在《用共振頻率去理解神經網絡-將乙烯模型運行300次的數據》文中將乙烯模型運行了300次，得到了300組輸出與迭代次數的數據。這次計算只用了其中的150組數據，其中的6組明顯不合理被剔除了，由余下的144組數據可以非常直觀的發現迭代次數與輸出值高度相關。

??
?

?

*	輸出	迭代次數	迭代次數
2	0.516509	86713	-11.3704
3	0.513156	124593	-11.7328
4	0.512544	164576	-12.0111
5	0.514564	169478	-12.0405
6	0.509862	169959	-12.0433
7	0.513865	184908	-12.1276
8	0.512103	188896	-12.149
9	0.511447	204082	-12.2263
10	0.511093	231931	-12.3542
11	0.509828	253718	-12.444

?

?

81	0.503994	1349560	-14.1153
82	0.503236	1381406	-14.1386
83	0.50333	1386255	-14.1421
84	0.502709	1395038	-14.1484
85	0.503829	1447198	-14.1851
86	0.503246	1486612	-14.212
87	0.503802	1596727	-14.2835
88	0.502321	1749888	-14.3751
89	0.503119	1776919	-14.3904
90	0.503425	1848841	-14.4301

?

?

?

?

131	0.501003	34099800	-17.3448
132	0.500885	37053436	-17.4279
133	0.500538	46023712	-17.6447
134	0.500605	58152875	-17.8786
135	0.500485	59579395	-17.9028
136	0.500408	60055128	-17.9108
137	0.500737	70086877	-18.0652
138	0.500707	74569401	-18.1272
139	0.500511	93937143	-18.3581
140	0.500373	94650373	-18.3657

?

?

?

通過這個表格很容易的發現隨著迭代次數的增加輸出越來越小逼近0.5，由于輸出的變化范圍太大，做了數學變換-ln（x），將輸出和變換后的迭代次數畫成圖

?

?

?

?

可以相當直觀的看出迭代次數和輸出肯定是有關系的，但不知道是什么關系，這里先假設是簡單的線性關系，用一次函數去擬合這兩組數據

輸出的函數y2=k2*x+b2

迭代次數的函數y1=k1*x+b1

先對輸出圖像做平滑，然后抽出兩組值比如

0.5086	14
0.5007	136

可以算出

k2=	-6.47541E-05
b2=	0.509506557

?

然后迭代次數也取兩組值比如

-12.74	18
-17.9	134

算出

k1=	-0.044482759
b1=	-11.93931034

將x代入可以得到

Y(輸出)=0.001455712*（-ln（X)）+0.526886758---a

X就是迭代次數

得到圖像

?

?

?

可以通過公式a簡單由迭代次數去計算輸出值，得到的平均誤差是0.0023也就是0.23%，對于有效位數是在千分位和萬分位的數字來說這個誤差還是太大的，應該是有其他的規律，但對固定結構固定輸入的神經網絡的輸出值是可以被計算的這個總是肯定的。輸入權重可以影響迭代次數，但不會改變網絡的特征輸出。

雖然在網絡運行前不太可能知道會迭代多少次，但運行幾次得到幾組數據之后，可以用這種近似的辦法得到這個網絡特征輸出，并用特征輸出和期望值的差距去判斷網絡的總體性能。

/***************************************************************************************************************/

后經大量實驗證實神經網絡在收斂標準，權重初始化方式，學習率不變的情況下神經網絡的輸出和迭代次數的關系更接近

輸出=系數a*ln（迭代次數）

Y=a.ln（n）

在2018年10月21日《用神經網絡模擬分子：數據重復性檢測》中構造了同系列的34組網絡，實驗表明迭代次數隨著網絡結構的變化曾高度規則變化，網絡越復雜理論收斂迭代次數n越大，特征明顯高度可重復，Y值也呈高度規則變化。在2018年10月21日《用神經網絡模擬分子：數據精確性檢測》中有更為詳細的數據。

在2018年11月17日《神經網絡結構與輸出值之間的關系》有輸出值變化規律的詳細數據。

?

?

?

實驗數據

*	輸出	迭代次數	迭代次數	計算值	誤差
2	0.516509	86713	-11.3704	0.510335	-0.01195
3	0.513156	124593	-11.7328	0.509807	-0.00653
4	0.512544	164576	-12.0111	0.509402	-0.00613
5	0.514564	169478	-12.0405	0.509359	-0.01012
6	0.509862	169959	-12.0433	0.509355	-0.00099
7	0.513865	184908	-12.1276	0.509232	-0.00901
8	0.512103	188896	-12.149	0.509201	-0.00567
9	0.511447	204082	-12.2263	0.509089	-0.00461
10	0.511093	231931	-12.3542	0.508903	-0.00429
11	0.509828	253718	-12.444	0.508772	-0.00207
12	0.509942	263930	-12.4834	0.508714	-0.00241
13	0.508077	275618	-12.5268	0.508651	0.00113
14	0.507283	293796	-12.5906	0.508558	0.002513
15	0.509628	313571	-12.6558	0.508464	-0.00229
16	0.507789	320830	-12.6787	0.50843	0.001262
17	0.508679	322715	-12.6845	0.508422	-0.00051
18	0.510065	330262	-12.7076	0.508388	-0.00329
19	0.507998	342228	-12.7432	0.508336	0.000666
20	0.508769	346631	-12.756	0.508318	-0.00089
21	0.508902	347396	-12.7582	0.508314	-0.00116
22	0.508954	348106	-12.7603	0.508311	-0.00126
23	0.507023	357612	-12.7872	0.508272	0.002464
24	0.507826	369138	-12.8189	0.508226	0.000788
25	0.507427	373511	-12.8307	0.508209	0.00154
26	0.508347	385912	-12.8634	0.508161	-0.00036
27	0.50897	414579	-12.935	0.508057	-0.00179
28	0.507568	435026	-12.9832	0.507987	0.000825
29	0.507557	435726	-12.9848	0.507985	0.000842
30	0.506943	445736	-13.0075	0.507952	0.001989
31	0.508557	460928	-13.041	0.507903	-0.00129
32	0.50686	465972	-13.0519	0.507887	0.002026
33	0.506789	467585	-13.0553	0.507882	0.002156
34	0.507385	496763	-13.1159	0.507794	0.000806
35	0.508386	510314	-13.1428	0.507755	-0.00124
36	0.508223	510541	-13.1432	0.507754	-0.00092
37	0.505149	512141	-13.1464	0.507749	0.005148
38	0.505831	516517	-13.1549	0.507737	0.003767
39	0.508849	520660	-13.1629	0.507725	-0.00221
40	0.504402	532222	-13.1848	0.507693	0.006525
41	0.506183	551801	-13.2209	0.507641	0.002881
42	0.506764	553739	-13.2244	0.507636	0.00172
43	0.504039	572627	-13.258	0.507587	0.007038
44	0.506264	575598	-13.2632	0.507579	0.002598
45	0.504858	585025	-13.2794	0.507556	0.005343
46	0.505587	586087	-13.2812	0.507553	0.003889
47	0.50819	596912	-13.2995	0.507526	-0.0013
48	0.50504	615982	-13.331	0.507481	0.004833
49	0.506155	618640	-13.3353	0.507474	0.002607
50	0.505588	645834	-13.3783	0.507412	0.003607
51	0.505614	671661	-13.4175	0.507355	0.003443
52	0.506141	693969	-13.4502	0.507307	0.002304
53	0.507431	699873	-13.4587	0.507295	-0.00027
54	0.504775	717198	-13.4831	0.507259	0.004922
55	0.506531	750614	-13.5286	0.507193	0.001306
56	0.505581	755332	-13.5349	0.507184	0.003171
57	0.504047	785305	-13.5738	0.507127	0.006111
58	0.504673	802453	-13.5954	0.507096	0.004801
59	0.504772	838870	-13.6398	0.507031	0.004476
60	0.503381	840281	-13.6415	0.507029	0.007246
61	0.504552	868670	-13.6747	0.50698	0.004814
62	0.504552	887241	-13.6959	0.50695	0.004752
63	0.503548	934152	-13.7474	0.506875	0.006607
64	0.504572	944298	-13.7582	0.506859	0.004532
65	0.506335	970624	-13.7857	0.506819	0.000956
66	0.5036	989617	-13.8051	0.506791	0.006335
67	0.504758	1001063	-13.8166	0.506774	0.003994
68	0.505566	1004941	-13.8204	0.506768	0.002377
69	0.504216	1049234	-13.8636	0.506705	0.004937
70	0.50407	1069259	-13.8825	0.506678	0.005175
71	0.503195	1092914	-13.9044	0.506646	0.006857
72	0.504737	1098825	-13.9098	0.506638	0.003767
73	0.504522	1100358	-13.9111	0.506636	0.00419
74	0.505833	1194748	-13.9934	0.506516	0.001351
75	0.50431	1200766	-13.9985	0.506509	0.004361
76	0.504304	1242820	-14.0329	0.506459	0.004272
77	0.506197	1264917	-14.0505	0.506433	0.000467
78	0.50279	1305698	-14.0822	0.506387	0.007154
79	0.503678	1309950	-14.0855	0.506382	0.00537
80	0.507389	1335669	-14.1049	0.506354	-0.00204
81	0.503994	1349560	-14.1153	0.506339	0.004653
82	0.503236	1381406	-14.1386	0.506305	0.006098
83	0.50333	1386255	-14.1421	0.5063	0.005901
84	0.502709	1395038	-14.1484	0.506291	0.007125
85	0.503829	1447198	-14.1851	0.506237	0.00478
86	0.503246	1486612	-14.212	0.506198	0.005866
87	0.503802	1596727	-14.2835	0.506094	0.00455
88	0.502321	1749888	-14.3751	0.505961	0.007247
89	0.503119	1776919	-14.3904	0.505938	0.005605
90	0.503425	1848841	-14.4301	0.505881	0.004879
91	0.50304	1895990	-14.4553	0.505844	0.005573
92	0.499132	1901928	-14.4584	0.50584	0.013439
93	0.500181	1993833	-14.5056	0.505771	0.011175
94	0.503893	2053206	-14.5349	0.505728	0.003641
95	0.501926	2314784	-14.6548	0.505554	0.007226
96	0.502172	2671842	-14.7983	0.505345	0.006318
97	0.502766	2679391	-14.8011	0.505341	0.00512
98	0.505906	2745179	-14.8254	0.505305	-0.00119
99	0.502758	2888629	-14.8763	0.505231	0.004919
100	0.501576	3096264	-14.9457	0.50513	0.007086
101	0.501632	4090919	-15.2243	0.504725	0.006164
102	0.502274	4503546	-15.3204	0.504585	0.004599
103	0.501819	4662151	-15.355	0.504534	0.00541
104	0.502067	4884791	-15.4016	0.504466	0.00478
105	0.501729	4907008	-15.4062	0.50446	0.005443
106	0.502375	4931587	-15.4112	0.504453	0.004136
107	0.501388	5158308	-15.4561	0.504387	0.005982
108	0.501764	5170149	-15.4584	0.504384	0.005221
109	0.501843	6139307	-15.6302	0.504134	0.004564
110	0.501899	6192504	-15.6389	0.504121	0.004428
111	0.501531	7285906	-15.8015	0.503884	0.004692
112	0.502156	7856737	-15.8769	0.503775	0.003223
113	0.50146	9053680	-16.0187	0.503568	0.004204
114	0.501843	9606597	-16.078	0.503482	0.003266
115	0.50107	9920757	-16.1101	0.503435	0.004719
116	0.501184	16322171	-16.608	0.50271	0.003044
117	0.501048	16810859	-16.6375	0.502667	0.003231
118	0.50107	17221260	-16.6617	0.502632	0.003118
119	0.501193	17654126	-16.6865	0.502596	0.002799
120	0.500803	18346351	-16.7249	0.50254	0.003468
121	0.500974	18675513	-16.7427	0.502514	0.003074
122	0.501474	23812301	-16.9857	0.50216	0.00137
123	0.501195	24330009	-17.0072	0.502129	0.001864
124	0.500943	24577379	-17.0173	0.502114	0.002337
125	0.5007	25078250	-17.0375	0.502085	0.002766
126	0.501205	26386757	-17.0884	0.502011	0.001609
127	0.50077	28370298	-17.1609	0.501905	0.002268
128	0.500445	28796741	-17.1758	0.501884	0.002875
129	0.500585	29173786	-17.1888	0.501865	0.002557
130	0.500871	33265639	-17.32	0.501674	0.001603
131	0.501003	34099800	-17.3448	0.501638	0.001267
132	0.500885	37053436	-17.4279	0.501517	0.001262
133	0.500538	46023712	-17.6447	0.501201	0.001325
134	0.500605	58152875	-17.8786	0.500861	0.000511
135	0.500485	59579395	-17.9028	0.500825	0.000679
136	0.500408	60055128	-17.9108	0.500814	0.000811
137	0.500737	70086877	-18.0652	0.500589	-0.0003
138	0.500707	74569401	-18.1272	0.500499	-0.00042
139	0.500511	93937143	-18.3581	0.500163	-0.0007
140	0.500373	94650373	-18.3657	0.500152	-0.00044
141	0.500299	131563386	-18.695	0.499672	-0.00125
142	0.500419	148811826	-18.8182	0.499493	-0.00185
143	0.50031	198305891	-19.1053	0.499075	-0.00247
144	0.500405	221802724	-19.2173	0.498912	-0.00298
*	?
平均值	0.504635	13009477.13	-14.4947	0.505787	0.002299

?

?

?

?

總結

以上是生活随笔為你收集整理的由神经网络的迭代次数计算输出值并评价网络性能的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。