空间尺寸对迭代次数的影响
( A, B )---3*30*2---( 1, 0 )( 0, 1 )
( A, B )---4*30*2---( 1, 0 )( 0, 1 )
做4个训练集尺寸分别为3行3列，3行4列，4行3列和2行4列的网络。简写为3*3，3*4，4*3，2*4.
保持这4个网络差值结构的形态一致，观察图片尺寸的变化对迭代次数的影响。
第一组
| 3*3 | A-B | 迭代次数 | 3*4 | A-B | 迭代次数 | ||||||
| 0 | 0 | 0 | 0*2*7-0*0*0 | 10096.64 | 0 | 0 | 0 | 0 | 0*2*7-0*0*0 | 10096.73 | |
| 0 | 1 | 0 | 0*2*7-0*0*0 | 10096.64 | 0 | 0 | 1 | 0 | 0*2*7-0*0*0 | 10096.73 | |
| 1 | 1 | 1 | 0*2*7-0*0*0 | 10096.64 | 0 | 1 | 1 | 1 | 0*2*7-0*0*0 | 10096.73 | |
| 4*3 | A-B | 迭代次数 | 2*4 | A-B | 迭代次数 | ||||||
| 0 | 0 | 0 | 0*0*2*7-0*0*0*0 | 14571.38 | 0 | 0 | 1 | 0 | 2*7-0*0 | 7074.94 | |
| 0 | 0 | 0 | 0*0*2*7-0*0*0*0 | 14571.38 | 0 | 1 | 1 | 1 | 2*7-0*0 | 7074.94 | |
| 0 | 1 | 0 | 0*0*2*7-0*0*0*0 | 14571.38 | |||||||
| 1 | 1 | 1 | 0*0*2*7-0*0*0*0 | 14571.38 |
3*3的迭代次数与3*4的迭代次数相同，2*4的最小而4*3的最大。
4*3>3*3=3*4>2*4。表明在差值结构一致的前提下，增加列对迭代次数没有影响，而增加行会使迭代次数变大。
第二组
| 3*3 | A-B | 迭代次数 | 3*4 | A-B | 迭代次数 | ||||||
| 0 | 0 | 0 | 0*3*3-0*0*0 | 23068.75 | 0 | 0 | 0 | 0 | 0*3*3-0*0*0 | 22997.26 | |
| 0 | 1 | 1 | 0*3*3-0*0*0 | 23068.75 | 0 | 0 | 1 | 1 | 0*3*3-0*0*0 | 22997.26 | |
| 0 | 1 | 1 | 0*3*3-0*0*0 | 23068.75 | 0 | 0 | 1 | 1 | 0*3*3-0*0*0 | 22997.26 | |
| 4*3 | A-B | 迭代次数 | 2*4 | A-B | 迭代次数 | ||||||
| 0 | 0 | 0 | 0*3*3*0-0*0*0*0 | 30993.99 | 0 | 0 | 1 | 1 | 3*3-0*0 | 22693.3 | |
| 0 | 1 | 1 | 0*3*3*0-0*0*0*0 | 30993.99 | 0 | 0 | 1 | 1 | 3*3-0*0 | 22693.3 | |
| 0 | 1 | 1 | 0*3*3*0-0*0*0*0 | 30993.99 | |||||||
| 0 | 0 | 0 | 0*3*3*0-0*0*0*0 | 30993.99 |
迭代次数的大小顺序为4*3>3*3=3*4>2*4，这个顺序与第一组一致，4*3，3*3和3*4的迭代次数是第一组的约2.2倍，而2*4的迭代次数是第一组的3.2倍。2*4的迭代次数增长的更快。
第三组
| 3*3 | A-B | 迭代次数 | 3*4 | A-B | 迭代次数 | ||||||
| 0 | 0 | 0 | 0*3*6-0*0*0 | 25780.67 | 0 | 0 | 0 | 0 | 0*6*12-0*0*0 | 25814.85 | |
| 0 | 1 | 1 | 0*3*6-0*0*0 | 25780.67 | 0 | 1 | 1 | 0 | 0*6*12-0*0*0 | 25814.85 | |
| 1 | 1 | 0 | 0*3*6-0*0*0 | 25780.67 | 1 | 1 | 0 | 0 | 0*6*12-0*0*0 | 25814.85 | |
| 4*3 | A-B | 迭代次数 | 2*4 | A-B | 迭代次数 | ||||||
| 0 | 0 | 0 | 0*0*3*6-0*0*0*0 | 35068.68 | 0 | 1 | 1 | 0 | 6*12-0*0 | 24266.91 | |
| 0 | 0 | 0 | 0*0*3*6-0*0*0*0 | 35068.68 | 1 | 1 | 0 | 0 | 6*12-0*0 | 24266.91 | |
| 0 | 1 | 1 | 0*0*3*6-0*0*0*0 | 35068.68 | |||||||
| 1 | 1 | 0 | 0*0*3*6-0*0*0*0 | 35068.68 |
这组的顺序依然是4*3>3*3=3*4>2*4其中3*3，3*4，4*3的迭代次数为第二组的约1.1倍，而2*4的迭代次数是第二组的1.06倍，所以这个迭代次数的变化趋势并不均匀。
第4组
| 3*3 | A-B | 迭代次数 | 3*4 | A-B | 迭代次数 | ||||||
| 1 | 0 | 0 | 4*4*3-0*0*0 | 30860.98 | 0 | 1 | 0 | 0 | 4*4*3-0*0*0 | 30802.33 | |
| 1 | 0 | 0 | 4*4*3-0*0*0 | 30860.98 | 0 | 1 | 0 | 0 | 4*4*3-0*0*0 | 30802.33 | |
| 0 | 1 | 1 | 4*4*3-0*0*0 | 30860.98 | 0 | 0 | 1 | 1 | 4*4*3-0*0*0 | 30802.33 | |
| 4*3 | A-B | 迭代次数 | |||||||||
| 0 | 0 | 0 | 0*4*4*3-0*0*0*0 | 28928.27 | |||||||
| 1 | 0 | 0 | 0*4*4*3-0*0*0*0 | 28928.27 | |||||||
| 1 | 0 | 0 | 0*4*4*3-0*0*0*0 | 28928.27 | |||||||
| 0 | 1 | 1 | 0*4*4*3-0*0*0*0 | 28928.27 |
第4组规律与前三组不同，4*3的迭代次数要小于3*3和3*4.
| 3*3 | 457 | 512 | 0.89258 | |
| 3*4 | 3954 | 4096 | 0.96533 | |
| 4*3 | 3855 | 4096 | 0.94116 |
在3*3的网络中共有512组不同的训练集，其中迭代次数比30860小的有457组，占89.3%， 其余两组的数据是96%，94%。
所以如果认为在差值结构不变的条件下增加列不改变迭代次数，增加行使迭代次数变大,尽管这里的统计并不完全但似乎暗示了，这个假设可以有效的覆盖这3个网络的大多数结构。
而且这一现象可以很容易的用质心的假设去理解，质心的高度显然不会随着列的增加而增加，但是行的增加虽然不会改变质心的绝对高度但相对高度变小了。因为相对质心变小使迭代次数变大。
相关文章：
空间尺寸对迭代次数的影响
( A, B )---3*30*2---( 1, 0 )( 0, 1 ) ( A, B )---4*30*2---( 1, 0 )( 0, 1 ) 做4个训练集尺寸分别为3行3列，3行4列，4行3列和2行4列的网络。简写为3*3，3*4，4*3，2*4. 保持这4个网络差值结构的形态一致，…...
mininet+flowvisor+floodlight实现网络切片功能
ininetflowvisorfloodlight实现网络切片功能 这个项目所使用的软件flowvisor 和floodlight 都已经过时了网上能找到的资料太少了，整个项目搭建过程中遇到的坑太多了。花了大量的的时间。 有什么问题可提出来，如果我会的话一定会耐心解答的 此项目主要采…...
【C++】十分钟带你入门C++
目录零 内容概括一 C关键字二 命名空间2.1 命名空间定义2.2 命名空间的使用三 C输入和输出四 缺省参数4.1 缺省参数的概念4.2 缺省参数分类五 函数重载5.1 函数重载的概念六 引用6.1 引用概念6.2 引用特性6.3 常引用6.4 使用场景6.5 效率比较6.6 引用和指针的区别七 内联函数7.…...
kettle利用excel文件增量同步一个库的数据(多表一次增量同步)
利用excel文件增量同步一个库的数据 现在有sqlserver和mysql两个库上的表在进行同步，mysql上的是源表，sqlserver上是目标表。 mysql : sqlserver : 可以看到sqlserver上表的最近一次同步日期分别是 pep表： 2022-10-23 14:19:00.000 stu_…...
面试题：android中A Activity 打开B Activity，为什么A Activity的onStop()方法最后被调用
如下是一段典型的Activity间切换的日志，从A Activity切换到B Activity：10-17 20:54:42.247: I/com.example.servicetest.AActivity(5817): onCreate() 1166919192 taskID66 10-17 20:54:42.263: I/com.example.servicetest.AActivity(5817): onStart()…...
百度版本gactgpt即将来临，gpt人工智能机器横空出世
百度版本gactgpt即将来临，gpt人工智能机器横空出世，“一言”为定！百度版ChatGPT确认！李彦宏OKR曝光，率先应用于收索业务 gactCBT 大获，当下极有可能成为人工智能的 iPhone 时刻。为了在这场人工智能竞赛中…...
【python--networkx】函数说明+代码讲解
【Python–NetworkX】函数说明代码讲解 文章目录【Python--NetworkX】函数说明代码讲解1. 介绍1.1 前言1.2 图的类型（Graph Types）1.3 常用方法2. 代码示例1. 介绍 1.1 前言 NetworkX是复杂网络研究领域中的常用Python包。 1.2 图的类型（G…...
【Jqgrid分页勾选保存】三步实现表格分页勾选（取消勾选）保存（附源码）
目录1、创建临时存储数组，初始化赋值2、单行选中与取消，调整数组3、全选与取消全选，调整数组4、输出数组保存5、片尾彩蛋【写在前面】表格可以说是在我们的web页面中是最常见的，之前我们介绍过layui表格翻页勾选的实现过程&#x…...
Appium移动自动化测试——app控件获取之uiautomatorviewer
下载手机YY http://yydl.duowan.com/mobile/yymobile_client-android/5.4.2/yymobile_client-5.4.2-881.apk 若链接失效，请自行百度 新建maven空白工程 前置条件：安装eclipse，及其maven插件，请自行百度 新建的工程如下…...
webpack、vite、vue-cli、create-vue 的区别
webpack、vite、vue-cli、create-vue 的区别 首先说结论 Rollup更适合打包库，webpack更适合打包项目应用，vite基于rollup实现了热更新也适合打包项目。 功能工具工具脚手架vue-clicreate-vue构建项目vite打包代码webpackrollup 脚手架:用于初始化&#…...
数据结构——TreeMap、TreeSet与HashMap、HashSet
目录 一、Map 1、定义 2、常用方法 3、注意 二、TreeMap 三、HashMap 1、定义 2、冲突定义 3、冲突避免方法——哈希函数设计 （1）、直接定制法(常用) （2）、除留余数法(常用) （3）、平方取中法 &…...
Spring Boot学习篇(十三)
Spring Boot学习篇(十三) shiro安全框架使用篇(五) 1 准备工作 1.1 在SysUserMapper.xml中书写自定义标签 <select id"findRoles" resultType"string">select name from sys_role where id (select roleid from sys_user_role where userid (S…...
微软Bing的AI人工只能对话体验名额申请教程
微软Bing 免费体验名额申请教程流程ChatGPT这东西可太过火了。国外国内，圈里圈外都是人声鼎沸。微软，谷歌，百度这些大佬纷纷出手。连看个同花顺都有GPT概念了，搞技术，做生意的看来都盯上了 流程 下面就讲一下如何申…...
怎么打造WhatsApp Team？SaleSmartly（ss客服）告诉你
关键词：WhatsApp Team SaleSmartly（ss客服） 您是否正在寻找一种让您的团队能够在 WhatsApp协作消息传递的解决方案?拥有了 WhatsApp Team，不仅效率提升，还可以在智能聊天工具中比如SaleSmartly（ss客服&…...
IPV4地址的原理和配置
第三章：IP地址的配置 IPv4（Internet Protocol Version 4）协议族是TCP/IP协议族中最为核心的协议族。它工作在TCP/IP协议栈的网络层，该层与OSI参考模型的网络层相对应。网络层提供了无连接数据传输服务，即网络在发送分…...
软件测试面试准备——（一）Selenium（1）基础问题及自动化测试
滴滴面试：1. 自己负责哪部分功能？农餐对接系统分为了两大子系统，一个是个人订餐系统，二是餐馆、个人与农产品供应商进行农产品交易系统。我主要负责组织测试人员对该系统进行测试。我们测试分为两个阶段：一、功能测试阶…...
AcWing 1230.K倍区间
AcWing 1230. K倍区间 题目描述 给定一个长度为 NNN 的数列，A1,A2,…ANA_1, A_2, … A_NA1,A2,…AN ，如果其中一段连续的子序列 Ai,Ai1,…AjA_i, A_{i1}, … A_jAi,Ai1,…Aj 之和是 KKK 的倍数，我们就称这个区间 [i,j][i,j][i,…...
kubernetes集群部署springcloud项目【AL】【未写完】
kubernetes集群部署springcloud项目【AL】 （先手工做，非自动化） #环境： 192.168.73.138 master 192.168.73.139 node1 192.168.73.140 node2 192.168.73.137 harbor、mysqlgit clone https://github.com/lizhenliang/simple-…...
各种音频接口比较
时间 参考：https://www.bilibili.com/video/BV1SL4y1q7GZ/?spm_id_from333.337.search-card.all.click&vd_source00bd76f9d6dc090461cddd9f0deb2d51， https://blog.csdn.net/weixin_43794311/article/details/128941346 接口名字时间公司支持格式…...
软件测试面试理论（超详细）
【面试理论知识】1、你的测试职业发展是什么? 测试经验越多，测试能力越高。所以我的职业发展是需要时间积累的，一步步向着高级测试工程师奔去。而且我也有初步的职业规划，前3年积累测试经验，按如何做好测试工程师的要点去要求自己…...
uni-app学习笔记二十二---使用vite.config.js全局导入常用依赖
在前面的练习中，每个页面需要使用ref，onShow等生命周期钩子函数时都需要像下面这样导入 import {onMounted, ref} from "vue" 如果不想每个页面都导入，需要使用node.js命令npm安装unplugin-auto-import npm install unplugin-au…...
MODBUS TCP转CANopen 技术赋能高效协同作业
在现代工业自动化领域，MODBUS TCP和CANopen两种通讯协议因其稳定性和高效性被广泛应用于各种设备和系统中。而随着科技的不断进步，这两种通讯协议也正在被逐步融合，形成了一种新型的通讯方式——开疆智能MODBUS TCP转CANopen网关KJ-TCPC-CANP…...
工业自动化时代的精准装配革新：迁移科技3D视觉系统如何重塑机器人定位装配
AI3D视觉的工业赋能者 迁移科技成立于2017年，作为行业领先的3D工业相机及视觉系统供应商，累计完成数亿元融资。其核心技术覆盖硬件设计、算法优化及软件集成，通过稳定、易用、高回报的AI3D视觉系统，为汽车、新能源、金属制造等行…...
selenium学习实战【Python爬虫】
selenium学习实战【Python爬虫】 文章目录 selenium学习实战【Python爬虫】一、声明二、学习目标三、安装依赖3.1 安装selenium库3.2 安装浏览器驱动3.2.1 查看Edge版本3.2.2 驱动安装 四、代码讲解4.1 配置浏览器4.2 加载更多4.3 寻找内容4.4 完整代码 五、报告文件爬取5.1 提…...
Rapidio门铃消息FIFO溢出机制
关于RapidIO门铃消息FIFO的溢出机制及其与中断抖动的关系，以下是深入解析： 门铃FIFO溢出的本质 在RapidIO系统中，门铃消息FIFO是硬件控制器内部的缓冲区，用于临时存储接收到的门铃消息（Doorbell Message）。…...
Android第十三次面试总结（四大 组件基础）
Activity生命周期和四大启动模式详解 一、Activity 生命周期 Activity 的生命周期由一系列回调方法组成，用于管理其创建、可见性、焦点和销毁过程。以下是核心方法及其调用时机： onCreate() 调用时机：Activity 首次创建时调用。…...
免费PDF转图片工具
免费PDF转图片工具 一款简单易用的PDF转图片工具，可以将PDF文件快速转换为高质量PNG图片。无需安装复杂的软件，也不需要在线上传文件，保护您的隐私。 工具截图 主要特点 🚀 快速转换：本地转换，无需等待上…...
【JVM】Java虚拟机（二）——垃圾回收
目录 一、如何判断对象可以回收 （一）引用计数法 （二）可达性分析算法 二、垃圾回收算法 （一）标记清除 （二）标记整理 （三）复制 （四ÿ…...
uniapp 字符包含的相关方法
在uniapp中，如果你想检查一个字符串是否包含另一个子字符串，你可以使用JavaScript中的includes()方法或者indexOf()方法。这两种方法都可以达到目的，但它们在处理方式和返回值上有所不同。 使用includes()方法 includes()方法用于判断一个字…...
【深度学习新浪潮】什么是credit assignment problem？
Credit Assignment Problem（信用分配问题） 是机器学习，尤其是强化学习（RL）中的核心挑战之一，指的是如何将最终的奖励或惩罚准确地分配给导致该结果的各个中间动作或决策。在序列决策任务中，智能体执行一系列动作后获得一个最终奖励，但每个动作对最终结果的贡献程度往往…...