《表2 全连接层神经元个数改变后的手势识别率对比》
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.
图表编号 | XD00183533000 严禁用于非法目的 |
---|---|
绘制时间 | 2018.02.01 |
作者 | 杨文斌、杨会成 |
绘制单位 | 安徽工程大学电气工程学院、安徽工程大学电气工程学院 |
更多格式 | 高清、无水印(增值服务) |