0.前言

接上一篇对于dataFormat格式的实验结果分析（https://blog.csdn.net/qq_35546153/article/details/80393277），这一篇记录isRandom对于实验结果的影响；

1.实验过程记录

假定第一类（网络结构）情况不变，第二类中dataFormat选择1，因为其收敛速度较快，数据间的相关性强；samplesNum s i s R不变， 还是之前的11000， 观察记录isRandom改变对实验结果的影响。

1.1.1 网络训练过程记录

1. Using TensorFlow backend.  

2. load data begin...  

3. dataFormat = 1  

4. load data..., random!  

5. load done  

6. Data.shape= (11000, 858)  

7. label.shape= (11000, 5)  

8. reshape data shape= (11000, 858)  

9. reshape label shape= (11000, 5)  

10. data_train.shape= (8000, 858)  

11. data_test.shape= (3000, 858)  

12. label_train.shape= (8000, 5)  

13. label_test.shape= (3000, 5)  

14. construct net begin...  

15. Training...  

16. Epoch 1/200  

17.  200/8000 [..............................] - ETA: 1:29 - loss: 0.1844 - acc: 0.0850  

18. 1600/8000 [=====>........................] - ETA: 9s - loss: 0.4693 - acc: 0.6169    

19. 3000/8000 [==========>...................] - ETA: 4s - loss: 0.3116 - acc: 0.6453  

20. 4400/8000 [===============>..............] - ETA: 2s - loss: 0.2220 - acc: 0.6764  

21. 5800/8000 [====================>.........] - ETA: 0s - loss: 0.1735 - acc: 0.7021  

22. 7200/8000 [==========================>...] - ETA: 0s - loss: 0.1425 - acc: 0.7278  

23. 8000/8000 [==============================] - 3s 328us/step - loss: 0.1294 - acc: 0.7406  

24. Epoch 2/200  

25.   

26.  200/8000 [..............................] - ETA: 0s - loss: 0.0094 - acc: 0.8300  

27. 1600/8000 [=====>........................] - ETA: 0s - loss: 0.0109 - acc: 0.8625  

28. 3000/8000 [==========>...................] - ETA: 0s - loss: 0.0106 - acc: 0.8637  

29. 4400/8000 [===============>..............] - ETA: 0s - loss: 0.0104 - acc: 0.8655  

30. 5600/8000 [====================>.........] - ETA: 0s - loss: 0.0107 - acc: 0.8548  

31. 6800/8000 [========================>.....] - ETA: 0s - loss: 0.0103 - acc: 0.8590  

32. 8000/8000 [==============================] - 0s 42us/step - loss: 0.0100 - acc: 0.8616  

33. Epoch 3/200  

34.   

35.  200/8000 [..............................] - ETA: 0s - loss: 0.0078 - acc: 0.8500  

36. 1400/8000 [====>.........................] - ETA: 0s - loss: 0.0070 - acc: 0.8836  

37. 2600/8000 [========>.....................] - ETA: 0s - loss: 0.0077 - acc: 0.8762  

38. 4000/8000 [==============>...............] - ETA: 0s - loss: 0.0080 - acc: 0.8728  

39. 5400/8000 [===================>..........] - ETA: 0s - loss: 0.0079 - acc: 0.8669  

40. 6600/8000 [=======================>......] - ETA: 0s - loss: 0.0079 - acc: 0.8642  

41. 7800/8000 [============================>.] - ETA: 0s - loss: 0.0077 - acc: 0.8632  

42. 8000/8000 [==============================] - 0s 42us/step - loss: 0.0077 - acc: 0.8638  

43.   

44. Epoch 182/200  

45.   

46.  200/8000 [..............................] - ETA: 0s - loss: 0.0023 - acc: 0.9350  

47. 1600/8000 [=====>........................] - ETA: 0s - loss: 0.0025 - acc: 0.9163  

48. 3000/8000 [==========>...................] - ETA: 0s - loss: 0.0024 - acc: 0.9220  

49. 4400/8000 [===============>..............] - ETA: 0s - loss: 0.0024 - acc: 0.9264  

50. 5800/8000 [====================>.........] - ETA: 0s - loss: 0.0025 - acc: 0.9257  

51. 7200/8000 [==========================>...] - ETA: 0s - loss: 0.0025 - acc: 0.9240  

52. 8000/8000 [==============================] - 0s 40us/step - loss: 0.0025 - acc: 0.9234  

53. Epoch 183/200  

54.   

55.  200/8000 [..............................] - ETA: 0s - loss: 0.0025 - acc: 0.9200  

56. 1600/8000 [=====>........................] - ETA: 0s - loss: 0.0025 - acc: 0.9288  

57. 3000/8000 [==========>...................] - ETA: 0s - loss: 0.0025 - acc: 0.9320  

58. 4400/8000 [===============>..............] - ETA: 0s - loss: 0.0025 - acc: 0.9286  

59. 5600/8000 [====================>.........] - ETA: 0s - loss: 0.0025 - acc: 0.9234  

60. 7000/8000 [=========================>....] - ETA: 0s - loss: 0.0025 - acc: 0.9244  

61. 8000/8000 [==============================] - 0s 39us/step - loss: 0.0025 - acc: 0.9234  

62. Epoch 184/200  

63.   

64.  200/8000 [..............................] - ETA: 0s - loss: 0.0025 - acc: 0.9000  

65. 1600/8000 [=====>........................] - ETA: 0s - loss: 0.0023 - acc: 0.9287  

66. 3000/8000 [==========>...................] - ETA: 0s - loss: 0.0024 - acc: 0.9263  

67. 4400/8000 [===============>..............] - ETA: 0s - loss: 0.0025 - acc: 0.9255  

68. 5800/8000 [====================>.........] - ETA: 0s - loss: 0.0025 - acc: 0.9245  

69. 7200/8000 [==========================>...] - ETA: 0s - loss: 0.0025 - acc: 0.9251  

70. 8000/8000 [==============================] - 0s 39us/step - loss: 0.0025 - acc: 0.9234  

71. Epoch 00184: early stopping  

72.   

73. Testing ------------  

74.   

75.  200/3000 [=>............................] - ETA: 0s  

76. 2400/3000 [=======================>......] - ETA: 0s  

77. 3000/3000 [==============================] - 0s 27us/step  

78. test cost: [0.0033225238323211668, 0.92233333190282185]  

79. ./saveProcessResult/processb_200FIL_858FO_572SO_572EO_5_0521-17_17dataFormat1.png  

结合上一篇的没有random的数据，分析得出以下结论：

（1）epoch都是在1的时候，loss下降明显；

（2）随机选择样本在训练的过程中，由于数据加载，所以花费的时间长于按顺序选择的时间；

（3）随机选择样本训练结束的epoch为184，loss: 0.0025 - acc: 0.9234；按顺序的情况下，结束的epoch为175， loss: 0.0020 - acc: 0.9210；可见，当样本进行随机选择时，有可能会造成训练结果下降，但也有可能会上升。在这种情况下，loss 下较之顺序情况下，下降了-0.05%， 准确率上升了0.24%；

（4）猜测：随机情况下，结果不可控，有时好有时坏；

总结，目前样本数为11000时的情况下，随机选取样本与否和dataFormat两种情况下的网络结果都已实验，接下来，增加样本数，看看准确率能否突破92%？也需要试试样本数降低时，准确率是否会下降？也许在小样本时，准确率在随机的情况下会优于按顺序的情况，拭目以待！

原文出处