神经网络训练集两张图片之间的相互作用

在《神经网络分类训练集的图片到底是如何相互影响的？》中得到了一个经验关系，如果（两张图片）混合后的迭代次数变小了，分类准确率可能变大；如果二者混合后迭代次数变大，分类准确率可能会变小。但上次实验的样本只有8个太少了，这次把1-9所有不重复的36个两两混合全都做出来，检验这个关系是否还成立。

 

第一部分，1张图片和1张图片分类，0[n]和2[1]进行分类

（0[n],2[1]）---81*30*2---(1,0)(0,1) n=1,2…9

	f2[0]	f2[1]	迭代次数n	平均准确率p-ave	δ	耗时ms/次	耗时ms/199次	耗时 min/199	最大准确率p-max	迭代次数标准差	pave标准差
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，两张图片和1张图片分类，0[n，m]和2[1]进行分类

（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]	迭代次数n	平均准确率p-ave	δ	耗时ms/次	耗时ms/199次	耗时 min/199	最大准确率p-max	迭代次数标准差	pave标准差
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

第一组数据就是用0的第1张图片和第2张图片和2的第1张图片组成训练集分类。

 

比较第二部分数据，图片两两混合以后有15个分类准确率变大了，占总数的41.7%。二者混合以后分类准确率在二者之间的有18个，占总数的50%。而二者混合是分类准确率变小的情况只出现了3次，只占8.3%。这个数据表明二者混合以后分类准确率大概率的是会增加。

比较3次分类准确率减小的事件，

n	m	f2[0]	f2[1]	迭代次数n	平均准确率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

在这仅有的3次分类准确率减小事件当中，迭代次数出现了所有3种变化的可能，有混合后迭代次数变大的如[5,6],也有混合后迭代次数变小的[5,8],也有混合后迭代次数位于二者之间的如[3,5].表明二者混合后迭代次数变大并不必然会导致分类准确率变小，也表明混合后迭代次数变小也并不必然导致分类准确率变小。

 

比较迭代次数

有23次混合后迭代次数减小，占63.8%，有5次位于二者之间，占13.8%，有8次迭代次数比二者都大，占22%。从占比上看混合后迭代次数大概率的是会降低。在23次迭代次数降低的事件中有11次分类准确率是增大的，占47.8%，有11次分类准确率位于二者之间，有1次是减小的。

 

所以两张图片混合后大概率的迭代次数是会降低，而分类准确率会上升。