神經網路結構與輸出值之間的關係
本文統計了在學習率，權重初始化標準和收斂標準都不變的情況下神經網路的結構對輸出值得影響
比如圖示的網路用11*11表示，本文收集了從2*2 到35*35的資料
|
a |
b |
迭代次數 |
a>0.5 |
數量 |
a<0.5 |
數量 |
|
|
2*2 |
0.501725 |
0.501025 |
1727143 |
0.506531 |
107 |
0.496195 |
93 |
|
3*3 |
0.501739 |
0.501239 |
856043.1 |
0.506535 |
105 |
0.496438 |
95 |
|
4*4 |
0.501742 |
0.501142 |
622167.2 |
0.506452 |
106 |
0.496431 |
94 |
|
5*5 |
0.501102 |
0.501702 |
558111.4 |
0.506497 |
94 |
0.496318 |
106 |
|
6*6 |
0.501764 |
0.501064 |
535387.6 |
0.506454 |
107 |
0.496368 |
93 |
|
7*7 |
0.501881 |
0.501181 |
589825.6 |
0.506547 |
107 |
0.496514 |
93 |
|
8*8 |
0.500504 |
0.502404 |
555818.1 |
0.506532 |
81 |
0.496401 |
119 |
|
9*9 |
0.501592 |
0.501292 |
554611.5 |
0.506504 |
103 |
0.496377 |
97 |
|
10*10 |
0.501511 |
0.501411 |
569645.4 |
0.506556 |
101 |
0.496363 |
99 |
|
11*11 |
0.501781 |
0.501381 |
591014.9 |
0.506632 |
104 |
0.496526 |
96 |
|
12*12 |
0.501255 |
0.501755 |
599936.9 |
0.506499 |
95 |
0.496511 |
105 |
|
13*13 |
0.501229 |
0.502029 |
616165.2 |
0.50657 |
92 |
0.49668 |
108 |
|
14*14 |
0.501513 |
0.501613 |
615826.2 |
0.506607 |
99 |
0.496519 |
101 |
|
15*15 |
0.502192 |
0.501092 |
630735 |
0.506714 |
111 |
0.496552 |
89 |
|
16*16 |
0.501363 |
0.501963 |
643422.3 |
0.506717 |
94 |
0.496615 |
106 |
|
17*17 |
0.501345 |
0.502045 |
653491.6 |
0.506698 |
93 |
0.496692 |
107 |
|
18*18 |
0.501972 |
0.501472 |
669932.1 |
0.506689 |
105 |
0.496759 |
95 |
|
19*19 |
0.500927 |
0.502327 |
663836.9 |
0.506566 |
86 |
0.496672 |
114 |
|
20*20 |
0.501389 |
0.502189 |
703333.7 |
0.506813 |
92 |
0.496769 |
108 |
|
21*21 |
0.502206 |
0.501306 |
694105.8 |
0.506747 |
109 |
0.496768 |
91 |
|
22*22 |
0.501445 |
0.502145 |
710521.9 |
0.506866 |
93 |
0.496734 |
107 |
|
23*23 |
0.501873 |
0.501773 |
719971.3 |
0.506835 |
101 |
0.49681 |
99 |
|
24*24 |
0.501561 |
0.502061 |
702123.9 |
0.506779 |
95 |
0.49684 |
105 |
|
25*25 |
0.502251 |
0.501551 |
717297.5 |
0.506889 |
107 |
0.496915 |
93 |
|
26*26 |
0.501535 |
0.502135 |
725809.9 |
0.506841 |
94 |
0.496829 |
106 |
|
27*27 |
0.501945 |
0.501745 |
727087.3 |
0.506833 |
102 |
0.496858 |
98 |
|
28*28 |
0.501269 |
0.502369 |
723658.6 |
0.50678 |
89 |
0.496851 |
111 |
|
29*29 |
0.502532 |
0.501332 |
728437.2 |
0.506977 |
112 |
0.496875 |
88 |
|
30*30 |
0.501948 |
0.501848 |
726516.2 |
0.506939 |
101 |
0.496857 |
99 |
|
31*31 |
0.502448 |
0.501448 |
730641.1 |
0.506975 |
110 |
0.496916 |
90 |
|
32*32 |
0.501784 |
0.502384 |
738450.4 |
0.507033 |
94 |
0.497129 |
106 |
|
33*33 |
0.50224 |
0.50194 |
739203.6 |
0.507056 |
103 |
0.497126 |
97 |
|
34*34 |
0.501618 |
0.502518 |
730357.6 |
0.507074 |
91 |
0.497063 |
109 |
|
35*35 |
0.502096 |
0.502396 |
751763.7 |
0.507339 |
97 |
0.497159 |
103 |
權重初始化方式
tw[a][b]=(double)ti1/200;
收斂標準
Math.abs(jud[0]-jud[1])>0.01
學習率
ret=0.1
a值得曲線看起來規律並不明顯
但是如果統計a>0.5
或者統計a<0.5
可以發現非常明顯隨著網路結構的增加，收斂出的輸出值也在增加，可以合理的推測如果收集的樣本數量不是200組而是2000組合2萬組得到的曲線應該光滑的多。
所以神經網路的輸出值是判斷網路結構的相當有參考價值的指標，輸出值的變化可以很好的反應網路結構的變化。
本文所用資料同《用神經網路模擬分子：資料重複性檢測 》的資料。