《表1 3D-CNN超参数正交表L9(34)》

  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

正交实验是一种研究多因素多水平的设计方法[28-29]。3D-CNN结构中有许多超参数，共同决定着模型的训练，为了确定最佳的超参数组合，本文挑选了4个重要且相互独立的超参数:卷积核大小、卷积步长、下采样核大小及步长和初始卷积核个数，正交表如表1所示，L9（34）代表着考察4个因素，每个因素依据经验设置3个水平值，一共9种不同超参数组合。在以往的经验中，单独的卷积核大小对结果没有绝对性的影响，一般取奇数；卷积步长越小学习得越仔细，但训练时间也随之增长或导致过学习；下采样方式采用最大不重复采样，所以核大小与步长保持一致；卷积核个数会随着卷积层的递进而增加，平衡了下采样时放弃的不重要信息。我们发现，单个卷积层时的训练难以收敛，并且第4个卷积层时的样本矩阵缩为单个数值而缺乏卷积效果，所以，分别在只有两个和三个卷积层的情况下进行正交实验，最终确定最佳超参数组合。