《表1 实验结果：基于TensorFlow的智能垃圾分类系统的研究与设计》

  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

《基于TensorFlow的智能垃圾分类系统的研究与设计》

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

损失是使用二进制交叉输入法计算的，优化器使用的是RMSprop。CNN在GTX 750Ti上接受了大约3–3.5小时的训练。由于使用扩展样本进行输入，所以即使增加了数据集的大小，它们也具有高度相关性，但这可能导致数据过拟合，通过调节网络的熵容量（模型中存储的信息量）解决了过拟合问题。本研究使用了非常小的CNN，几乎没有图层，每层只有很少的过滤器，同时数据增加和丢失（loss）为0.5，从而有助于减少过度拟合的情况。而为了判断模型是否过拟合，是否需要停止训练，则需要依靠验证集，即一边训练一边验证，从图4的实验结果可知，训练值一直低于验证值，未处于过拟合状态，最终实验数据如表1。