用神经网络分类响尾蛇和牛蛙

（响尾蛇，牛蛙）---m*n*k---(1,0)(0,1)

使用imagenet2012作为训练集，响尾蛇和牛蛙的编号分别是

n01641577  牛蛙

n01755581  菱纹响尾蛇

其中响尾蛇的类目有1300张图片，有357个不同的尺寸，从最小的190*122到最大的2592*1944.牛蛙的类目也有1300张图片，有353个不同的尺寸，从最小的160*140到最大的3631*2378.

这次实验通过间隔取点的办法把所有图片化成9*9的。网络结构是81*30*2，收敛误差从0.5-1e-5，每个收敛误差收敛199次，统计平均值。得到的数据表格为

f2[0]	f2[1]	迭代次数n	平均准确率p-ave	1-0	0-1	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
0.499856	0.500368	12.8392	0.500905	0.581859	0.41995	0.5	7.125628	1424	0.023733	0.585	12.1987	0.017398
0.45223	0.54761	2333.055	0.572286	0.734322	0.410251	0.4	66.42714	13231	0.220517	0.635	166.8128	0.027799
0.406588	0.593202	3493.337	0.570251	0.737638	0.402864	0.3	96.18593	19155	0.31925	0.62	496.4183	0.012787
0.189765	0.810438	9116.503	0.619849	0.707588	0.532111	0.2	240.6834	47912	0.798533	0.645	1009.382	0.009986
0.095075	0.904962	24174.82	0.616834	0.692412	0.541256	0.1	630.809	125548	2.092467	0.67	1588.063	0.014871
0.586382	0.41362	84284.72	0.639874	0.739749	0.54	0.01	2540.663	505604	8.426733	0.745	8935.965	0.039397
0.522566	0.477434	133438.8	0.672462	0.751407	0.593518	0.001	4429.563	881505	14.69175	0.795	14648.13	0.052046
0.537626	0.462374	134743.6	0.675302	0.753367	0.597236	9.00E-04	3502.317	696979	11.61632	0.785	15155.09	0.04705
0.547673	0.452327	138523.7	0.686332	0.746784	0.625879	8.00E-04	3734.352	743156	12.38593	0.79	15025.9	0.048819
0.532623	0.467377	140050	0.677638	0.752663	0.602613	7.00E-04	3753.905	747045	12.45075	0.79	13749.53	0.050594
0.467372	0.532628	143855.6	0.685754	0.745477	0.62603	6.00E-04	4257.513	847255	14.12092	0.775	14816.61	0.04742
0.46235	0.53765	145325.2	0.678819	0.734322	0.623317	5.00E-04	4180.899	832004	13.86673	0.79	15479.79	0.048183
0.472383	0.527617	149772.2	0.682839	0.742161	0.623518	4.00E-04	4143.905	824650	13.74417	0.805	15397.56	0.051851
0.497489	0.502511	155382	0.690653	0.73191	0.649397	3.00E-04	4035.06	802990	13.38317	0.8	14498.81	0.051099
0.467351	0.532649	163114.7	0.695226	0.725377	0.665075	2.00E-04	4234.965	842770	14.04617	0.795	16393.37	0.050934
0.462318	0.537682	175264.4	0.69598	0.73	0.66196	1.00E-04	4549.176	905301	15.08835	0.805	16058.85	0.049148
0.467343	0.532657	174908.7	0.69691	0.734774	0.659045	9.00E-05	6829.015	1358989	22.64982	0.805	15304.28	0.04569
0.512561	0.487439	176603.6	0.697487	0.732412	0.662563	8.00E-05	5235.824	1041937	17.36562	0.815	17926.46	0.048261
0.447243	0.552757	176013.8	0.695352	0.720101	0.670603	7.00E-05	4878.337	970799	16.17998	0.805	17344.58	0.048413
0.537685	0.462315	181601.5	0.700829	0.742412	0.659246	6.00E-05	5171.985	1029239	17.15398	0.835	16104.18	0.04764
0.517586	0.482413	182490.6	0.707563	0.723417	0.691709	5.00E-05	4972.347	989507	16.49178	0.82	17161.05	0.047921
0.452265	0.547735	186064.5	0.704724	0.732663	0.676784	4.00E-05	5129.176	1020713	17.01188	0.82	17381.29	0.04881
0.477388	0.522612	188700.9	0.701106	0.715678	0.686533	3.00E-05	7317.101	1456115	24.26858	0.83	16276.37	0.046154
0.482413	0.517587	195902.6	0.714824	0.731357	0.698291	2.00E-05	6687.141	1330751	22.17918	0.82	16645.72	0.050466
0.502513	0.497487	203179.3	0.713719	0.731357	0.69608	1.00E-05	5855.714	1165321	19.42202	0.805	16670.83	0.048464

采用的测试集是训练集的前100张.

分类准确率随着收敛误差的减小逐渐变大。因为两个测试集图片一样多所有平均分类准确率是两个（1，0）位和（0，1）位的平均值

特别是对应所有的收敛误差，响尾蛇的分类准确率都大于牛蛙的分类准确率

这意味着，长的像牛蛙的蛇要少于长的像蛇的牛蛙。

平均准确率p-ave	1-0	0-1	δ
0.713719	0.731357	0.69608	1.00E-05
	0.268643	0.30392		0.035276

比如δ=1e-5时，有26.8%的响尾蛇被分为牛蛙，而有30.3%的牛蛙被分为响尾蛇，二者的差值为3.52%。也就是错误图片的净流向是从牛蛙到响尾蛇

如果把错误的图片理解为电子，这个反应中牛蛙就是还原剂，而响尾蛇就是氧化剂。牛蛙被响尾蛇氧化因此分类准确率下降，而响尾蛇得到了电子被牛蛙还原因此响尾蛇的分类准确率更高。

迭代次数随着收敛误差的减小变大，

N=-20212.192722825486*ln(δ)-14101.765588071983

0.9901172749541132   ******  决定系数 r**2

Pave=-0.009764557439965927*ln(δ)+0.6064900011024955

0.9144287290944044   ******  决定系数 r**2

在一定范围内迭代次数N，分类准确率Pave和收敛误差δ可以用这两个数学关系去估算。

另外统计迭代次数的分布

在收敛误差为1e-5时，事实上分布比较分散，简并度并不高。将响尾蛇和牛蛙的分类理解为一个反应，则这个反应的能级较分散。

所以这个分类的过程有电子的流动，有能级，为什么不能作为一个反应来理解？