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。
时间: 2023-03-20 14:00:20 浏览: 47
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。