當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

一张图片相对神经网络可能有几种属性？

發(fā)布時間：2025/4/5 编程问答 23 豆豆

生活随笔收集整理的這篇文章主要介紹了一张图片相对神经网络可能有几种属性？小編覺得挺不錯的,現(xiàn)在分享給大家,幫大家做個參考.

如果假設每張圖片相對神經(jīng)網(wǎng)絡都至少有兩個屬性分別是頻率和質(zhì)量，頻率和點的分布有關，而質(zhì)量和點的數(shù)值大小有關。

本文通過實驗驗證圖片對于神經(jīng)網(wǎng)絡應該有質(zhì)量屬性。

比如一張圖片只有4個像素

當r1>0&&r2>0為排斥子

當r1>0&&r2<0為鞍點

很顯然排斥子和鞍點都是對角線他們的頻率應該是相同的，如果排斥子和鞍點可以分類就表明圖片相對神經(jīng)網(wǎng)絡有一種與點的分布無關的屬性存在。

實驗過程

制作一個4*4*2結(jié)構(gòu)的神經(jīng)網(wǎng)絡，向這個網(wǎng)絡輸入排斥子并讓這個網(wǎng)絡向1，0收斂

將這個網(wǎng)絡簡單表示成

s（p）-4-4-2-（2*k）,k∈(0,1)

用同樣的辦法制作一個4*4*2的網(wǎng)絡向這個網(wǎng)絡輸入鞍點，并讓這個網(wǎng)絡向0，1收斂將這個網(wǎng)絡表示成

s（a）-4-4-2-（2*k）,k∈(0,1)

現(xiàn)在用這兩個網(wǎng)絡組成一個網(wǎng)絡，并讓4*4*2部分的權(quán)重共享，前面大量實驗表明這種效果相當于將兩個彈性系數(shù)為k1，k2的彈簧并聯(lián)成一個彈性系數(shù)為k的彈簧，并且讓k1=k2=k/2的過程。

將這個網(wǎng)絡簡寫成

d2（p，a）-4-4-2-（2*k）,k∈(0,1)

這個網(wǎng)絡的收斂標準是

if (Math.abs(f2[0]-y[0])< δ? &&? Math.abs(f2[1]-y[1])< δ?? )

因為對應每個收斂標準δ都有一個特征的迭代次數(shù)n與之對應因此可以用迭代次數(shù)曲線n(δ)來評價網(wǎng)絡性能。

本文嘗試了δ從0.5到1e-7在內(nèi)的35個值.

具體進樣順序	?	?	?
進樣順序	迭代次數(shù)	?	?
δ=0.5	?	?	?
P	1	?	判斷是否達到收斂
a	2	?	判斷是否達到收斂
梯度下降	?	?	?
P	3	?	判斷是否達到收斂
a	4	?	判斷是否達到收斂
梯度下降	?	?	?
……	?	?	?
達到收斂標準測量準確率,記錄迭代次數(shù)，將這個過程重復199次		?	?
δ=0.4	?	?	?
…	?	?	?
δ=1e-7	?	?	?

其中排斥子為

Random rand1 =new Random();

int ti1=rand1.nextInt(98)+1;

x[0]=1+((double)ti1/100);

Random rand2 =new Random();

int ti2=rand2.nextInt(98)+1;

x[3]=1+((double)ti2/100);

鞍點為

Random rand1 =new Random();

int ti1=rand1.nextInt(98)+1;

x[0]=1+((double)ti1/100);

Random rand2 =new Random();

int ti2=rand2.nextInt(98)+1;

x[3]=((double)ti2/100);

f2[0]	f2[1]	迭代次數(shù)n	平均準確率p-ave	δ	耗時ms/次	耗時ms/199次	耗時 min/199
0.559472171	0.498098619	97.62311558	0	0.5	0.743718593	150	0.0025
0.604735251	0.396864624	579.8090452	0	0.4	1.552763819	312	0.0052
0.599203607	0.408847791	806.7085427	0	0.3	2.065326633	411	0.00685
0.451248905	0.557567908	921.5075377	0	0.2	2.477386935	494	0.008233333
0.279545683	0.725122071	1201.055276	0	0.1	3.060301508	612	0.0102
0.008971715	0.991081138	2548.542714	0	0.01	4.768844221	952	0.015866667
9.24E-04	0.999090755	5639.366834	0	0.001	10.57788945	2109	0.03515
9.23E-05	0.999908755	12599.11558	0	1.00E-04	20.11557789	4006	0.066766667
8.29E-05	0.999917373	12531.57789	0	9.00E-05	19.43718593	3871	0.064516667
7.37E-05	0.999926705	13018.40201	0	8.00E-05	20.05025126	3995	0.066583333
6.48E-05	0.999935456	13185.96985	0	7.00E-05	20.67336683	4117	0.068616667
5.54E-05	0.999944992	14087.8392	0	6.00E-05	21.89447236	4358	0.072633333
4.62E-05	0.999954152	14697.69849	0	5.00E-05	22.98492462	4579	0.076316667
3.66E-05	0.999963408	15529.22613	0	4.00E-05	25.54773869	5085	0.08475
2.73E-05	0.999972908	17176.1608	0	3.00E-05	27.35175879	5447	0.090783333
1.80E-05	0.999982054	18380.91457	0	2.00E-05	29.17085427	5811	0.09685
9.10E-06	0.999990938	21252.09045	0	1.00E-05	33.39698492	6652	0.110866667
8.21E-06	0.999991841	21359.44724	0	9.00E-06	33.2160804	6621	0.11035
7.34E-06	0.999992806	21614.13065	0	8.00E-06	33.88944724	6751	0.112516667
6.36E-06	0.99999372	22877.41709	0	7.00E-06	37.72361809	7525	0.125416667
5.42E-06	0.999994615	23357.9799	0	6.00E-06	36.67336683	7301	0.121683333
4.54E-06	0.999995475	24004.46231	0	5.00E-06	37.4321608	7454	0.124233333
3.62E-06	0.999996403	24231.49749	0	4.00E-06	37.92964824	7554	0.1259
2.73E-06	0.999997315	26105.23618	0	3.00E-06	40.67336683	8099	0.134983333
1.79E-06	0.999998215	27608.83417	0	2.00E-06	44.49748744	8856	0.1476
9.01E-07	0.999999113	30251.55779	0	1.00E-06	48.63819095	9695	0.161583333
8.01E-07	0.9999992	31501.21608	0	9.00E-07	52.09547739	10367	0.172783333
7.17E-07	0.999999284	32857.14573	0	8.00E-07	53.54773869	10656	0.1776
6.21E-07	0.999999381	33769.78894	0	7.00E-07	55.09547739	10964	0.182733333
5.36E-07	0.999999467	34067.96985	0	6.00E-07	55.87939698	11135	0.185583333
4.47E-07	0.999999557	34494.55276	0	5.00E-07	55.91959799	11144	0.185733333
3.50E-07	0.999999651	35388.1206	0	4.00E-07	57.90954774	11541	0.19235
2.63E-07	0.999999739	37896.22111	0	3.00E-07	61.75376884	12289	0.204816667
1.75E-07	0.999999827	41354.17085	0	2.00E-07	68.03015075	13541	0.225683333
8.73E-08	0.999999913	45871.40704	0	1.00E-07	77.80904523	15487	0.258116667

迭代次數(shù)隨著δ的減小不斷增加。

也就是表明排斥子和鞍點是可以被分類的，表明圖片相對神經(jīng)網(wǎng)絡存在一個與排布規(guī)律無關的屬性。

實驗參數(shù)

學習率 0.1

權(quán)重初始化方式

Random rand1 =new Random();

int ti1=rand1.nextInt(98)+1;

tw[a][b]=xx*((double)ti1/1000);

總結(jié)

以上是生活随笔為你收集整理的一张图片相对神经网络可能有几种属性？的全部內(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。

上一篇：吸引子矩阵和鞍点矩阵可以用神经网络二分类
下一篇： ?j锅馍馍一天能做多少