神经网络训练集两张图片之间的相互作用
在《神經網絡分類訓練集的圖片到底是如何相互影響的？》中得到了一個經驗關系，如果（兩張圖片）混合后的迭代次數變小了，分類準確率可能變大；如果二者混合后迭代次數變大，分類準確率可能會變小。但上次實驗的樣本只有8個太少了，這次把1-9所有不重復的36個兩兩混合全都做出來，檢驗這個關系是否還成立。
?
第一部分，1張圖片和1張圖片分類，0[n]和2[1]進行分類
（0[n],2[1]）---81*30*2---(1,0)(0,1) n=1,2…9
| ? | f2[0] | f2[1] | 迭代次數n | 平均準確率p-ave | δ | 耗時ms/次 | 耗時ms/199次 | 耗時 min/199 | 最大準確率p-max | 迭代次數標準差 | pave標準差 |
| 0[1],2[1] | 0.502512 | 0.4974879 | 43337.065 | 0.7746286 | 1.00E-04 | 1014.0251 | 201825 | 3.36375 | 0.7947316 | 1714.6271 | 0.0078051 |
| 0[2],2[1] | 0.3618366 | 0.6381634 | 39428.513 | 0.6697154 | 1.00E-04 | 910.21608 | 181148 | 3.0191333 | 0.6983101 | 1526.1862 | 0.0115177 |
| 0[3],2[1] | 0.0654133 | 0.9345866 | 42304.126 | 0.8722614 | 1.00E-04 | 964.87437 | 192041 | 3.2006833 | 0.8812127 | 1926.7298 | 0.0034939 |
| 0[4],2[1] | 0.2412577 | 0.7587424 | 41168.382 | 0.8031534 | 1.00E-04 | 941.36683 | 187332 | 3.1222 | 0.8195825 | 1939.6639 | 0.00698 |
| 0[5],2[1] | 0.6281151 | 0.3718849 | 44140.638 | 0.9079193 | 1.00E-04 | 993.55276 | 197718 | 3.2953 | 0.917992 | 1808.8097 | 0.0039003 |
| 0[6],2[1] | 0.0704375 | 0.9295625 | 43375.829 | 0.8471657 | 1.00E-04 | 971.34673 | 193298 | 3.2216333 | 0.8593439 | 1993.3655 | 0.0046175 |
| 0[7],2[1] | 0.2312094 | 0.7687906 | 40382.593 | 0.8858857 | 1.00E-04 | 935.49246 | 186179 | 3.1029833 | 0.9000994 | 1797.8539 | 0.0049712 |
| 0[8],2[1] | 0.2261853 | 0.7738147 | 40953.844 | 0.9054492 | 1.00E-04 | 948.52764 | 188757 | 3.14595 | 0.9130219 | 1721.9027 | 0.0032987 |
| 0[9],2[1] | 0.3166195 | 0.6833805 | 45157.543 | 0.8177193 | 1.00E-04 | 1041.9899 | 207357 | 3.45595 | 0.8369781 | 1948.7476 | 0.0062181 |
?
第二部分，兩張圖片和1張圖片分類，0[n，m]和2[1]進行分類
（0[n，m],2[1]）---81*30*2---(1,0)(0,1) n=1,2…9，m=1,2…9,n≠m
| n | m | f2[0] | f2[1] | 迭代次數n | 平均準確率p-ave | δ | 耗時ms/次 | 耗時ms/199次 | 耗時 min/199 | 最大準確率p-max | 迭代次數標準差 | pave標準差 |
| 1 | 2 | 0.9999 | 9.96E-05 | 30919.08 | 0.832275 | 1.00E-04 | 715.6432 | 142421 | 2.373683 | 0.849404 | 1988.477 | 0.006317 |
| 1 | 3 | 0.793911 | 0.206089 | 45815.48 | 0.811398 | 1.00E-04 | 1015.819 | 202155 | 3.36925 | 0.823062 | 1917.266 | 0.005343 |
| 1 | 4 | 0.9999 | 9.96E-05 | 36274.74 | 0.814378 | 1.00E-04 | 808.8442 | 160973 | 2.682883 | 0.832008 | 2249.417 | 0.005598 |
| 1 | 5 | 0.994876 | 0.005124 | 41817.56 | 0.858782 | 1.00E-04 | 927.1759 | 184513 | 3.075217 | 0.870278 | 2149.949 | 0.004421 |
| 1 | 6 | 0.557778 | 0.442223 | 47636.92 | 0.775208 | 1.00E-04 | 1053.372 | 209630 | 3.493833 | 0.789761 | 2122.903 | 0.005359 |
| 1 | 7 | 0.999901 | 9.96E-05 | 34923.28 | 0.871717 | 1.00E-04 | 777.7136 | 154774 | 2.579567 | 0.880716 | 2259.736 | 0.00372 |
| 1 | 8 | 0.9999 | 9.96E-05 | 38414.16 | 0.864631 | 1.00E-04 | 852.9849 | 169747 | 2.829117 | 0.877237 | 2230.174 | 0.005252 |
| 1 | 9 | 0.964732 | 0.035269 | 44078.99 | 0.830966 | 1.00E-04 | 977.3719 | 194508 | 3.2418 | 0.843439 | 2609.696 | 0.005355 |
| 2 | 3 | 0.9999 | 9.96E-05 | 36070.77 | 0.891283 | 1.00E-04 | 804.7538 | 160158 | 2.6693 | 0.898111 | 2510.826 | 0.002865 |
| 2 | 4 | 0.984828 | 0.015172 | 39135.39 | 0.855717 | 1.00E-04 | 872.2814 | 173591 | 2.893183 | 0.867793 | 2325.469 | 0.004345 |
| 2 | 5 | 0.9999 | 9.94E-05 | 31163.81 | 0.909071 | 1.00E-04 | 698.8945 | 139082 | 2.318033 | 0.917992 | 1919.277 | 0.003495 |
| 2 | 6 | 0.9999 | 9.96E-05 | 34042.07 | 0.878341 | 1.00E-04 | 761.1508 | 151481 | 2.524683 | 0.888171 | 2293.658 | 0.003757 |
| 2 | 7 | 0.854201 | 0.145799 | 40396.43 | 0.899912 | 1.00E-04 | 900.2814 | 179166 | 2.9861 | 0.91501 | 2129.306 | 0.004996 |
| 2 | 8 | 0.924539 | 0.075461 | 39455.15 | 0.918614 | 1.00E-04 | 879.4874 | 175026 | 2.9171 | 0.927435 | 2474.915 | 0.002937 |
| 2 | 9 | 0.999901 | 9.95E-05 | 31021.66 | 0.880983 | 1.00E-04 | 697.5779 | 138822 | 2.3137 | 0.889662 | 1969.136 | 0.003674 |
| 3 | 4 | 0.834104 | 0.165896 | 42371.03 | 0.84521 | 1.00E-04 | 941.8342 | 187429 | 3.123817 | 0.856859 | 2032.874 | 0.004772 |
| 3 | 5 | 0.9999 | 9.96E-05 | 42642.03 | 0.848622 | 1.00E-04 | 948.4774 | 188756 | 3.145933 | 0.859344 | 2193.462 | 0.003914 |
| 3 | 6 | 0.894394 | 0.105606 | 39732.69 | 0.862858 | 1.00E-04 | 887.0754 | 176535 | 2.94225 | 0.87326 | 2180.379 | 0.003827 |
| 3 | 7 | 0.9999 | 9.97E-05 | 33877.87 | 0.891555 | 1.00E-04 | 760.4171 | 151331 | 2.522183 | 0.900596 | 2302.279 | 0.002934 |
| 3 | 8 | 0.9999 | 9.97E-05 | 33148.47 | 0.89402 | 1.00E-04 | 741.4824 | 147565 | 2.459417 | 0.902584 | 2385.352 | 0.002749 |
| 3 | 9 | 0.9999 | 9.97E-05 | 38292.14 | 0.858627 | 1.00E-04 | 853.995 | 169953 | 2.83255 | 0.867793 | 2060.82 | 0.003613 |
| 4 | 5 | 0.9999 | 9.96E-05 | 34957.4 | 0.87329 | 1.00E-04 | 782.6734 | 155765 | 2.596083 | 0.88171 | 2099.655 | 0.003831 |
| 4 | 6 | 0.979804 | 0.020196 | 42059.64 | 0.807941 | 1.00E-04 | 943.3518 | 187731 | 3.12885 | 0.819085 | 2333.668 | 0.004529 |
| 4 | 7 | 0.849177 | 0.150823 | 41524.17 | 0.882242 | 1.00E-04 | 921.7638 | 183438 | 3.0573 | 0.892644 | 2018.916 | 0.003864 |
| 4 | 8 | 0.542705 | 0.457295 | 43553.13 | 0.890559 | 1.00E-04 | 965.6533 | 192173 | 3.202883 | 0.899602 | 1770.9 | 0.002982 |
| 4 | 9 | 0.999901 | 9.96E-05 | 38592.36 | 0.842575 | 1.00E-04 | 860.5025 | 171249 | 2.85415 | 0.850398 | 2099.758 | 0.003865 |
| 5 | 6 | 0.793911 | 0.206089 | 47012.42 | 0.814008 | 1.00E-04 | 1041.698 | 207306 | 3.4551 | 0.825547 | 1892.693 | 0.005134 |
| 5 | 7 | 0.9999 | 9.95E-05 | 31061.31 | 0.912185 | 1.00E-04 | 694.4623 | 138203 | 2.303383 | 0.92495 | 2118.422 | 0.003318 |
| 5 | 8 | 0.9999 | 9.96E-05 | 34186.52 | 0.89408 | 1.00E-04 | 761.9447 | 151633 | 2.527217 | 0.904076 | 2013.488 | 0.003787 |
| 5 | 9 | 0.733622 | 0.266378 | 49131.08 | 0.836069 | 1.00E-04 | 1086.608 | 216246 | 3.6041 | 0.848907 | 1938.177 | 0.005493 |
| 6 | 7 | 0.9999 | 9.96E-05 | 31905.77 | 0.877831 | 1.00E-04 | 710.4422 | 141381 | 2.35635 | 0.890656 | 2335.202 | 0.003411 |
| 6 | 8 | 0.9999 | 9.97E-05 | 27614.06 | 0.877374 | 1.00E-04 | 619.0553 | 123200 | 2.053333 | 0.888171 | 2024.476 | 0.003584 |
| 6 | 9 | 0.82908 | 0.17092 | 43056.9 | 0.842146 | 1.00E-04 | 955.7236 | 190198 | 3.169967 | 0.85338 | 1803.45 | 0.004121 |
| 7 | 8 | 0.673332 | 0.326668 | 40492.29 | 0.918529 | 1.00E-04 | 897.5075 | 178614 | 2.9769 | 0.927435 | 2087.224 | 0.002911 |
| 7 | 9 | 0.9999 | 9.95E-05 | 28488.88 | 0.88651 | 1.00E-04 | 636.8894 | 126746 | 2.112433 | 0.896123 | 2125.783 | 0.003956 |
| 8 | 9 | 0.999901 | 9.96E-05 | 24442.83 | 0.86826 | 1.00E-04 | 552.7085 | 109995 | 1.83325 | 0.875746 | 1947.237 | 0.003962 |
第一組數據就是用0的第1張圖片和第2張圖片和2的第1張圖片組成訓練集分類。
?
比較第二部分數據，圖片兩兩混合以后有15個分類準確率變大了，占總數的41.7%。二者混合以后分類準確率在二者之間的有18個，占總數的50%。而二者混合是分類準確率變小的情況只出現了3次，只占8.3%。這個數據表明二者混合以后分類準確率大概率的是會增加。
比較3次分類準確率減小的事件，
| n | m | f2[0] | f2[1] | 迭代次數n | 平均準確率p-ave |
| 3 | 5 | 0.9999 | 9.96E-05 | 42642.03 | 0.848622 |
| 5 | 6 | 0.793911 | 0.206089 | 47012.42 | 0.814008 |
| 5 | 8 | 0.9999 | 9.96E-05 | 34186.52 | 0.89408 |
在這僅有的3次分類準確率減小事件當中，迭代次數出現了所有3種變化的可能，有混合后迭代次數變大的如[5,6],也有混合后迭代次數變小的[5,8],也有混合后迭代次數位于二者之間的如[3,5].表明二者混合后迭代次數變大并不必然會導致分類準確率變小，也表明混合后迭代次數變小也并不必然導致分類準確率變小。
?
比較迭代次數
有23次混合后迭代次數減小，占63.8%，有5次位于二者之間，占13.8%，有8次迭代次數比二者都大，占22%。從占比上看混合后迭代次數大概率的是會降低。在23次迭代次數降低的事件中有11次分類準確率是增大的，占47.8%，有11次分類準確率位于二者之間，有1次是減小的。
?
所以兩張圖片混合后大概率的迭代次數是會降低，而分類準確率會上升。
?
?
《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀總結
以上是生活随笔為你收集整理的神经网络训练集两张图片之间的相互作用的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： 华为钱包可以借钱么
- 下一篇： 训练集数量对神经网络光谱的影响