《表3 CIFAR-100数据集表现》

  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

《基于CNNs的两次训练融合的分类方法》

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

表2中针对CIFAR-10数据集的实验结果表明，改进的Residual-Net50模型较原始模型提升效果最好，准确率提高约1.5%，原始Residual-Net110模型的复杂度比Residual-Net50高，但在改进模型上准确率只提高了约1.0%，原始Wide-Resnet 28×10模型参数最多，在改进模型上准确率只提高了0.4%。由此可知，在模型复杂度到达一定程度后，准确率的提高会遇到瓶颈。表3中针对CIFAR-100数据集的实验结果表明，改进的Residual-Net110模型较原始模型提升效果最好，准确率提高了约3%，其他改进的模型较原始模型提升效果相近。表4中针对Fashion-MNIST数据集的实验结果表明，各改进模型表现一致，较原始模型提高了约1.0%的准确率。在训练模型时，可使用不同的优化器如SGD、Adam、Adagrad、RMSprop更新模型参数，对比发现不同的优化器只影响收敛速度，对最终分类精度的影响可以忽略，各优化器分类精度基本相同，与文献[19]中的结论基本一致。表2～表4中给出的是使用SGD优化器获得的数据，具有代表性。