《表1 实验仿真对比结果分析》
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
《深度卷积神经网络LeNet-5和ResNet的对比以及应用分析》
利用Tensorflow来实现一个LeNet-5的模型。首先人工配置神经网络输入、输出的参数大小,选择通道数量、图片尺寸等超参数。然后再定义两个卷积层的尺寸和深度。接下来就是定义卷积层、池化层、全连接层的前向传播过程。为了贴合MNIST数据集,在此将卷积层的输入调整为28*28*1尺寸像素。测试仿真实验中发现,学习率的大小对数据准确率影响较大。当学习率较大时,将Learning Rate修改到0.8后,准确率仅有0.11,未达到收敛的效果。将其改为0.01后,准确率则提高至0.73,完成了预期要求,如表1所示。从仿真实验可发现,学习率的调整对于深度学习有着至关重要的作用。若学习率较大,其将造成参数在训练过程中越过最优值,从而无法取得最优值;若过小,则又会使得数据无法收敛。不同大小的数据集对于学习率的要求也不同,当代价函数为平方误差和时,数据集越大学习率就需要越小。本次仿真实验中,学习率过大将无法对MNIST数据集进行训练模拟。
图表编号 | XD00132251900 严禁用于非法目的 |
---|---|
绘制时间 | 2020.01.20 |
作者 | 许可、高尚 |
绘制单位 | 江苏科技大学计算机学院、江苏科技大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |