《表2 网络ψ与原网络Φ的参数量》
此外,若想改善toeplitz矩阵规划全连接层权重参数后得到的网络ψ的性能,则可增大原网络Φ的结构,增加可学习参数数量来实现。加大网络Φ的结构,增大全连接层神经元的个数,得到一个大网络Ω,对该大网络全连接层的权重参数进行toeplitz矩阵规划后得到网络ψ,使得网络ψ的性能逐渐接近原网络Φ的性能。表2为不同的网络ψ和原网络Φ可学习的参数量。图9为增加全连接层神经元的个数后,网络ψ与原网络Φ的误差曲线和准确率曲线。结合图9和表2可看出,增大toeplitz矩阵规划后网络的全连接层,使可学习的参数量增加,随着网络ψ参数量的增加,ψ与原网络Φ相比较,分类准确率相差逐渐减小,但是网络ψ的参数量仍然远远小于原网络Φ。
图表编号 | XD00124636300 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.01 |
作者 | 舒红乔、洪缨、刘岩 |
绘制单位 | 中国科学院声学研究所水下航行器信息技术重点实验室、中国科学院大学、中国科学院声学研究所水下航行器信息技术重点实验室、中国科学院声学研究所水下航行器信息技术重点实验室 |
更多格式 | 高清、无水印(增值服务) |