《表4 在Res Net18网络上的分类准确率》
通过对比表3和表4中的数据,得到以下三个观察———第一:CIFAR-100数据集上MReLU在NIN网络中的准确率为69.01%,低于GReLU的70.41%,而在其他实验配置(NIN网络中的CIFAR-10,ResNet18网络中的CIFAR-10和CIFAR-100)中MReLU的分类准确率均高于GReLU.这一现象说明,MReLU比GReLU具有明显的性能优势,这一优势主要来自于MReLU更加灵活的函数可选择性.第二:ResNet18网络结构中MReLU在CIFAR-10数据集上准确率为88.56%比次优的Swish高出了0.08%,而在CIFAR-100数据集上MReLU的准确率为73.54%仅比次优的SELU高出了0.02%.这一现象说明在同等网络结构下,随着数据集复杂度的提升,将减弱激活函数差异对网络性能的影响.第三:CIFAR-10数据集上MReLU在NIN网络中的准确率为87.96%比次优的RReLU高出了0.29%,而在ResNet18网络中MReLU的准确率为88.56%仅比次优的Swish高出了0.08%.这一现象说明在同一数据集上,随着网络结构复杂度的提升,激活函数的差异对网络性能的影响减弱.
图表编号 | XD00164960500 严禁用于非法目的 |
---|---|
绘制时间 | 2020.06.01 |
作者 | 刘海、刘波、胡瑜 |
绘制单位 | 中国科学院计算技术研究所智能计算机研究中心、中国科学院大学、北京控制工程研究所、中国科学院计算技术研究所智能计算机研究中心、中国科学院大学 |
更多格式 | 高清、无水印(增值服务) |