《表2 模型的训练时长：基于卷积神经网络特征提取的轻量级包装袋分类模型》
提示：宽带有限、当前游客访问压缩模式
/h
不同方案模型的训练时长可反映模型复杂度，较低复杂度有利于模型的迭代优化，方案3～方案6的训练时长如表2所示。
| 图表编号 | XD00154406000 严禁用于非法目的 |
|---|---|
| 绘制时间 | 2020.08.25 |
| 作者 | 鲁江坤、汪林林、陈红阳 |
| 绘制单位 | 重庆人文科技学院计算机工程学院、重庆邮电大学软件工程学院、重庆人文科技学院计算机工程学院 |
| 更多格式 | 高清、无水印（增值服务） |
相关图表
- 《表3 用提取特征进行模型训练和测试的分类识别结果》2021.01.23
- 《表4 模型准确率：基于深度卷积神经网络的塑料垃圾分类研究》2020.04.25
- 《表3 模型准确率：基于深度卷积神经网络的塑料垃圾分类研究》2020.04.25
- 《表2 模型准确率：基于深度卷积神经网络的塑料垃圾分类研究》2020.04.25
- 《表3 k值对OA的影响：基于K近邻卷积神经网络的点云模型识别与分类》2020.05.25
- 《表1 模型的分类准确率：基于卷积神经网络特征提取的轻量级包装袋分类模型》2020.08.25
- 《表3 模型的性能评估：基于卷积神经网络特征提取的轻量级包装袋分类模型》2020.08.25
- 《表2 实验参数设置：基于卷积神经网络和贝叶斯分类器的句子分类模型》2020.02.01
- 《表2 分类结果比较表：基于Word2vec和LDA的卷积神经网络文本分类模型》2019.08.01
- 《表1 特征选择比较：基于语言模型及循环卷积神经网络的事件检测》2019.05.28
- 《表1 模型评估结果：基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法》2019.02.25
- 《表2 预训练模型提取特征与时域/频域特征相结合的分类结果》2019.07.15
- 《表2 基于卷积网络与基于词袋模型的分类精度的对比》2019.06.20
- 《表2 不同模型性能对比：基于轻量级卷积神经网络的人脸识别方法》2019.03.01
- 《表6 算法的比较序值：基于特征图切分的轻量级卷积神经网络》2019.03.01
- 《表A1模型的训练过程：基于卷积神经网络的电力系统小干扰稳定评估》2019.01.25
- 《表2 预训练准确率：基于卷积神经网络的RGB-D图片分类》2018.12.20
- 《表2 模型参数量：移动GPU上基于轻量级卷积神经网络的道路拥堵检测方法》2019.12.01
- 《表3 特征提取模型性能：雷达海上目标双通道卷积神经网络特征融合智能检测方法》2019.10.01
- 《表2 回归模型特征：基于卷积神经网络的机票低价预测》2019.10.01