用移位距离和标定神经网络迭代次数

(A，B)---m*n*k---(1,0)(0,1)

移位距离和假设

用神经网络分类A和B，把参与分类的A和B中的数字看作是组成A和B的粒子，分类的过程就是让A和B中的粒子互相交换位置，寻找最短移位路径的过程。而熵H与最短移位距离和成正比，迭代次数n和熵H成反比。

对二值化图片移位规则汇总

每个粒子移位一次，位置重合不移位，0不动，单次移位距离恒为1.

这次继续验证移位距离和假设，尝试用移位距离和去标定迭代次数

这次用的是86x系列图片，A中有8个1，B中有6个1.让A和B不断迭代直到收敛，每个收敛误差收敛199次，统计迭代次数平均值并比较。

得到迭代次数

这几条曲线高度重合，因为他们的移位距离和都是2.如861中，仅有A的（1，0）和（2，0）粒子需要移位，因此总的移位距离和为2.

做第二组865-868，得到迭代次数

这个迭代次数明显的分成两条线，865一条线，866，867，868重合为1条线。因为865的移位距离和为2而866，867，868的移位距离和为4.比如866需要移位的粒子包括A中的（0，1），（1，1），（2，1）和B中的（0，0）共4个粒子，因此总的移位距离和为4.

866的迭代次数小于865，这也符合假设中移位距离和与迭代次数成反比的关系。

将这次实验数据与前述实验数据做比较

迭代次数与移位距离和的反比关系很明确。除911数值略偏大以外，其余迭代次数都可以用移位距离和相对精确的标定。

相关阅读:
MultipartFile 上传文件的踩坑点
C# OpenCvSharp DNN Image Retouching
nlp自然语言处理
VirtuaLab Fusion新版本：从光线光学到物理光学的无缝转换
可视化工具Visdom的使用
程序猿成长之路之数据挖掘篇——决策树分类算法(1)——信息熵和信息增益
DGL学习笔记——第一章图
研发效能行业发展趋势及人才认证的重要性丨IDCF
ATJ2157&ATJ2127音乐按文件名拼音排序---标案是按内码进行排序
「深度学习之优化算法」（十九）蚁狮算法

原文地址：https://blog.csdn.net/georgesale/article/details/125602191