小蓝xlanll

这个屌丝很懒，什么也没留下！

热门标签

神经网络为什么可以实现分类？---三分类网络0，1，2与弹性振子力学系统_神经网络为什么适合分类

作者：小蓝xlanll | 2024-03-14 15:21:32

踩

神经网络为什么适合分类

本文制作了一个三分类的网络来分类mnist数据集的0，1，2.并同时制作了一个力学模型，用来模拟这个三分类的过程，并用这个模型解释分类的原理。

上图可以用下列方程描述

只要ωx0，ωx1，ωx2，ωx012这四个数已知这个方程组是可以解的。

现在设计一个网络来计算ωx0

制作一个网络分类mnist 0和一张图片x，让左右两个网络实现参数共享，让x向1，0，0收敛，让mnist 0向0，1，0收敛

将这个网络简写成

d2（mnist 0, x）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)

具体进样顺序
δ=0.5
初始化权重
	迭代次数
X	1	判断是否达到收敛
mnist 0-1	2	判断是否达到收敛
梯度下降
X	3	判断是否达到收敛
mnist 0-2	4	判断是否达到收敛
梯度下降
……
X	9997	判断是否达到收敛
mnist 0-4999	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
X	9999	判断是否达到收敛
mnist 0-1	10000	判断是否达到收敛
梯度下降
……
每当网路达到收敛标准记录迭代次数和对应的准确率测试结果
将这一过程重复199次
δ=0.01
…
δ=3e-6 收敛条件是

if (Math.abs(f2[0]-y[0])< δ && Math.abs(f2[1]-y[1])< δ && Math.abs(f2[2]-y[2])< δ )

因为对应每个δ都有一个n与之对应，所以可以得到一条稳定的n（δ）曲线。让nx0等于ωx0。

用同样的办法制作另外三个网络

d2（mnist 1, x）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)

制作一个网络分类mnist 1和一张图片x，让左右两个网络实现参数共享，让x向1，0，0收敛，让mnist 1向0，1，0收敛，得到ωx1.

d2（mnist 2, x）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)

制作一个网络分类mnist 2和一张图片x，让左右两个网络实现参数共享，让x向1，0，0收敛，让mnist 2向0，0，1收敛，得到ωx2.

计算mnist0，mnist1和mnist2相对一个参照物x的频率，让他们的频率可以相互比较。

d3（mnist 0,1,2）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)

制作一个网络分类mnist 0,1,2让三个网络实现参数共享，让mnist 0向1，0，0收敛，让mnist 1向0，1，0收敛，让mnist 2 向0，0，1收敛，得到ω012.

计算ωx

所以ωx，ω0，ω1，ω2都可以被解出来。

再根据质量关系

如果假设mx=1。m0，m1，m2也都可以被解出来

具体解得的数据

δ	ω123	ωx0	ωx1	ωx2	ωx	ω0	ω1	ω2
0.1	7587.95	2472.46	2934.42	3140.44	2055.39	3324.81	#NUM!	#NUM!
1.00E-02	11022.2	3210.84	3790.5	4027.85	2635.91	4469.02	#NUM!	#NUM!
1.00E-03	18193.2	4364.11	5471.13	5291.57	3579.12	6091.61	#NUM!	#NUM!
9*1e-4	19061.9	4436.95	5452.92	5168.63	3569.43	6578.86	#NUM!	#NUM!
8*1e-4	19311.7	4632.25	5613.24	5432.4	3723.26	6889.13	#NUM!	#NUM!
7*1e-4	20254.4	4830.88	5765.85	5547.04	3839.11	7484.61	#NUM!	#NUM!
6*1e-4	21368.1	5128.38	5991.87	6051.89	4084.89	7877.29	#NUM!	#NUM!
5*1e-4	22162.8	6119.18	6673.56	6826.39	4711.76	10931.1	#NUM!	#NUM!
4*1e-4	22926.2	7350.78	7738.91	8741.98	5745.78	12195.5	17949.2	#NUM!
3*1e-4	25926.6	9288.86	10599.9	11598.3	7640.9	12855	38570.7	#NUM!
2*1e-4	29002.3	13223	14411.3	15514.8	10781.1	18781.3	31213.9	#NUM!
1.00E-04	37411.5	25290.2	27430.9	29153.8	22370.7	29764.2	38931.9	53083.3
9*1e-5	39277	26452.8	30887	33227.6	24944.5	28272.6	45208.3	69954.5
8*1e-5	39619.2	30812.7	34556.4	35642	29511.8	32302.4	43574.7	48439.4
7*1e-5	42224.3	34396	39146.5	39702.1	34088	34712.5	47430.5	49492.7
6*1e-5	46435.3	39686.3	46285.1	45362.6	41007.1	38485.4	54320.9	51485.4
5*1e-5	45628.2	45913.8	52943.6	52850.1	56574	39643.5	49933	49776.4
4*1e-5	52063.7	58538.8	66635.4	62407.9	82495.7	47853.1	57402.7	52229.9
3*1e-5	54023.4	73604.5	86087.4	82569	#NUM!	#NUM!	#NUM!	#NUM!
2*1e-5	65447.1	105869	121513	114573	#NUM!	#NUM!	#NUM!	#NUM!
1.00E-05	80455.8	199074	235384	193000	#NUM!	#NUM!	#NUM!	#NUM!
9*1e-6	85210.4	217783	255118	224412	#NUM!	#NUM!	#NUM!	#NUM!
8*1e-6	90364.4	235942	292894	242478	#NUM!	#NUM!	#NUM!	#NUM!
7*1e-6	92539.4	267342	312441	276817	#NUM!	#NUM!	#NUM!	#NUM!
6*1e-6	100522	298437	370803	305591	#NUM!	#NUM!	#NUM!	#NUM!
5*1e-6	103184	355890	424557	344916	#NUM!	#NUM!	#NUM!	#NUM!
4*1e-6	112972	431037	509263	409437	#NUM!	#NUM!	#NUM!	#NUM!
3*1e-6	127752	539694	641035	523975	#NUM!	#NUM!	#NUM!	#NUM!
2*1e-6	138964		936074	15953.4	#VALUE!	#VALUE!	#VALUE!	#VALUE!

由于统计精度的问题只得到了一部分有效的点

由图ω0，ω1，ω2的曲线有可能有交点。

δ	mx	m0	m1	m2	mx0	mx1	mx2	m123	k
0.1	1	0.38217	#NUM!	#NUM!	1.38217	0.98124	0.85672	0.22012	4224629
1.00E-02	1	0.34788	#NUM!	#NUM!	1.34788	0.96716	0.85653	0.17157	6947999
1.00E-03	1	0.34521	#NUM!	#NUM!	1.34521	0.85591	0.91498	0.11611	1.3E+07
9*1e-4	1	0.29437	#NUM!	#NUM!	1.29437	0.85698	0.95384	0.10519	1.3E+07
8*1e-4	1	0.29209	#NUM!	#NUM!	1.29209	0.87993	0.93949	0.11151	1.4E+07
7*1e-4	1	0.2631	#NUM!	#NUM!	1.2631	0.88667	0.95801	0.10778	1.5E+07
6*1e-4	1	0.26891	#NUM!	#NUM!	1.26891	0.92954	0.91119	0.10964	1.7E+07
5*1e-4	1	0.1858	#NUM!	#NUM!	1.1858	0.99697	0.95283	0.13559	2.2E+07
4*1e-4	1	0.22197	0.10247	#NUM!	1.22197	1.10247	0.86399	0.18843	3.3E+07
3*1e-4	1	0.3533	0.03924	#NUM!	1.3533	1.03924	0.86802	0.26057	5.8E+07
2*1e-4	1	0.32951	0.1193	#NUM!	1.32951	1.1193	0.96574	0.41455	1.2E+08
1.00E-04	1	0.5649	0.33018	0.1776	1.5649	1.33018	1.1776	1.07268	5E+08
9*1e-5	1	0.77842	0.30445	0.12715	1.77842	1.30445	1.12715	1.21002	6.2E+08
8*1e-5	1	0.83468	0.45869	0.37119	1.83468	1.45869	1.37119	1.66456	8.7E+08
7*1e-5	1	0.96435	0.51652	0.47437	1.96435	1.51652	1.47437	1.95524	1.2E+09
6*1e-5	1	1.13534	0.56988	0.63438	2.13534	1.56988	1.63438	2.33961	1.7E+09
5*1e-5	1	2.03652	1.28369	1.29178	3.03652	2.28369	2.29178	4.61198	3.2E+09
4*1e-5	1	2.97196	2.06537	2.49473	3.97196	3.06537	3.49473	7.53207	6.8E+09
3*1e-5	1	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!
2*1e-5	1	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!
1.00E-05	1	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!
9*1e-6	1	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!
8*1e-6	1	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!
7*1e-6	1	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!
6*1e-6	1	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!
5*1e-6	1	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!
4*1e-6	1	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!
3*1e-6	1	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!	#NUM!
2*1e-6	1	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!
1.00E-06	1	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!
1.00E-07	1	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!	#VALUE!

这条质量曲线里m1和m2的值也纠缠在一起。

虽然频率和质量的曲线从图上看都有纠缠但，这几个纠缠的点不完全重合，如果从频率和质量两个维度去分类仍然可能将这几个对象区分开。

这个实验虽然只得到了7组有价值的数据，但也证实了这种模拟是可能的。

实验数据

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

d2（mnist 0, x）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)的数据

x0---3k

f2[0]	f2[1]	f2[2]	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
0.498028	0.500578	0.267648	17.9196	0.503767	0.5	806.3417	160464	2.6744	0.822695
0.609062	0.391232	0.001381	1721.543	0.5064	0.4	1103.322	219561	3.65935	0.969267
0.715655	0.284307	0.001383	1913.513	0.673654	0.3	1133.392	225547	3.759117	0.997636
0.819332	0.180886	0.001309	2203.241	0.753759	0.2	287.1608	57146	0.952433	0.997636
0.913426	0.086324	0.001203	2472.457	0.785112	0.1	1594.548	317330	5.288833	0.998109
0.992089	0.007913	9.45E-04	3210.839	0.75202	0.01	1374.216	273486	4.5581	0.997636
0.999266	7.34E-04	6.94E-04	4364.106	0.697801	0.001	1594.709	317364	5.2894	0.997636
0.999359	6.42E-04	6.69E-04	4436.95	0.71783	9.00E-04	1835.452	365264	6.087733	0.99669
0.999431	5.69E-04	6.39E-04	4632.246	0.690243	8.00E-04	2244.447	446649	7.44415	0.99669
0.999527	4.74E-04	5.96E-04	4830.879	0.677335	7.00E-04	2293.94	456497	7.608283	0.995272
0.999606	3.95E-04	5.60E-04	5128.377	0.722364	6.00E-04	2407.397	479072	7.984533	0.995745
0.999698	3.02E-04	4.79E-04	6119.181	0.739387	5.00E-04	2638.276	525025	8.750417	0.997636
0.999792	2.08E-04	3.92E-04	7350.779	0.781313	4.00E-04	2925.864	582255	9.70425	0.998109
0.99985	1.50E-04	2.96E-04	9288.859	0.773073	3.00E-04	3337.955	664269	11.07115	0.997163
0.999908	9.19E-05	1.98E-04	13223.02	0.806277	2.00E-04	3833.729	762927	12.71545	0.997163
0.994943	0.005057	9.89E-05	25290.15	0.806339	1.00E-04	5484.06	1091329	18.18882	0.997636
0.999972	2.78E-05	8.91E-05	26452.81	0.785402	9.00E-05	5786.945	1151603	19.19338	0.997636
0.994949	0.005051	7.92E-05	30812.7	0.752778	8.00E-05	5980.07	1190035	19.83392	0.998582
0.994954	0.005046	6.92E-05	34396	0.774002	7.00E-05	8870.95	1765335	29.42225	0.998109
0.994957	0.005043	5.94E-05	39686.29	0.775178	6.00E-05	9581.141	1906647	31.77745	0.998582
0.994962	0.005038	4.94E-05	45913.83	0.764458	5.00E-05	11592.85	2306978	38.44963	0.996217
0.98994	0.01006	3.96E-05	58538.81	0.785692	4.00E-05	14235.63	2832906	47.2151	0.997636
0.989942	0.010058	2.96E-05	73604.5	0.74317	3.00E-05	18005.08	3583011	59.71685	0.99669
0.984921	0.015079	1.97E-05	105868.7	0.728406	2.00E-05	24788.76	4932971	82.21618	0.998582
0.994972	0.005028	9.89E-06	199073.6	0.710966	1.00E-05	45093.17	8973556	149.5593	0.995745
0.979897	0.020103	8.91E-06	217782.7	0.707915	9.00E-06	50139.76	9977813	166.2969	0.998109
0.989948	0.010052	7.92E-06	235942	0.692995	8.00E-06	45157.56	8986357	149.7726	0.992435
0.994973	0.005027	6.93E-06	267341.6	0.700398	7.00E-06	60661.26	12071590	201.1932	0.997636
0.999999	1.47E-06	5.94E-06	298437.4	0.694805	6.00E-06	65289.42	12992611	216.5435	0.994799
0.999999	1.04E-06	4.96E-06	355890.1	0.682433	5.00E-06	75109.63	14946820	249.1137	0.98487
0.999999	8.47E-07	3.97E-06	431037.4	0.668444	4.00E-06	82579.55	16433350	273.8892	0.996217
0.994974	0.005026	2.98E-06	539693.7	0.692377	3.00E-06	116352.7	23154181	385.903	0.987234

d2（mnist 1, x）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)的数据

x1---3k

f2[0]	f2[1]	f2[2]	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
0.494146	0.50332	0.300855	16.51759	0.519529	0.5	1215.678	241922	4.032033	0.899291
0.391208	0.608624	0.001349	2005.116	0.870722	0.4	1676.628	333650	5.560833	0.986761
0.285317	0.714582	0.001306	2308.02	0.885643	0.3	1746.588	347586	5.7931	0.986761
0.18278	0.817472	0.001167	2732.171	0.863255	0.2	1843.241	366837	6.11395	0.982033
0.085759	0.914178	0.00114	2934.422	0.860484	0.1	1889	375928	6.265467	0.989125
0.007483	0.992533	8.83E-04	3790.503	0.850812	0.01	2082.854	414490	6.908167	0.991017
7.48E-04	0.999251	5.74E-04	5471.126	0.821474	0.001	2046.261	407207	6.786783	0.988652
6.41E-04	0.999359	5.69E-04	5452.925	0.824933	9.00E-04	2477.819	493102	8.218367	0.98818
5.94E-04	0.999407	5.58E-04	5613.236	0.831267	8.00E-04	2513.638	500214	8.3369	0.987707
5.11E-04	0.999488	5.46E-04	5765.849	0.823774	7.00E-04	2560.799	509614	8.493567	0.990071
4.02E-04	0.999598	5.18E-04	5991.869	0.821353	6.00E-04	2605.503	518496	8.6416	0.990544
3.24E-04	0.999677	4.49E-04	6673.558	0.812816	5.00E-04	2740.698	545400	9.09	0.993853
2.49E-04	0.999751	3.80E-04	7738.915	0.839512	4.00E-04	2977.513	592525	9.875417	0.991962
1.54E-04	0.999846	2.89E-04	10599.87	0.826991	3.00E-04	3172.347	631297	10.52162	0.991962
9.67E-05	0.999903	1.96E-04	14411.34	0.801666	2.00E-04	4643.402	924037	15.40062	0.991017
4.43E-05	0.999956	9.90E-05	27430.87	0.817276	1.00E-04	7745.357	1541326	25.68877	0.990544
0.005061	0.994939	8.88E-05	30887.03	0.823458	9.00E-05	8030.497	1598069	26.63448	0.993381
0.010082	0.989918	7.89E-05	34556.39	0.813407	8.00E-05	9136.382	1818140	30.30233	0.992435
2.54E-05	0.999975	6.92E-05	39146.48	0.793236	7.00E-05	9865.337	1963209	32.72015	0.992908
0.010071	0.989929	5.92E-05	46285.07	0.796964	6.00E-05	11820.8	2352343	39.20572	0.991962
0.010067	0.989933	4.92E-05	52943.62	0.78607	5.00E-05	13333.96	2653462	44.22437	0.991489
0.020113	0.979887	3.94E-05	66635.38	0.786324	4.00E-05	12621.33	2511660	41.861	0.992435
0.010062	0.989938	2.96E-05	86087.45	0.765207	3.00E-05	16507.18	3284929	54.74882	0.991017
6.84E-06	0.999993	1.97E-05	121512.8	0.766105	2.00E-05	23216.28	4620054	77.0009	0.990071
0.020104	0.979896	9.88E-06	235383.6	0.757124	1.00E-05	45063.69	8967677	149.4613	0.991962
0.005028	0.994972	8.91E-06	255118.4	0.734806	9.00E-06	48584.32	9668280	161.138	0.990071
2.59E-06	0.999997	7.91E-06	292894	0.745213	8.00E-06	67311.87	13395064	223.2511	0.989598
0.010052	0.989948	6.92E-06	312441.3	0.73532	7.00E-06	52103.28	10368570	172.8095	0.986288
0.005027	0.994973	5.95E-06	370802.8	0.729998	6.00E-06	62282.38	12394211	206.5702	0.988652
0.010052	0.989948	4.96E-06	424557.5	0.738698	5.00E-06	73037.1	14534383	242.2397	0.986761
1.06E-06	0.999999	3.96E-06	509263.2	0.719527	4.00E-06	83283.84	16573502	276.225	0.992908
7.79E-07	0.999999	2.97E-06	641035.2	0.72789	3.00E-06	113768.1	22639857	377.331	0.98818
5.31E-07	0.999999	1.99E-06	936074.1	0.704451	2.00E-06	162290.3	32295803	538.2634	0.985343

d2（mnist 2, x）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)的数据

x2

f2[0]	f2[1]	f2[2]	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
0.500087	0.239966	0.498985	21.40201	0.503132	0.5	749.8894	149243	2.487383	0.719682
0.390571	0.001166	0.609555	2119.417	0.67279	0.4	1158.015	230477	3.841283	0.919483
0.283649	0.001122	0.716415	2520.121	0.691709	0.3	1231.538	245076	4.0846	0.909046
0.182927	0.001091	0.817045	2697.608	0.70339	0.2	1264.744	251699	4.194983	0.916004
0.085491	0.001024	0.914714	3140.442	0.689823	0.1	1359.94	270631	4.510517	0.904573
0.007564	8.38E-04	0.992453	4027.849	0.66199	0.01	1514.744	301434	5.0239	0.919483
7.01E-04	6.68E-04	0.999298	5291.568	0.634952	0.001	1744.804	347216	5.786933	0.932406
6.23E-04	6.64E-04	0.999376	5168.633	0.627004	9.00E-04	1730.447	344375	5.739583	0.917495
5.42E-04	6.44E-04	0.999459	5432.402	0.657717	8.00E-04	1818.317	361846	6.030767	0.913519
4.73E-04	6.17E-04	0.999527	5547.035	0.644328	7.00E-04	1827.683	363710	6.061833	0.920477
3.61E-04	5.52E-04	0.999639	6051.889	0.633463	6.00E-04	1936.814	385426	6.423767	0.912028
2.64E-04	4.81E-04	0.999736	6826.392	0.626565	5.00E-04	1777.729	353783	5.896383	0.925447
1.91E-04	3.92E-04	0.999809	8741.98	0.630933	4.00E-04	2531.266	503722	8.395367	0.902584
1.25E-04	2.94E-04	0.999875	11598.28	0.618857	3.00E-04	3013.085	599619	9.99365	0.92495
6.72E-05	1.97E-04	0.999933	15514.78	0.584823	2.00E-04	3689.241	734159	12.23598	0.862326
0.00505	9.83E-05	0.99495	29153.83	0.565014	1.00E-04	6322.709	1258219	20.97032	0.778827
0.015097	8.82E-05	0.984903	33227.56	0.568439	9.00E-05	7009.352	1394878	23.24797	0.779821
0.010068	7.85E-05	0.989932	35641.99	0.57249	8.00E-05	8048.271	1601608	26.69347	0.903082
0.01509	6.88E-05	0.98491	39702.06	0.562949	7.00E-05	9952.528	1980553	33.00922	0.807157
0.025139	5.90E-05	0.974861	45362.58	0.558868	6.00E-05	11509.38	2290367	38.17278	0.878231
1.07E-05	4.91E-05	0.999989	52850.1	0.545721	5.00E-05	13502.02	2686904	44.78173	0.705765
0.010059	3.93E-05	0.989941	62407.9	0.544195	4.00E-05	15279.87	3040697	50.67828	0.693837
0.01508	2.95E-05	0.98492	82569.04	0.542946	3.00E-05	20272.58	4034248	67.23747	0.723658
0.015079	1.96E-05	0.984921	114572.7	0.537536	2.00E-05	19727.65	3925806	65.4301	0.783797
0.005027	9.84E-06	0.994973	193000.5	0.531015	1.00E-05	33317.63	6630210	110.5035	0.709742
0.010052	8.86E-06	0.989948	224411.6	0.530356	9.00E-06	37654.61	7493268	124.8878	0.663022
0.020102	7.87E-06	0.979898	242478.2	0.528997	8.00E-06	42188.21	8395457	139.9243	0.756461
1.29E-06	6.91E-06	0.999999	276817.3	0.529656	7.00E-06	47674.84	9487293	158.1216	0.785288
0.010051	5.92E-06	0.989949	305591.4	0.527146	6.00E-06	51288.63	10206438	170.1073	0.639165
0.005026	4.94E-06	0.994974	344915.9	0.524828	5.00E-06	59820.35	11904251	198.4042	0.604374
0.005026	3.95E-06	0.994974	409437.4	0.526517	4.00E-06	70332.83	13996238	233.2706	0.708748
4.95E-07	2.97E-06	1	523975	0.522715	3.00E-06	97274.69	19357665	322.6278	0.58002

d3（mnist 0,1,2）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)的数据

已经在《计算一个网络准确率达到99.9%的时间和需要的迭代次数---验证实例三分类minst0，1，2》给出了

d2（mnist 0, x）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)

d2（mnist 1, x）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)

d2（mnist 2, x）81-con（3*3）-49-30-3-（3*k） ,k∈(0,1)

的具体数据比较多有感兴趣的朋友可以到我的资源里下载。

声明：本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：【wpsshop博客】