《表1 使用SGD的DNN部分预测结果对比》
在TensorFlow框架中,提供了几个优化方法供选择,可以直接使用一行代码进行调用。以1 520组数据为输入,设置学习率为0.001,迭代次数为1 600,图4为采用随机梯度下降(stochastic gradient descent,简称SGD)优化方法的DNN训练结果。由于本课题中真实值的元素全为整数,故对神经网络输入验证集数据的预测结果取四舍五入为最终预测值,DNN部分预测结果对比如表1所示。
图表编号 | XD00159202100 严禁用于非法目的 |
---|---|
绘制时间 | 2020.08.01 |
作者 | 周硕、余龙、吴子燕、杨海峰 |
绘制单位 | 西北工业大学力学与土木建筑学院、西北工业大学力学与土木建筑学院、西北工业大学力学与土木建筑学院、西北工业大学力学与土木建筑学院 |
更多格式 | 高清、无水印(增值服务) |