参数迁移表达的第三种形态相互作用

最新推荐文章于 2025-09-25 16:14:03 发布

原创最新推荐文章于 2025-09-25 16:14:03 发布 · 199 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#参数迁移 #重排 #数轴 #递进 #分类原点

用神经网络模拟原子专栏收录该内容

358 篇文章

订阅专栏

本文通过构建网络分类MNIST手写数字0和1，分析了不同数字分类准确率的变化，并通过比较不同网络对同一组数据的分类效果，探讨了数字形状之间的相似性和外部环境对其的影响。

(0,1)---81*30*2---(1,0)(0,1) （x，1）

做一个网络来分类mnist的0和1，然后用这个网络来分类（x，1），让x分别是mnist的0-9.收敛误差是1E-4，重复199次，分别测量1-0位和0-1位的分类准确率，统计平均值，得到表格

		0*1	x-1
		f2[0]	f2[1]	迭代次数n	平均准确率p-ave	1-0	0-1	δ
0	1	8.42E-05	0.9999158	5301.6482	0.9968387	0.9946342	0.9990432	1.00E-04
1	1	8.59E-05	0.9999139	5303.5779	1	1	1	1.00E-04
2	1	8.48E-05	0.9999153	5301.0854	0.7409729	0.4829186	0.9990271	1.00E-04
3	1	8.47E-05	0.9999153	5337.0553	0.704391	0.4097538	0.9990281	1.00E-04
4	1	8.54E-05	0.9999145	5303.2965	0.7979352	0.5968281	0.9990422	1.00E-04
5	1	8.45E-05	0.9999156	5298.8744	0.7834668	0.5679126	0.9990211	1.00E-04
6	1	8.48E-05	0.9999151	5317.2563	0.8179779	0.6369206	0.9990352	1.00E-04
7	1	8.53E-05	0.9999147	5308.5628	0.716899	0.4347719	0.9990261	1.00E-04
8	1	8.47E-05	0.9999153	5303.4372	0.6274065	0.2557628	0.9990503	1.00E-04
9	1	8.49E-05	0.9999151	5323.5176	0.7216884	0.4443739	0.999003	1.00E-04

0-1位对1的分类准确率是很稳定的，当分类（1，1）时,因为左右相同所以网络无论判断是左边还是右边都对,因此分类准确率是100%。但用1-0位分类1的准确率应该是约为1-0.9991276，现在将1-0位的分类准确率排序

1	8	3	7	9	2	5	4	6	0
0.000872	0.255763	0.409754	0.434772	0.444374	0.482919	0.567913	0.596828	0.636921	0.994634

有理由猜测与0长的像的分类准确率应该更高.

然后用同样的办法

(0,2)---81*30*2---(1,0)(0,1) （x，2）

做一个分类（0，2）的网络，并用这个网络分类（x，2），让x分别是mnist的0-9.得到表格

		0*2	x-2
		f2[0]	f2[1]	迭代次数n	平均准确率p-ave	1-0	0-1
0	2	8.77E-05	0.9999122	3220.4221	0.9745819	0.9630462	0.9861176
1	2	8.91E-05	0.9999107	3184.1709	0.4940291	0.0019648	0.9860935
2	2	8.81E-05	0.9999122	3201.0754	1	1	1
3	2	8.86E-05	0.9999114	3222.402	0.6243829	0.262602	0.9861638
4	2	8.87E-05	0.9999114	3250.8543	0.565998	0.1459377	0.9860583
5	2	8.81E-05	0.9999116	3228.593	0.7576985	0.5291387	0.9862583
6	2	8.80E-05	0.999912	3214.2513	0.5560045	0.1258181	0.986191
7	2	9.00E-05	0.9999097	3236.7035	0.718502	0.4506804	0.9863236
8	2	8.89E-05	0.9999113	3204.2613	0.5305266	0.0747075	0.9863457
9	2	8.79E-05	0.9999122	3248.5226	0.6095367	0.2321497	0.9869236

用同样的办法可以得到另一组排序

1	2	8	6	4	9	3	7	5	0
0.001965	0.012352	0.074708	0.125818	0.145938	0.23215	0.262602	0.45068	0.529139	0.963046

而这组排序与第一组排序不同。

所以应该如何解释与0相似的图片竟然有两种不同的排序这个明显矛盾的事实？一种可能的解释，参数迁移表达的相互作用，作用的主体是x和（A，B），A和B作为一个整体，B的不同导致（A，B）整体的性质发生变化，并进一步导致x与A的相似性发生变化。这就意味着如果B有任意种，则x和A的相似性就有任意种。也就表明如果在一个外部环境B中，评价x和A的形态相似性，相似性将随着B的变化而变化，x与A在第三方外部环境中的形态相似性是相对的，没有唯一正确答案。

可以把B理解为分类原点，分类准确率作为x到A的距离，由于形态没有内在递进规律，B的改变导致形态数轴上的点x被重排。