《表4 不同全连接层数对结果的影响》

  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

《3D卷积神经网络的结构优化及中枢神经系统药物的识别》

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

为了进一步探索其他超参数对结果的影响，在上述两个最佳参数组合基础上，默认每个全连接层固定1 024个神经元，统计全连接层数为1，2，3时的结果，如表4所示。在两个卷积层后连接两个全连接层时，CNS药物和non-CNS药物预测率均为81%以上，ACC，MCC，AUC分别为82.7%，0.656，0.852，然而3个卷积层并没有达到这样的效果。全连接层将卷积部分输出的特征信息与各自标签进行映射，在只有一个全连接时，2Conv（7/1/4/64）+1FC与3Conv（5/3/2/64）+1FC的结果非常接近，在添加了两个全连接层后，3Conv（5/3/2/64）+2FC对药物信息提取的误差被放大，而2Conv（7/1/4/64）+2FC仍然很健壮，这是由于较大的卷积核与较小的卷积步长搭配时，使得更多的信息被抽象到不同层面，下采样层则保留了更多重要的信息。