• 计算多张图片的移位距离

    ( A, B )---25*30*2---( 1, 0 )( 0, 1 )

    做一个二分类的网络分类A和B，让A和B的训练集中都有多张图片，用一种平均值的办法把多张图片等效成两张图片，统计两张图片的移位距离，并比较移位距离和迭代次数的关系。

    设AB训练集都只有两张图片，计算平均值

    a8=(a0+a4)/2

    a9=(a1+a5)/2

    a10=(a2+a6)/2

    a11=(a3+a7)/2

    b8=(b0+b4)/2

    b9=(b1+b5)/2

    b10=(b2+b6)/2

    b11=(b3+b7)/2

    得到两张平均值图片

    则网络( A A1, B B1 )---25*30*2---( 1, 0 )( 0, 1 )

    的平均移位距离为

    S=|a8-b8|+|a9-b9|+|a10-b10|+|a11-b11|

    让收敛误差为7e-4，每个收敛误差统计199次，让训练集中图片的数量分别为1，2，5，10，20，50，100，500，1000，2000，3000，统计迭代次数和移位距离，并比较二者的关系。得到数据

    5*5

    1

    1

    1

    3

    1

    2

    2

    0

    0

    0

    0

    3

    4

    4

    2

    4

    3

    1

    2

    3

    4

    s

    2.74902

    3.505882

    3.737255

    4.368627

    5.231373

    5.713725

    7.062745

    7.611765

    8.556863

    10.08235

    7.00E-04

    16024.14

    13818.86

    12726.82

    11594.23

    10989.32

    10432.77

    9773.97

    9348.141

    9022.221

    8341.96

    5*5

    2

    1

    2

    0

    2

    0

    1

    0

    3

    1

    0

    2

    3

    2

    4

    1

    3

    3

    4

    4

    4

    s

    4.282353

    4.327451

    6.478431

    5.045098

    5.054902

    3.35098

    5.84902

    5.011765

    4.582353

    7.75098

    7.00E-04

    10620.38

    9137.095

    7897.04

    7667.322

    7379.693

    6874.015

    5066.226

    4720.362

    4299.724

    3462.206

    5*5

    5

    2

    0

    1

    0

    1

    2

    1

    0

    0

    3

    4

    2

    2

    3

    4

    3

    3

    4

    1

    4

    s

    4.672157

    5.187451

    4.527059

    5.522353

    3.840784

    4.510588

    4.838431

    6.300392

    5.907451

    5.504314

    7.00E-04

    5417.065

    5305.925

    4151.533

    3726.146

    3341.035

    2901.658

    2698.709

    2248.754

    2182.276

    1893.869

    5*5

    10

    3

    2

    1

    0

    0

    0

    1

    1

    2

    0

    4

    4

    2

    1

    3

    4

    3

    4

    3

    2

    s

    4.309804

    4.464706

    3.90902

    5.866667

    4.768235

    5.805098

    4.849804

    3.591765

    4.372941

    4.789804

    7.00E-04

    3928.156

    3441.593

    2485.291

    2468.367

    2402.884

    2191.719

    2158.905

    2018.171

    2002.824

    1859.322

    5*5

    20

    3

    2

    1

    0

    2

    1

    0

    1

    0

    0

    4

    3

    2

    1

    4

    3

    4

    4

    3

    2

    s

    4.205294

    2.556275

    3.835294

    5.88098

    3.760392

    3.737451

    5.752745

    3.64

    4.331765

    4.215098

    7.00E-04

    8666.357

    3551.176

    2552.704

    2381.131

    2304.698

    2290.206

    1883.879

    1748.965

    1697.317

    1618.573

    5*5

    50

    2

    3

    2

    1

    0

    0

    0

    1

    1

    0

    3

    4

    4

    2

    2

    4

    1

    3

    4

    3

    s

    2.66549

    4.046039

    3.918902

    4.423843

    3.249176

    4.776392

    5.984078

    3.413098

    4.202667

    3.971922

    7.00E-04

    2446.824

    2241.513

    2169.352

    2107.568

    2044.724

    1995.075

    1963.06

    1956.955

    1769.859

    1658.492

    5*5

    100

    3

    2

    2

    1

    0

    0

    0

    0

    1

    1

    4

    4

    3

    2

    3

    1

    2

    4

    3

    4

    s

    4.09349

    4.037216

    2.574941

    4.289882

    3.589765

    5.747059

    3.424941

    4.635333

    3.182863

    3.945451

    7.00E-04

    2466.136

    2307.613

    2217.095

    2206.055

    2194.724

    2129.392

    2067.261

    2064.05

    1942.764

    1908.814

    5*5

    500

    2

    2

    3

    0

    0

    0

    0

    1

    1

    1

    3

    4

    4

    2

    1

    3

    4

    3

    2

    4

    s

    1.841937

    3.871867

    3.993318

    3.061655

    5.784

    3.767137

    4.567875

    2.981114

    3.974

    4.114322

    7.00E-04

    17644.72

    3711.824

    2843.116

    2595.508

    2304.387

    2083.437

    2054.95

    1935.94

    1805.226

    1698.151

    5*5

    1000

    2

    0

    2

    3

    1

    0

    0

    1

    0

    1

    3

    2

    4

    4

    3

    1

    4

    2

    3

    4

    s

    1.967247

    3.071443

    3.734294

    3.80609

    2.993365

    5.5968

    4.462176

    3.806086

    3.764627

    3.826263

    7.00E-04

    17949.56

    3149.005

    2865.623

    2621.101

    2339.327

    2076.176

    2057.337

    2030.804

    1831.829

    1829.357

    5*5

    2000

    2

    0

    2

    3

    1

    0

    0

    1

    0

    1

    3

    2

    4

    4

    3

    1

    4

    2

    3

    4

    s

    1.971653

    3.133484

    3.843361

    3.838414

    2.892318

    5.721686

    4.602229

    3.848649

    3.901855

    3.804335

    7.00E-04

    16360.47

    2862.643

    2583.503

    2562.492

    2388.03

    2179.472

    2056.06

    2028.774

    1862.261

    1827.809

    5*5

    3000

    2

    0

    2

    3

    1

    0

    0

    1

    0

    1

    3

    2

    4

    4

    3

    1

    4

    2

    3

    4

    s

    2.028156

    3.135631

    3.926705

    3.783718

    2.83378

    5.703769

    4.601813

    3.880624

    3.863376

    3.778277

    7.00E-04

    17897.95

    2856.523

    2594.99

    2536.618

    2399.015

    2197.603

    2087.286

    2020.784

    1861.719

    1833.427

    当只有1张时迭代次数和移位距离的反比关系很清晰与前述实验数据一致

    当有5张图片时

    或许是由于图片太少，对称性导致的不规则效应比较明显，n和s的反比关系不是特别突出，但s确实有增函数特征

    训练集有100张图片的s曲线

    当训练集有500张图片，迭代次数有巨大的数值差异，s曲线增函数特征加强

    当训练集有1000张图片的时候，s曲线平滑了很多

    训练集有2000张图片

    当训练集有3000张图片时的s曲线和训练集有1000张图片时的s曲线相近。n和s有明显的反比特征。

  • 相关阅读:
    C++ STL详解(五) -------- priority_queue
    PendingIntent
    第五节 Electron 模块介绍 remote模块详细介绍
    城市智慧化发展的一部分:智慧公厕的前景
    springboot thymeleaf使用
    Docker的常用基础命令（详细讲解）
    go的结构体嵌套（组合式继承）
    最强大脑记忆曲线（6）——字词录入页设计
    概率论的学习和整理9：超几何分布--未完成
    【pen200-lab】10.11.1.5
  • 原文地址：https://blog.csdn.net/georgesale/article/details/127554721