《表6 MNIST数据集分类结果》
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。
图表编号 | XD00163007700 严禁用于非法目的 |
---|---|
绘制时间 | 2020.05.01 |
作者 | 李国强、徐立庄 |
绘制单位 | 燕山大学电气工程学院、燕山大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |