anxingle

#  fcn全连接网络+RNN           
     1.   切片为单列 第一层全连接中neuron为1024，batch_size:3000(太大)。 170epoch错误率 0.27/0.31              
![enter description here][1]
  第一层全连接neuron为512，batch_size:2500. 170epoch 错误率0.154/0.186；230epoch错误率0.154/0.186；280epoch错误率 0.063/0.078           
                   ![enter description here][2] 
     2.    切片为2列 第一层全连接中neuron为1024，batch_size:2500。280epoch错误率0.093/0.127.       
       ![enter description here][3] 
                     第一层全连接中neuron为512，batch_size：2500. 260epoch错误率0.089/0.12.       
                       ![enter description here][4] 
     3.    切片为3列 第一层全连接中neuron为1024，batch_size:2500.     

anxingle

#  fcn全连接网络+RNN           
     1.   切片为单列 第一层全连接中neuron为1024，batch_size:3000(太大)。 170epoch错误率 0.27/0.31              
![enter description here][1]
  第一层全连接neuron为512，batch_size:2500. 170epoch 错误率0.154/0.186；230epoch错误率0.154/0.186；280epoch错误率 0.063/0.078           
                   ![enter description here][2] 
     2.    切片为2列 第一层全连接中neuron为1024，batch_size:2500。280epoch错误率0.093/0.127.       
       ![enter description here][3] 
                     第一层全连接中neuron为512，batch_size：2500. 260epoch错误率0.089/0.12.       
                       ![enter description here][4] 
     3.    切片为3列 第一层全连接中neuron为1024，batch_size:2500.     

anxingle

import numpy as np
import matplotlib.pyplot as plt
import time

from sklearn.datasets import make_blobs,make_circles,make_moons
from sklearn.preprocessing import StandardScaler

class SMOStruct:
	""" 按照John Platt的论文构造SMO的数据结构"""
	def __init__(self, X, y, C, kernel, alphas, b, errors, tol, eps, user_linear_optim, loop_threshold=2000):

anxingle

# 生成测试数据，训练样本
X_train, y = make_blobs(n_samples = 1000, centers =2, n_features=2, random_state = 2)
# StandardScaler()以及fit_transfrom函数的作用需要解释一下
scaler = StandardScaler()   #数据预处理，使得经过处理的数据符合正态分布，即均值为0，标准差为1
X_train_scaled = scaler.fit_transform(X_train, y)
y[y == 0] = -1

# 将训练数据绘制出来
fig, ax = plt.subplots()
ax.scatter(X_train_scaled[:, 0], X_train_scaled[:, 1],