用固定收敛标准网络的迭代次数比较两张图片的相似度

在上一次实验中已经由数据证实了可以用特征迭代次数去区分minst数据集中的0和1时有可能的，因为50张0和50张1的分类正确率可以打到99%。

本文将迭代次数按大小排列，比较了图片和迭代次数的关系

		a	b	迭代次数	时间ms	时间min
	0*34	0.504092	0.496892	31808.4	76592	1.276533
	0*26	0.504145	0.496745	34094.86	83691	1.39485
	0*41	0.504069	0.496969	34775.88	84630	1.4105
	0*36	0.50385	0.49755	41926.72	99082	1.651367
	0*27	0.503765	0.498165	47928.64	111719	1.861983
	0*38	0.503758	0.498158	48533.77	110892	1.8482
	0*37	0.503619	0.498219	50003.07	114741	1.91235
	0*3	0.503581	0.498881	50215.99	111575	1.859583
	0*18	0.50375	0.49815	52884.1	120598	2.009967
	0*30	0.503511	0.498611	52966.01	123203	2.053383
	0*6	0.503368	0.498868	55467.06	125845	2.097417
	0*8	0.503476	0.499077	56096.01	125986	2.099767
	0*28	0.503291	0.499491	60411.63	135295	2.254917
	0*7	0.503256	0.499456	64569.89	142200	2.37
	0*47	0.503086	0.499886	67707.4	147675	2.46125
	0*4	0.503037	0.50084	70608.87	155951	2.599183
	0*17	0.503267	0.501109	72017.99	156489	2.60815
	0*44	0.503364	0.500174	72019.38	156790	2.613167
	0*45	0.502973	0.500373	72615.19	157305	2.62175
	0*9	0.50308	0.50048	72920.47	157379	2.622983
	0*50	0.503098	0.500834	73901.24	162317	2.705283
	0*24	0.502874	0.501075	74839.92	162557	2.709283
	0*23	0.502903	0.501203	74969.03	162938	2.715633
	0*19	0.502897	0.50074	75722.1	165457	2.757617
	0*13	0.502945	0.501067	76511.02	170373	2.83955
	0*20	0.502779	0.500913	76613.24	165682	2.761367
	0*21	0.502754	0.501154	78554.36	170378	2.839633
	0*16	0.502863	0.500763	79751.51	186547	3.109117
	0*46	0.502553	0.501353	80005.62	171478	2.857967
	0*32	0.50252	0.50182	83654.15	180615	3.01025
	0*2	0.502641	0.501541	84550.08	180167	3.002783
	0*22	0.502473	0.501673	86017.23	185109	3.08515
	0*11	0.502387	0.501988	87989.04	187844	3.130733
	0*42	0.50239	0.50209	90076.06	193220	3.220333
	0*43	0.502098	0.502498	93610.47	201571	3.359517
	0*10	0.502299	0.502511	93919.15	213039	3.55065
	0*12	0.502466	0.502768	95686.91	203531	3.392183
	0*48	0.502223	0.502623	95741.22	201800	3.363333
	0*1	0.502221	0.503021	97086.1	204735	3.41225
	0*49	0.502118	0.503218	97346.76	204799	3.413317
	0*40	0.502179	0.503389	97427.12	204526	3.408767
	0*15	0.502229	0.502829	98331.42	216606	3.6101
	0*39	0.502076	0.503176	100795.5	211763	3.529383
	0*14	0.502212	0.503448	103378.9	224424	3.7404
	0*25	0.501949	0.503349	103918.8	218470	3.641167
	0*31	0.501894	0.50371	104757.8	227289	3.78815
	0*29	0.502027	0.503527	112442.9	234996	3.9166
	0*5	0.501786	0.503786	112862.4	239529	3.99215
	0*35	0.502023	0.504843	116743.7	243684	4.0614
	0*33	0.501833	0.504933	119631	248238	4.1373

 

 

 

		a	b	迭代次数	时间ms	时间min
	1*17	0.501511	0.505356	113085.8	235103	3.918383
	1*30	0.508745	0.512645	120761.4	243498	4.0583
	1*14	0.501444	0.504744	122373	255182	4.253033
	1*6	0.504215	0.508821	123439.5	261633	4.36055
	1*12	0.503918	0.509033	129424.3	267415	4.456917
	1*35	0.501017	0.506317	132802	266470	4.441167
	1*5	0.503435	0.508935	134629.3	282495	4.70825
	1*46	0.500885	0.506685	135243.7	271229	4.520483
	1*1	0.505469	0.512169	135295.5	302633	5.043883
	1*11	0.503724	0.508224	135336.4	281378	4.689633
	1*10	0.503584	0.5092	135825.9	282623	4.710383
	1*9	0.503415	0.508715	136958.3	281435	4.690583
	1*22	0.508187	0.514087	136999	279906	4.6651
	1*32	0.503518	0.508822	138253.6	277344	4.6224
	1*2	0.503662	0.508362	138619.9	174259	2.904317
	1*50	0.50053	0.50723	138767.7	277808	4.630133
	1*3	0.500866	0.506566	139057.3	317648	5.294133
	1*38	0.505616	0.511516	139506.7	279306	4.6551
	1*44	0.505531	0.512431	139982.5	280296	4.6716
	1*8	0.50095	0.50655	140646.4	287694	4.7949
	1*47	0.500705	0.507105	140681	281496	4.6916
	1*15	0.505747	0.512147	142043.2	293122	4.885367
	1*7	0.50086	0.50666	142070.6	295809	4.93015
	1*18	0.505487	0.512087	142772	292768	4.879467
	1*43	0.500936	0.506336	143081.6	287021	4.783683
	1*23	0.507865	0.515165	144089.6	294738	4.9123
	1*36	0.508275	0.514884	144472.9	289326	4.8221
	1*4	0.500699	0.506899	144642.3	316810	5.280167
	1*26	0.50094	0.50664	144746.8	295797	4.92995
	1*34	0.500629	0.507429	145520.8	291038	4.850633
	1*13	0.503092	0.509792	145810.5	299617	4.993617
	1*27	0.500582	0.507782	145828.5	296504	4.941733
	1*37	0.500709	0.507109	146633.2	292617	4.87695
	1*16	0.50313	0.51003	147017	304313	5.071883
	1*39	0.500637	0.507737	147505.9	300222	5.0037
	1*48	0.503003	0.510203	147777.1	295941	4.93235
	1*33	0.500784	0.507084	148811.9	297957	4.96595
	1*25	0.502923	0.510123	149811	304366	5.072767
	1*45	0.502981	0.51058	149999.9	298816	4.980267
	1*19	0.500294	0.508294	150626.6	306709	5.111817
	1*28	0.502889	0.510289	151403.7	306664	5.111067
	1*49	0.500599	0.507599	152002.6	304685	5.078083
	1*24	0.500305	0.508405	153926.4	312512	5.208533
	1*41	0.500378	0.508078	154345	307673	5.127883
	1*29	0.500624	0.507624	155807.4	313365	5.22275
	1*40	0.505116	0.513416	156111.3	311209	5.186817
	1*42	0.500343	0.508143	156573.8	311144	5.185733
	1*20	0.500362	0.508262	159081.9	323487	5.39145
	1*31	0.502814	0.510814	159971.4	317844	5.2974
	1*21	0.500206	0.508706	162120.7	242122	4.035367

 

 

0的迭代次数的范围是31808-119631

1的迭代次数的范围是113085-162120

1只有第17号图片是小于119631的，所以这100张图片的分类正确率可能达到99%.另外很明显的可以发现外观比较接近的图片确实迭代次数也比较接近

比如这几张长的比较饱满的0，都被分在了一起，

这几张长的比较像的也被分到了一起，

不过也有失手的时候，这张夹在44和47中的8就明显的有问题。

 

这种图就是神来之笔了，很细微的差别都找到了。

虽然统计样本的数量还是太少，不过貌似迭代次数还可以作为比较图片匹配度的一个很有力的工具。

 

本文所用数据同《用共振频率去进行图片分类的尝试》中的数据