《表6 MNIST数据集分类结果》

  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

《局部感受野的宽度学习算法及其应用》

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

其次，将BLS-LRF中的3个特征映射图增加到10个特征映射图就得到了BLS-LRF对MNIST数据集最高的测试精度99.06%，训练时间为112.73 s，总时间为124.85 s。同样引用文献[24]中的测试结果，得到了表6，另外为了突出BLS-LRF的优越性，添加了目前比较流行的深度学习网络与其进行对比。这里采用CNN和残差神经网络（Resnet)[26]来对MNIST数据集测试，之后将测试结果与BLS-LRF做比较。对于CNN设置5层结构（2个卷积层、2个池化层和1个全连接层）卷积核为5×5、池化大小为2、输出通道为6和12，数据每批次为50，一共迭代20次。测试环境与BLS-LRF的测试环境相同。对于残差网络采用56层结构（55个卷积层和一个全连接层），其中卷积层分成4个模块，第一个模块只包含一层卷积，其余的3个模块分别包含18个卷积层，每个模块的输出通道分别为16、16、32、64。所有卷积的卷积核大小为3×3，数据每批次为128，一共迭代了1 000次。测试平台是在Nvidia TITAN Xp GPU(12 GB），编程环境为Python3.6，使用的深度学习框架为TensorFlow，测试结果如表6所示。