重写下面语句，不要出现”我们“：我们使用SGD中的蛋白质复合物注释文件来验证我们的方法的容错能力。容错性结果为如图6所示。在此图中，(a)和(b)显示了截止包含角30°的结果；(c)和(d)显示截止包含角60°的结果；(e)和(f)显示没有截止的结果；(a)、(c)和(e)显示 q=1、2 ... 10的结果；(b)、(d)和(f)显示q=10、20...100的结果。 在这些图中，“Original”是指原始蛋白质相互作用网络的结果，“Modified”是指修饰后的蛋白质相互作用网络的结果。我们用q计数每个检验的真阳性数和假阳性数。x轴是截断值，y轴是真阳性和假阳性的数量。我们对q进行测试十次，展示了最大结果，最小结果，和平均结果。虚线是原始蛋白质相互作用网络的相似性测试结果。我们使用红线表示真阳性数，蓝线表示假阳性数。

使用SGD中的蛋白质复合物注释文件进行验证方法的容错能力，容错性结果如图6所示。图中(a)和(b)显示截止包含角30°的结果；(c)和(d)显示截止包含角60°的结果；(e)和(f)显示没有截止的结果；(a)、(c)和(e)显示 q=1、2 ... 10的结果；(b)、(d)和(f)显示q=10、20...100的结果。在这些图中，“Original”指原始蛋白质相互作用网络的结果，“Modified”指修饰后的蛋白质相互作用网络的结果。计数每个检验的真阳性数和假阳性数用q。x轴是截断值，y轴是真阳性和假阳性的数量。进行了十次q的测试，展示了最大、最小和平均结果。虚线是原始蛋白质相互作用网络的相似性测试结果。红线表示真阳性数，蓝线表示假阳性数。

相关问题

pycharm中sgd_experimental()的使用方法

`sgd_experimental()`是PyCharm中的一个函数，它是一个实验性的梯度下降算法，用于优化神经网络。使用它的方法如下：

1. 在PyCharm中创建一个神经网络模型，例如：

import tensorflow as tf

# define the model architecture
model = tf.keras.models.Sequential([
    tf.keras.layers.Dense(128, activation='relu', input_shape=(784,)),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation='softmax')
])

2. 编译模型，使用`sgd_experimental()`作为优化器：

model.compile(optimizer=tf.keras.optimizers.sgd_experimental(learning_rate=0.01),
              loss='categorical_crossentropy',
              metrics=['accuracy'])

3. 训练模型，使用`fit()`函数：

model.fit(x_train, y_train, epochs=10, validation_data=(x_test, y_test))

其中，`x_train`和`y_train`是训练数据和标签，`x_test`和`y_test`是测试数据和标签。`epochs`是训练轮数。

需要注意的是，`sgd_experimental()`是一个实验性的优化器，可能不稳定，使用时需要谨慎。

在深度学习身份识别中，使用SGD算法和Adam算法哪种训练方法好

在深度学习身份识别中，Adam算法通常比SGD算法表现更好。Adam算法可以自适应地调整每个权重的学习率，并且可以在训练过程中自动调整动量。这使得Adam算法在处理大量数据和高维度特征时表现更加出色。相比之下，SGD算法需要手动调整学习率和动量，而且容易陷入局部极小值，导致训练不稳定。因此，在深度学习身份识别中，更推荐使用Adam算法来进行训练。