《表5 Char-CNN模型与LRN-CharFCN模型的其他性能对比》

  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

《全卷积神经网络的字符级文本分类方法》

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

本次实验在五个数据集上将本文设计的LRN-CharFCN模型与文献[10]中使用全连接层的字符卷积模型CharCNN进行对比。为体现LRN层与全卷积层对模型性能的提升有不同的作用，在表4中列出原始模型CharCNN、添加LRN层的LRN-CharCNN模型以及LRN-CharFCN模型在Acc指标上的对比结果。从表中可以看出，原始模型添加了LRN层后性能有了明显的提升。使用了全卷积模型后模型性能保持稳定。这也验证了前文所述，模型的准确性等性能的提升主要是由LRN层实现，而使用全卷积的目的是加快模型收敛速度。考虑到文献[10]中仅使用了精确性Acc作为唯一评价指标，这里也增加展示了在本实验的标准下CharCNN在P、R、F1值上的结果。两个模型训练、测试结果如表5所示。