用神经网络模拟3个距离为0的粒子
( A, B, C )---m*n*k---( 1, 0, 0 )( 0, 1, 0 )( 0, 0, 1 )
有理由将参与分类的3个对象理解为间距为0的3个粒子,并且彼此之间有一种瞬时的相互作用。 并假设这个网络最初的分类准确率对A,B,C都是1/3.相当于形成了一种三重态,随着时间的推移,网络的分类准确率越来越大,最终A,B,C的分类准确率都达到了100%。
这时获得了3个间距为0的彼此完全独立的粒子,下一步要发生什么那?会因为斥力而迅速分离吗?
A,B,C三个对象彼此终将独立,他们形态的差异形成了对彼此的排斥,这斥力随着迭代逐渐放大,而迭代次数或与移位距离成反比,这次继续验算这一关系。
所用的训练集是mnist的0,1,2,3,4的第一张图片,但不二值化。用间隔取点的办法把图片化成3*3.如1*2*3为网络
( 1, 2, 3 )---9*30*3---( 1, 0, 0 )( 0, 1, 0 )( 0, 0, 1 )
的简记。就是用1,2,3的第一张图片不断的循环往复,直到收敛。
共进行了10组,得到数据
3*3 | 1*3*4 | 1*2*4 | 1*2*3 | 2*3*4 | 0*1*4 | 0*1*3 | 0*3*4 | 0*1*2 | 0*2*4 | 0*2*3 |
δ | 迭代次数n | 迭代次数n | 迭代次数n | 迭代次数n | 迭代次数n | 迭代次数n | 迭代次数n | 迭代次数n | 迭代次数n | 迭代次数n |
0.01 | 25528.5 | 24336.1 | 9492.618 | 9227.121 | 24070.39 | 7252.588 | 7084.342 | 6585.166 | 6482.06 | 5495.915 |
0.001 | 63278.92 | 59472.81 | 53485.31 | 52938.41 | 57616.89 | 45735.4 | 44602.2 | 42904.66 | 41677.61 | 31104.11 |
9.00E-04 | 66122.75 | 62414.27 | 58448.47 | 57679.9 | 60375.16 | 50398.23 | 48962.69 | 46693.44 | 45485.53 | 33925.72 |
8.00E-04 | 71480.41 | 67170.33 | 64717.14 | 63989.7 | 65406.67 | 55616.3 | 54172.61 | 52060.98 | 50660.67 | 37589.39 |
7.00E-04 | 77998.76 | 73028.56 | 72108.61 | 71477.29 | 70612.89 | 62793.99 | 61263.37 | 58467.27 | 57023.22 | 41898.17 |
s | 3.498039 | 5.811765 | 5.701961 | 5.537255 | 4.14902 | 5.858824 | 5.827451 | 7.035294 | 7.082353 | 5.756863 |
将收敛误差为7e-4的迭代次数画成图
将移位距离s画成图
S与n之间的反比关系依然存在。
移位距离就是等位点数值差的绝对值的和S=Σ|a-b|,如果训练集有多张图片取平均值,如果是多分类问题则移位距离为所有两两组合移位距离的和。
如对一组3*3的矩阵
S=s0+s1+,…,+s8=|a0-b0|+|a1-b1|+,…,+|a8-b8|
如果是3分类问题,就应该实现3个形态之间的两两分类,也就是要完成3对等位点之间的差。
因此移位距离
S=Sab+Sac+Sbc=
|a0-b0|+|a1-b1|+|a2-b2|+|a3-b3|+
|a0-c0|+|a1-c1|+|a2-c2|+|a3-c3|+
|b0-c0|+|b1-c1|+|b2-c2|+|b3-c3|