《表1 不同学习率的Dice系数》

  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

《应用深度学习网络实现肾小球滤过膜超微病理图像的语义分割》

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

学习率的大小决定了梯度下降过程中权重更新步长的大小。如果学习率太小，过小的更新步长将要花费更多的时间使Loss函数到达最小值，还有可能陷入局部最小值；而如果学习率太大，过大的更新步长会越过最小值，使Loss函数在最小值附近震荡，难以收敛。本实验为探究合适的学习率，分别使用了4个不同的学习率进行训练，所得4组的Loss曲线如图8所示，图中横坐标为迭代次数，纵坐标为Loss计算数值，蓝色曲线为训练集Loss曲线，橙色曲线为验证集Loss曲线。这4个不同学习率模型的分割结果如表1所示。（1）当选取学习率为0.001和0.000 1时，训练集和验证集Loss曲线出现了震荡，学习率选取偏大；（2）当学习率选取为0.000 01时，虽然Loss曲线震荡没有0.000 1时那么严重，但Dice系数却略低，其原因可能是陷入了局部最小值；（3）当学习率选取为0.000 001时，训练集和验证集的Loss曲线还处于下降趋势，1 000次的训练未能收敛，导致Dice系数较差。所以选取0.000 1作为最佳学习率，进行接下来的GFM分割实验。