《表2 全连接层神经元个数改变后的手势识别率对比》

  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

《基于卷积神经网络的手势识别方法》

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

将预处理后的手势样本作为输入数据，采用研究中设计的8层卷积神经网络进行训练.选用Ada Delta梯度下降法，将原本网络中全连接层500个神经元提升到800和1 000，各自迭代训练5 000次.训练过程中代价函数岁迭代次数的变化情况如图5所示.全连接层不同神经元个数训练出的模型对测试集的正确识别率如表2所示.由表2与图5可以看出，选用Ada Delta梯度下降法，相同条件下，改变全连接层神经元个数后代价函数值下降速度有所变化，当全连接层神经元个数为1 000个时下降速度最快.然而迭代训练5 000次后，测试集的正确识别率并没有提升，反而是神经元个数为500时识别率最高，由此可见，增加全连接层神经元个数一定程度上能够提升训练速度，但并不是越多越好.