《表2 实验结果对比：卷积神经网络在手写字符识别中的应用》

  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

《卷积神经网络在手写字符识别中的应用》

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

本文通过以下实验进行对比，方案一采用传统的VGG模型，方案二是加了Batch Normalization的VGG模型，方案三是采用PReLU作为激活函数的VGG模型，方案四是全局平均池化层代替全连接层的VGG模型，方案五是本文提出的用全局平均池化代替全连接层，利用PReLU作为激活函数，加入Batch Normalization的VGG模型。实验结果如图5与表2所示。其中图5为训练过程中的损失曲线，表2为5种方案测试集的最大准确率。从图5可以看出，加入Batch Normalization之后，神经网络收敛更快，使用PReLU激活函数之后，效果比原来的更好，全局平均池化因为减少了训练参数，也较VGG模型收敛稍快，本文改进VGG模型收敛更快，参数更少，且测试准确率最高，达99.65%，验证了本文模型的有效性。