
0.99994 |
19460.16 |
0.92826 |
7.00E-05 |
33.40704 |
6649 |
0.110817 |
0.954955 |
5.17E-05 |
0.999949 |
19832.13 |
0.928687 |
6.00E-05 |
33.72362 |
6712 |
0.111867 |
0.95996 |
4.31E-05 |
0.999958 |
21033.61 |
0.928632 |
5.00E-05 |
36.23618 |
7227 |
0.12045 |
0.94995 |
3.38E-05 |
0.999966 |
21792.55 |
0.927908 |
4.00E-05 |
37.32161 |
7427 |
0.123783 |
0.951952 |
2.59E-05 |
0.999974 |
22954.92 |
0.928672 |
3.00E-05 |
39.19095 |
7829 |
0.130483 |
0.956957 |
1.69E-05 |
0.999983 |
25568.18 |
0.92992 |
2.00E-05 |
44.03015 |
8764 |
0.146067 |
0.950951 |
8.65E-06 |
0.999991 |
29570.57 |
0.930066 |
1.00E-05 |
53.71859 |
10692 |
0.1782 |
0.951952 |
7.73E-06 |
0.999992 |
30655.57 |
0.929784 |
9.00E-06 |
52.04523 |
10357 |
0.172617 |
0.950951 |
6.79E-06 |
0.999993 |
30476.99 |
0.930292 |
8.00E-06 |
51.45729 |
10256 |
0.170933 |
0.94995 |
6.09E-06 |
0.999994 |
31881.28 |
0.930458 |
7.00E-06 |
54.45729 |
10853 |
0.180883 |
0.955956 |
5.12E-06 |
0.999995 |
33848.89 |
0.930614 |
6.00E-06 |
57.75879 |
11494 |
0.191567 |
0.953954 |
4.34E-06 |
0.999996 |
34395.23 |
0.930262 |
5.00E-06 |
57.96985 |
11536 |
0.192267 |
0.956957 |
3.42E-06 |
0.999997 |
35777.86 |
0.930951 |
4.00E-06 |
60.78392 |
12096 |
0.2016 |
0.950951 |
2.57E-06 |
0.999997 |
37674.54 |
0.930755 |
3.00E-06 |
64.0201 |
12740 |
0.212333 |
0.955956 |
1.74E-06 |
0.999998 |
42115.04 |
0.931117 |
2.00E-06 |
71.68342 |
14265 |
0.23775 |
0.954955 |
8.64E-07 |
0.999999 |
48476.45 |
0.931846 |
1.00E-06 |
81.79397 |
16292 |
0.271533 |
0.960961 |
0.057609 |
0.943598 |
22369.06 |
0.903859 |
0.058138 |
38.6494 |
7696.269 |
0.128271 |
0.932471 |
将这个网络和第4个网络比较
迭代次数曲线是高度重合的。
平均准确率是高度重合的。两个网络的平均准确率的平均值分别是0.903684和0.903859表明这种算法的精度是有保证的。
两个网络的最大准确率也是高度重合的。
第六个网络
d2(a,fa)-4-4-2-(2*k),k∈{0,1}
afa |
||||||||
测试集 |
0.3 |
a |
||||||
0.7 |
fa |
|||||||
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 |
0.503493 |
0.503889 |
212.603 |
0.574263 |
0.5 |
2.150754 |
443 |
0.007383 |
1 |
0.508644 |
0.49533 |
2235.704 |
0.997681 |
0.4 |
5.351759 |
1065 |
0.01775 |
1 |
0.491317 |
0.513018 |
2640.658 |
0.998672 |
0.3 |
5.512563 |
1097 |
0.018283 |
1 |
0.561021 |
0.442177 |
2962.291 |
0.998788 |
0.2 |
6.150754 |
1224 |
0.0204 |
1 |
0.489822 |
0.510905 |
3503.392 |
0.998461 |
0.1 |
7.567839 |
1521 |
0.02535 |
1 |
0.527219 |
0.472919 |
5312.216 |
0.998798 |
0.01 |
11.19095 |
2227 |
0.037117 |
1 |
0.472417 |
0.527593 |
9557.186 |
0.999251 |
0.001 |
18.66332 |
3714 |
0.0619 |
1 |
0.522609 |
0.477392 |
20758.42 |
0.999512 |
1.00E-04 |
35.34171 |
7033 |
0.117217 |
1 |
0.502513 |
0.497488 |
21057.2 |
0.999406 |
9.00E-05 |
35.68342 |
7132 |
0.118867 |
1 |
0.437195 |
0.562805 |
21819.72 |
0.999371 |
8.00E-05 |
36.69347 |
7302 |
0.1217 |
1 |
0.507537 |
0.492463 |
23084.82 |
0.999447 |
7.00E-05 |
39.15075 |
7808 |
0.130133 |
1 |
0.497488 |
0.502513 |
25048.22 |
0.999502 |
6.00E-05 |
42.43216 |
8444 |
0.140733 |
1 |
0.417093 |
0.582907 |
26331.89 |
0.999532 |
5.00E-05 |
44.44724 |
8845 |
0.147417 |
1 |
0.54271 |
0.45729 |
28623.57 |
0.999633 |
4.00E-05 |
48.15578 |
9599 |
0.159983 |
1 |
0.462314 |
0.537686 |
31665.49 |
0.999567 |
3.00E-05 |
53.46231 |
10639 |
0.177317 |
1 |
0.537687 |
0.462313 |
37038.34 |
0.999567 |
2.00E-05 |
62.22111 |
12397 |
0.206617 |
1 |
0.522613 |
0.477387 |
47352.31 |
0.999593 |
1.00E-05 |
79.39698 |
15801 |
0.26335 |
1 |
0.462312 |
0.537688 |
50876.94 |
0.999733 |
9.00E-06 |
85.59799 |
17034 |
0.2839 |
1 |
0.512563 |
0.487437 |
53048.54 |
0.999638 |
8.00E-06 |
88.94472 |
17715 |
0.29525 |
1 |
0.502513 |
0.497487 |
55641.3 |
0.999517 |
7.00E-06 |
92.98492 |
18519 |
0.30865 |
1 |
0.532663 |
0.467337 |
59971.42 |
0.999683 |
6.00E-06 |
100.0653 |
19913 |
0.331883 |
1 |
0.507538 |
0.492462 |
64722.1 |
0.999668 |
5.00E-06 |
108.0854 |
21509 |
0.358483 |
1 |
0.477387 |
0.522613 |
68794.14 |
0.999688 |
4.00E-06 |
115.1759 |
22936 |
0.382267 |
1 |
0.492462 |
0.507538 |
79341.16 |
0.999743 |
3.00E-06 |
132.4171 |
26352 |
0.4392 |
1 |
0.477387 |
0.522613 |
88647.71 |
0.999658 |
2.00E-06 |
147.8995 |
29447 |
0.490783 |
1 |
0.442211 |
0.557789 |
118332.5 |
0.999723 |
1.00E-06 |
196.2814 |
39075 |
0.65125 |
1 |
0.496567 |
0.504194 |
36483.84 |
0.983004 |
0.058138 |
61.57789 |
12261.19 |
0.204353 |
1 |
这个网络的平均准确率和最大准确率都高度的接近1.
6组数据综合
cp |
ca |
cfa |
pa |
pfa |
afa |
|
δ |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
迭代次数n |
0.5 |
149.2864 |
181.6482 |
181.5377 |
177.8141 |
174.9799 |
212.603 |
0.4 |
6191.251 |
4185.683 |
4247.367 |
4073.583 |
4135.432 |
2235.704 |
0.3 |
10058.88 |
4950.729 |
5066.859 |
4806.276 |
4765.95 |
2640.658 |
0.2 |
15794.96 |
5621.844 |
5560.809 |
5306.126 |
5357.095 |
2962.291 |
0.1 |
24295.35 |
6358.879 |
6510.085 |
6021.729 |
6056.724 |
3503.392 |
0.01 |
59370.36 |
9141.543 |
9125.794 |
8323.387 |
8337.327 |
5312.216 |
0.001 |
116218.8 |
13441.74 |
13343.48 |
11739.58 |
11779.91 |
9557.186 |
1.00E-04 |
213160.8 |
21858.25 |
21923.32 |
17633.54 |
18232.5 |
20758.42 |
9.00E-05 |
212890.8 |
22514.33 |
22779.75 |
18116.37 |
18278.48 |
21057.2 |
8.00E-05 |
216429.1 |
22933.27 |
23230.09 |
18777.39 |
18963.28 |
21819.72 |
7.00E-05 |
227994 |
23904.65 |
23991.33 |
19536.37 |
19460.16 |
23084.82 |
6.00E-05 |
238336.1 |
25076.15 |
24863.7 |
20382.09 |
19832.13 |
25048.22 |
5.00E-05 |
256301.7 |
25666.67 |
25851.49 |
21002.82 |
21033.61 |
26331.89 |
4.00E-05 |
272096.3 |
27387.46 |
27462.18 |
21406.57 |
21792.55 |
28623.57 |
3.00E-05 |
283245.7 |
30215.88 |
29699.94 |
23201.12 |
22954.92 |
31665.49 |
2.00E-05 |
320385.5 |
32900.33 |
33061.28 |
25067.48 |
25568.18 |
37038.34 |
1.00E-05 |
362938.1 |
40569.4 |
41189.6 |
29899.49 |
29570.57 |
47352.31 |
9.00E-06 |
379786.3 |
41823.16 |
41336.82 |
30046.65 |
30655.57 |
50876.94 |
8.00E-06 |
391093.6 |
43123.77 |
42669.6 |
30608.13 |
30476.99 |
53048.54 |
7.00E-06 |
396418.2 |
45766.82 |
45067.12 |
32460.66 |
31881.28 |
55641.3 |
6.00E-06 |
401244.4 |
47956.51 |
48391.38 |
33155.83 |
33848.89 |
59971.42 |
5.00E-06 |
439625.5 |
51933.27 |
53587.13 |
34170.82 |
34395.23 |
64722.1 |
4.00E-06 |
480586.6 |
58216.54 |
58254.92 |
36493.76 |
35777.86 |
68794.14 |
3.00E-06 |
482990.6 |
67257.81 |
66089.84 |
38369.11 |
37674.54 |
79341.16 |
2.00E-06 |
555404.6 |
93343.57 |
89193.42 |
42692.81 |
42115.04 |
88647.71 |
1.00E-06 |
621276.4 |
136177.5 |
138352.1 |
47401.5 |
48476.45 |
118332.5 |
可以明显的看到cp的迭代次数是最大的。
由迭代次数可以按从大到小排列
具体顺序cp>afa>ca=cfa>pa=pfa
也就是cp的迭代次数是最多的,而pa的迭代次数是最少的。
cp |
ca |
cfa |
pa |
pfa |
afa |
|
δ |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
平均准确率p-ave |
0.5 |
0.700283 |
0.700867 |
0.701043 |
0.299395 |
0.300491 |
0.574263 |
0.4 |
0.978929 |
0.936233 |
0.932686 |
0.909694 |
0.909045 |
0.997681 |
0.3 |
0.991353 |
0.914266 |
0.914236 |
0.920051 |
0.923763 |
0.998672 |
0.2 |
0.996972 |
0.898466 |
0.895433 |
0.922138 |
0.923582 |
0.998788 |
0.1 |
0.993979 |
0.879789 |
0.882838 |
0.924754 |
0.925413 |
0.998461 |
0.01 |
0.86567 |
0.860177 |
0.860982 |
0.927475 |
0.926016 |
0.998798 |
0.001 |
0.632869 |
0.852918 |
0.856148 |
0.926927 |
0.928612 |
0.999251 |
1.00E-04 |
0.534097 |
0.856253 |
0.856535 |
0.928542 |
0.929085 |
0.999512 |
9.00E-05 |
0.540621 |
0.854769 |
0.858783 |
0.928753 |
0.9274 |
0.999406 |
8.00E-05 |
0.55042 |
0.85485 |
0.858472 |
0.928506 |
0.928703 |
0.999371 |
7.00E-05 |
0.534218 |
0.861882 |
0.858366 |
0.927918 |
0.92826 |
0.999447 |
6.00E-05 |
0.521904 |
0.858165 |
0.860816 |
0.928376 |
0.928687 |
0.999502 |
5.00E-05 |
0.507533 |
0.85815 |
0.856007 |
0.927234 |
0.928632 |
0.999532 |
4.00E-05 |
0.523715 |
0.856746 |
0.856807 |
0.928894 |
0.927908 |
0.999633 |
3.00E-05 |
0.505737 |
0.856283 |
0.855977 |
0.929372 |
0.928672 |
0.999567 |
2.00E-05 |
0.491366 |
0.857496 |
0.857667 |
0.929502 |
0.92992 |
0.999567 |
1.00E-05 |
0.499625 |
0.853557 |
0.854307 |
0.930946 |
0.930066 |
0.999593 |
9.00E-06 |
0.492769 |
0.854558 |
0.85077 |
0.929558 |
0.929784 |
0.999733 |
8.00E-06 |
0.485304 |
0.852541 |
0.853567 |
0.930352 |
0.930292 |
0.999638 |
7.00E-06 |
0.48787 |
0.851057 |
0.850061 |
0.929185 |
0.930458 |
0.999517 |
6.00E-06 |
0.494746 |
0.851751 |
0.846173 |
0.92992 |
0.930614 |
0.999683 |
5.00E-06 |
0.484474 |
0.843939 |
0.851012 |
0.930559 |
0.930262 |
0.999668 |
4.00E-06 |
0.472216 |
0.840373 |
0.841902 |
0.931565 |
0.930951 |
0.999688 |
3.00E-06 |
0.483745 |
0.83659 |
0.836304 |
0.931801 |
0.930755 |
0.999743 |
2.00E-06 |
0.469817 |
0.823105 |
0.823919 |
0.932339 |
0.931117 |
0.999658 |
1.00E-06 |
0.467452 |
0.805584 |
0.807783 |
0.932028 |
0.931846 |
0.999723 |
将平均准确率从大到小排列afa>pfa=pa>ca=cfa>cp
其中afa的平均准确率接近1,cp的平均准确率接近50%。
但这6个网络的平均准确率都是趋向一个恒定值的,也就是这6个二分类网络的准确率和δ是无关的。
cp |
Ca |
cfa |
pa |
pfa |
afa |
|
δ |
最大准确率p-max |
最大准确率p-max |
最大准确率p-max |
最大准确率p-max |
最大准确率p-max |
最大准确率p-max |
0.5 |
0.736737 |
0.88989 |
0.736737 |
0.334334 |
0.375375 |
1 |
0.4 |
0.993994 |
0.972973 |
0.962963 |
0.961962 |
0.964965 |
1 |
0.3 |
1 |
0.942943 |
0.955956 |
0.967968 |
0.96997 |
1 |
0.2 |
1 |
0.936937 |
0.935936 |
0.954955 |
0.950951 |
1 |
0.1 |
1 |
0.923924 |
0.926927 |
0.953954 |
0.956957 |
1 |
0.01 |
1 |
0.906907 |
0.910911 |
0.952953 |
0.951952 |
1 |
0.001 |
0.978979 |
0.918919 |
0.912913 |
0.954955 |
0.956957 |
1 |
1.00E-04 |
0.928929 |
0.911912 |
0.917918 |
0.950951 |
0.94995 |
1 |
9.00E-05 |
0.891892 |
0.907908 |
0.903904 |
0.954955 |
0.945946 |
1 |
8.00E-05 |
0.905906 |
0.907908 |
0.911912 |
0.950951 |
0.953954 |
1 |
7.00E-05 |
0.933934 |
0.921922 |
0.90991 |
0.953954 |
0.954955 |
1 |
6.00E-05 |
0.863864 |
0.91992 |
0.91992 |
0.952953 |
0.95996 |
1 |
5.00E-05 |
0.84985 |
0.913914 |
0.906907 |
0.952953 |
0.94995 |
1 |
4.00E-05 |
0.850851 |
0.914915 |
0.915916 |
0.947948 |
0.951952 |
1 |
3.00E-05 |
0.800801 |
0.90991 |
0.905906 |
0.951952 |
0.956957 |
1 |
2.00E-05 |
0.798799 |
0.915916 |
0.911912 |
0.950951 |
0.950951 |
1 |
1.00E-05 |
0.828829 |
0.90991 |
0.908909 |
0.94995 |
0.951952 |
1 |
9.00E-06 |
0.757758 |
0.914915 |
0.906907 |
0.948949 |
0.950951 |
1 |
8.00E-06 |
0.747748 |
0.914915 |
0.912913 |
0.958959 |
0.94995 |
1 |
7.00E-06 |
0.722723 |
0.924925 |
0.905906 |
0.954955 |
0.955956 |
1 |
6.00E-06 |
0.813814 |
0.901902 |
0.905906 |
0.951952 |
0.953954 |
1 |
5.00E-06 |
0.754755 |
0.908909 |
0.906907 |
0.952953 |
0.956957 |
1 |
4.00E-06 |
0.765766 |
0.897898 |
0.905906 |
0.953954 |
0.950951 |
1 |
3.00E-06 |
0.762763 |
0.906907 |
0.904905 |
0.954955 |
0.955956 |
1 |
2.00E-06 |
0.724725 |
0.898899 |
0.905906 |
0.952953 |
0.954955 |
1 |
1.00E-06 |
0.712713 |
0.892893 |
0.883884 |
0.94995 |
0.960961 |
1 |
最大准确率排序afa>pa=pfa>ca=cfa>cp
而且afa,pa,pfa,ca,cfa的最大准确率都趋向恒定。
也就表明并不是所有的二分类网路的最大分类准确都是100%。
实验参数
学习率 0.1
权重初始化方式
Random rand1 =new Random();
int ti1=rand1.nextInt(98)+1;
tw[a][b]=xx*((double)ti1/100);
是否所有二分类神经网络的准确率都能无限趋近100%?相关推荐
- 二分类神经网络结果准确率50%,loss一直在0.69的解决方法
先参考这篇文章,了解为什么loss是0.69 链接:https://www.jianshu.com/p/45c2180cab17 这个问题很多人在训练自己或者迁移别的网络的时候都会遇到,特别是二分类这 ...
- Lesson 8.38.4 二分类神经网络torch.nn.functional实现单层二分类网络的正向传播
二.二分类神经网络:逻辑回归 1 二分类神经网络的理论基础 线性回归是统计学经典算法,它能够拟合出一条直线来描述变量之间的线性关系.但在实际中,变量之间的关系通常都不是一条直线,而是呈现出某种曲线关系 ...
- 二分类神经网络的特征光谱---1-2至1-9
制作一个二分类的神经网络来分类mnist的1和2到1和9,网络结构是 (mnist 0 ,mnist x)81-30-2-(1,0) || (0,1) 将28*28的图片压缩到9*9,三层网络的节点数 ...
- 二分类2x2对角矩阵准确率表达式
前面的实验中分别测量了吸引子和鞍点,排斥子和鞍点,吸引子和排斥子的分类网络的准确率. 以吸引子和鞍点为例 r1 r2 <1 <1 吸引子 c >1 >1 排斥子 p & ...
- 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 ...
- 二分类神经网络的特征光谱---2-3至2-9
用特征迭代次数的方法构造神经网络的光谱, 网络结构是 (mnist 2 ,mnist x)81-30-2-(1,0) || (0,1) 将28*28的图片压缩到9*9,三层网络的节点数量分别是81*3 ...
- LESSON 10.110.210.3 SSE与二分类交叉熵损失函数二分类交叉熵损失函数的pytorch实现多分类交叉熵损失函数
在之前的课程中,我们已经完成了从0建立深层神经网络,并完成正向传播的全过程.本节课开始,我们将以分类深层神经网络为例,为大家展示神经网络的学习和训练过程.在介绍PyTorch的基本工具AutoGrad ...
- 常用分类评估指标(二分类多分类)
一直想写篇度量指标的文章,梳理一下这块的知识点,可能想了太多次,总以为自己已经写过了,今天看文章列表,竟然没有相关的内容,刚好最近在做多分类模型,借此机会整理一下. 混淆矩阵(confusion ma ...
- Logistic逻辑回归(sigmod二分类)成本函数推导 及其梯度下降
logistic逻辑回归是比较常用的二分分类,其激活函数适用于各种二分类场景,但是其函数在t极大或者极小的时候趋于饱和会引发梯度消失,影响网络调参使得函数不能很好的收敛 有兴趣的同学可以参阅我的上一篇 ...
最新文章
- 【运维学习笔记】在 vSphere Client上创建新的虚拟机
- Linux笔记(更改权限chmod,更改所有组chown,umask,隐藏权限chattr)
- otf和ctf的意义_光学信息技术原理及应用 OTF与CTF的比较与计算.ppt
- 轻松搞定Retrofit不同网络请求方式的请求参数配置,及常用注解使用
- 网页页面设计如何做到极致舒适感?
- C#循环给多个控件赋值
- redis命令 举例
- oracle dba入门线路图--记某培训公司的ORACLE DBA技能进阶实战大纲
- java模式设计视频教程_全新JAVA设计模式详解视频教程 完整版课程
- Oracle数据库在.net连接问题总结
- 别把SEO当苦力活,做优化要讲究策略
- OSPF不规则区域,远离Area 0的区域连通性解决方案
- mybatisplus 使用案例
- 安卓java游戏模拟器_java游戏模拟器安卓版下载
- Linux-常用软件源整理
- 关于免费申请6位QQ的真相
- Python秒杀脚本丨淘宝或京东平台定时自动秒杀抢购脚本
- Just do it and never give up,then you will find that things become better
- 基于JavaSwing开发模拟电梯系统+分析报告 课程设计 大作业源码
- 理解51单片机最小系统的工作原理
热门文章
- 第三十三讲 非线性方程组化为一阶方程
- 第八讲 一阶常系数线性ODE(续)
- JMeter和JMeterPlugin 下载安装
- 关于大型站点技术演进的思考(七)--存储的瓶颈(7)
- AntData.ORM框架 之 读写分离
- DFS 之 poj 2386 Lake Counting
- 一个C#和C++执行效率对比的简单实例
- Silverlight 2 RTW中ToolTipService.ToolTip不继承父节点的DataContext的问题
- JS,中文,未结束的字符常量
- AMD规范:简单而优雅的动态载入JavaScript代码