help='use how many training data to train network') 

表示运用的数据大小，从前往后取 usebatchsize 个数据。

这部分顺序见 SK_s.py 和 runTrainingSize.sh 。

运转的结果如下：

500：   84.2% 

1000：  92.0% 

2000：  94.3% 

5000：  95.5% 

10000： 96.6% 

20000： 98.4% 

60000： 99.1% 

由此可以清楚地看出，数据越多，结果的精度越大。

太少的数据无法准确反映数据的全体散布状况，而且容易过拟合，数据多到一定水平效果也会不清楚，不过，大少数时分我们总还是嫌数据太少，而且更多的数据获取起来也有一定难度。

成绩H：Use different training sets

采用脚本完成，这部分顺序见 SK_0.2.py 和 diffTrainingSets.sh 。

运转结果如下：

 0-10000： 98.0% 

10000-20000： 97.8% 

20000-30000： 97.8% 

30000-40000： 97.4% 

40000-50000： 97.5% 

50000-60000： 97.7% 

由此可见，采用不同的训练样本集合训练出来的网络有一定的差异，虽不是很大，但是毕竟显示出了不波动的结果。

成绩I：Random Seed’s effects

采用 runSeed.sh 脚本完成，用到了全部60000个训练集。

运转的结果如下：

Seed      0：  98.9% 

Seed      1：  99.0% 

Seed     12：  99.1% 

Seed    123：  99.0% 

Seed   1234：  99.1% 

Seed  12345：  99.0% 

Seed 123456：  98.9% 

理想上在用上整个训练集的时分，随机数生成器的种子设置关于最后结果的影响不大。

成绩J：ReLU or Sigmoid?

将ReLU全部换成Sigmoid后，用全部60000个训练集训练，有比照结果如下：

ReLU SK_0.2:  99.0% 

igmoid SK_0.2:  98.6% 

(责任编辑：admin)