《表1 不同随机失活比率的准确率》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《混合Gabor的轻量级卷积神经网络的验证码识别研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了防止出现过拟合现象，本文在模型训练时加入了Dropout层进行调节，还对不同学习率和批量大小进行了对比实验。通过表1的对比实验可知，设置不同大小的随机失活比率，对模型的准确率存在影响。当Dropout为0.3时，整个网络的性能最佳。如果随机失活的值较小，则仍然会出现过拟合现象，无法使得模型具有较好的鲁棒性。通过表2可以发现，当初始学习率较大时，模型梯度下降的速度较快，整个网络呈现震荡趋势，难以找到最优解，因此识别准确率较低。当初始参数量设置较低时，模型训练时间较长，且容易陷入局部最优解中，识别准确率也较低。当初始学习率在0.01时，整个模型的训练时间和效果达到最优。通过表3可知，每次训练的批量大小不同时，模型的准确率也存在差异。当批量较小时，模型训练时间较慢，而当批量大小为50时，对计算机硬件配置要求较高，无法平稳地训练。因此，本文随机失活概率设计为0.3，初始学习率为0.01，批量大小为10，此时模型达到最优。