《表3 CIFAR-100数据集表现》
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。
图表编号 | XD00100524100 严禁用于非法目的 |
---|---|
绘制时间 | 2019.09.30 |
作者 | 佟国香、田飞翔 |
绘制单位 | 上海理工大学光电信息与计算机工程学院、上海理工大学光电信息与计算机工程学院 |
更多格式 | 高清、无水印(增值服务) |