用两个矩阵的点积计算神经网络的迭代次数 2-8

每个神经网络对应每个收敛标准δ都有一个特征的迭代次数n，因此可以用迭代次数曲线n(δ)来评价网络性能。

在《神经网络的迭代次数是一个线性的变量吗？》中得到表达式

一个二分类网络分类两个对象A和B，B中有K张图片，B的第i张图片被取样的概率为pi,B中第i张图片相对A的迭代次数为ni,最终的迭代次数nt等于pi*ni的累加和。

由此可以构造两个矩阵一个是随机矩阵PJ和迭代次数矩阵NJ

总的迭代次数nt等于矩阵PJ和NJ的点积

PJ表明图片集B中第i张图片被抽样到的概率为pi

NJ表明图片集B中第i张图片相对A的迭代次数为ni

由此总迭代次数nt可以通过构造矩阵PJ和矩阵NJ的方法精确的控制

本文分别制作两个矩阵让

 

本文验证这个乘法关系是否成立

 

 

制作一个二分类网络区分数据集mnist0和数据集B，其中B中只有两张图片，两张图片被抽样到的概率比是8：2.

 

本文验算这个表达式是否正确

实验过程

首先用实验的方法测量n1

制作一个带一个3*3卷积核的神经网络，测试集是mnist的0和一张图片x，将28*28的图片缩小成9*9，隐藏层30个节点所以网络的结构是

 

这个网络分成两个部分左边的是让mnist 0向1,0收敛，右边的是让x向 0,1收敛。但是让左右两边的权重实现同步更新，实现权重共享。前面大量实验表明这种效果相当于将两个弹性系数为k1，k2的弹簧并联成一个弹性系数为k的弹簧，并且让k1=k2=k/2的过程。

将上图简写成

S（mnist0）81-（con3*3）49-30-2-（1,0）

S（x）81-（con3*3）49-30-2-（0,1）

w=w，w1=w1,w2=w2

进一步简写成

d2（mnist0, x=1）81-con（3*3）49-30-2-（2*k） ,k∈{0,1}

这个网络的收敛标准是

if (Math.abs(f2[0]-y[0])< δ  &&  Math.abs(f2[1]-y[1])< δ   )

本文尝试了δ从0.5到1e-6在内的26个值，训练集是mnist0

图片x就是一张二维数组，让x=1.

具体进样顺序
进样顺序	迭代次数
δ=0.5
mnist 0-1	1		判断是否达到收敛
X	2		判断是否达到收敛
梯度下降
mnist 0-2	3		判断是否达到收敛
X	4		判断是否达到收敛
梯度下降
……
mnist 0-4999	9997		判断是否达到收敛
X	9998		判断是否达到收敛
梯度下降
……
如果4999图片内没有达到收敛标准再次从头循环
mnist 0-1	9999		判断是否达到收敛
X	10000		判断是否达到收敛
……
达到收敛标准记录迭代次数，将这个过程重复199次
δ=0.4
……

 

用这个方法可以得到网络

d2（mnist0, x=1）81-con（3*3）49-30-2-（2*k） ,k∈{0,1}

的迭代次数曲线n1。

 

第二步测量n0.1

用同样的办法制作另一个网络

d2（mnist0, x=0.1）81-con（3*3）49-30-2-（2*k） ,k∈{0,1}

让mnist 0向1,0收敛，右边的是让x向 0,1收敛。但让x=0.1.得到迭代次数曲线n0.1

 

实验数据

在《测量一组对角矩阵的频率和质量》中已经将这两个迭代次数都测出来了

	1	0.1
δ	迭代次数n1	迭代次数n0.1
0.5	17.40201005	17.87437186
0.4	951.2110553	1408.577889
0.3	1144.577889	1720.517588
0.2	1313.633166	1995.110553
0.1	1505.824121	2243.834171
0.01	2362.115578	3001.552764
0.001	4129.020101	4007.532663
1.00E-04	10353.37186	5532.668342
9.00E-05	10653.93467	5683.753769
8.00E-05	11292.43719	6131.934673
7.00E-05	11761.11055	6106.919598
6.00E-05	12657.69347	6014.688442
5.00E-05	13305.44221	6455.321608
4.00E-05	15844.29648	6724.738693
3.00E-05	17291.77387	7055.80402
2.00E-05	20753.56281	7763.41206
1.00E-05	27708.19598	8749.050251
9.00E-06	29358.8593	8879.41206
8.00E-06	30689.87437	9387.150754
7.00E-06	33437.22111	9532.648241
6.00E-06	36960.63819	9957.683417
5.00E-06	40669.92462	10661.56281
4.00E-06	44594.04523	11025.0402
3.00E-06	51522.10553	11653.63317
2.00E-06	67583.53266	13076.9196
1.00E-06	107224.5276	15184.58794

 

现在做第3个网络

d2（mnist0  ; 80% x=1, 20%x=0.1）81-con（3*3）49-30-2-（2*k） ,k∈{0,1}

让mnist 0向1,0收敛，右边的是让x向 0,1收敛。但让x在1和0.1之间随机。

让1与0.1的比例是8：2.

具体进样顺序
进样顺序	迭代次数
δ=0.5
mnist 0-1	1		判断是否达到收敛
80% x=1，20% x=0.1	2		判断是否达到收敛
梯度下降
mnist 0-2	3		判断是否达到收敛
80% x=1，20% x=0.1	4		判断是否达到收敛
梯度下降
……
mnist 0-4999	9997		判断是否达到收敛
80% x=1，20% x=0.1	9998		判断是否达到收敛
梯度下降
……
如果4999图片内没有达到收敛标准再次从头循环
mnist 0-1	9999		判断是否达到收敛
80% x=1，20% x=0.1	10000		判断是否达到收敛
……
达到收敛标准记录迭代次数，将这个过程重复199次
δ=0.4
……

相当于分类两个图片集，一个图片集是mnist的0另一个图片集只有两张图片，两张图片被取样的概率是8：2

得到的数据

用0和x二分类
1：0.1=8：2
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次	最大准确率p-max
0.50566328	0.497763951	17.31155779	0.505501503	0.5	921.0653266	183323	3.055383333	0.861938534
0.606609999	0.393211865	977.2964824	0.477251506	0.4	1112.351759	221358	3.6893	0.963120567
0.713338671	0.286631874	1244.819095	0.545928223	0.3	1166.467337	232127	3.868783333	0.992434988
0.814994506	0.184507552	1367.894472	0.579702294	0.2	1188.100503	236432	3.940533333	0.997163121
0.909871883	0.090147713	1622.60804	0.594867957	0.1	1234.457286	245672	4.094533333	0.995744681
0.991991547	0.008022444	2451.462312	0.606966273	0.01	1401.79397	278973	4.64955	0.997163121
0.999243349	7.56E-04	4189.592965	0.54157549	0.001	1755.160804	349277	5.821283333	0.996690307
0.999918398	8.18E-05	9589.763819	0.513579719	1.00E-04	2860.809045	569301	9.48835	0.992907801
0.999927347	7.27E-05	9769.472362	0.528847547	9.00E-05	2575.964824	512617	8.543616667	0.995271868
0.999937071	6.28E-05	10447.81407	0.520938023	8.00E-05	3024.321608	601840	10.03066667	0.993853428
0.999943494	5.65E-05	11190.78894	0.520569752	7.00E-05	3179.547739	632730	10.5455	0.995744681
0.999951392	4.86E-05	11462.45729	0.526839873	6.00E-05	3200.095477	636827	10.61378333	0.995271868
0.999960481	3.95E-05	12531.89447	0.509782957	5.00E-05	3412.919598	679175	11.31958333	0.987234043
0.999967762	3.23E-05	13652.90955	0.520239495	4.00E-05	3205.512563	637897	10.63161667	0.993853428
0.999975773	2.43E-05	15084.02513	0.516088718	3.00E-05	3937.758794	783620	13.06033333	0.997163121
0.999983453	1.65E-05	17850.52764	0.509438445	2.00E-05	4596.673367	914740	15.24566667	0.994326241
0.999991715	8.29E-06	25200.21608	0.516967818	1.00E-05	4941.844221	983443	16.39071667	0.989598109
0.99999284	7.16E-06	25605.17085	0.515739454	9.00E-06	4968.120603	988673	16.47788333	0.989598109
0.999993474	6.52E-06	28406.36683	0.524064768	8.00E-06	5459.522613	1086445	18.10741667	0.994326241
0.999994401	5.60E-06	28608.58794	0.521154234	7.00E-06	5223.728643	1039538	17.32563333	0.986761229
0.999995111	4.89E-06	32479.66332	0.509533483	6.00E-06	6074.311558	1208788	20.14646667	0.995271868
0.999995947	4.06E-06	36849.28141	0.495180394	5.00E-06	6820.743719	1357328	22.62213333	0.98250591
0.999996768	3.23E-06	36909.13065	0.504486974	4.00E-06	6836.849246	1360549	22.67581667	0.98392435
0.999997515	2.48E-06	43731.97487	0.494505625	3.00E-06	7944.974874	1581050	26.35083333	0.991962175
0.999998265	1.74E-06	62934.13568	0.491236323	2.00E-06	10640.96985	2117553	35.29255	0.990070922
0.999999125	8.74E-07	93680.26633	0.497100158	1.00E-06	16180.28141	3219876	53.6646	0.992907801

 

所以现在有了3个迭代次数分别是

x=1	n1
x=0.1	n0.1
0.8x=1||0.2x=0.1	n1-0.1

 

验算n1-0.1与n1和n0.1之间的关系

	1	0.1	理论值	实测值
δ	迭代次数n1	迭代次数n0.1	0.8*n1+0.2*n0.1		理论值/实测值
0.5	17.40201005	17.87437186	17.49648241	17.31155779	1.010682148
0.4	951.2110553	1408.577889	1042.684422	977.2964824	1.066906963
0.3	1144.577889	1720.517588	1259.765829	1244.819095	1.012007153
0.2	1313.633166	1995.110553	1449.928643	1367.894472	1.059971125
0.1	1505.824121	2243.834171	1653.426131	1622.60804	1.018992936
0.01	2362.115578	3001.552764	2490.003015	2451.462312	1.015721516
0.001	4129.020101	4007.532663	4104.722613	4189.592965	0.979742578
1.00E-04	10353.37186	5532.668342	9389.231156	9589.763819	0.979088884
9.00E-05	10653.93467	5683.753769	9659.898492	9769.472362	0.988784055
8.00E-05	11292.43719	6131.934673	10260.33668	10447.81407	0.982055827
7.00E-05	11761.11055	6106.919598	10630.27236	11190.78894	0.949912684
6.00E-05	12657.69347	6014.688442	11329.09246	11462.45729	0.988365076
5.00E-05	13305.44221	6455.321608	11935.41809	12531.89447	0.952403335
4.00E-05	15844.29648	6724.738693	14020.38492	13652.90955	1.026915536
3.00E-05	17291.77387	7055.80402	15244.5799	15084.02513	1.010644027
2.00E-05	20753.56281	7763.41206	18155.53266	17850.52764	1.017086611
1.00E-05	27708.19598	8749.050251	23916.36683	25200.21608	0.949054038
9.00E-06	29358.8593	8879.41206	25262.96985	25605.17085	0.986635473
8.00E-06	30689.87437	9387.150754	26429.32965	28406.36683	0.930401617
7.00E-06	33437.22111	9532.648241	28656.30653	28608.58794	1.001667981
6.00E-06	36960.63819	9957.683417	31560.04724	32479.66332	0.971686404
5.00E-06	40669.92462	10661.56281	34668.25226	36849.28141	0.940812166
4.00E-06	44594.04523	11025.0402	37880.24422	36909.13065	1.02631093
3.00E-06	51522.10553	11653.63317	43548.41106	43731.97487	0.995802526
2.00E-06	67583.53266	13076.9196	56682.21005	62934.13568	0.900659228
1.00E-06	107224.5276	15184.58794	88816.5397	93680.26633	0.948081631

 

 

从数值看

这个公式还是符合的很好的。

表明神经网络的迭代次数可以被看作是一个线性变量可以用概率矩阵和迭代次数矩阵的点积来计算。

 

实验参数

学习率 0.1

权重初始化方式

Random rand1 =new Random();

int ti1=rand1.nextInt(98)+1;

int xx=1;

if(ti1%2==0)

{ xx=-1;}

tw[a][b]=xx*((double)ti1/x);

第一层第二层和卷积核的权重的初始化的x分别为1000,1000,200