《表1 两种不同梯度优化策略训练出模型的手势识别率》
将预处理后的手势样本作为输入数据,采用研究设计的8层卷积神经网络进行训练.选取随机梯度下降法(SGD)和Ada Delta梯度下降法两种不同的梯度优化策略,对输入的样本分别进行5 000次的迭代训练.训练过程中代价函数随迭代次数变化情况如图4所示.两种不同梯度优化策略训练出的模型对测试集的识别率如表1所示.由表1与图4可以看出,相同条件下,选用两种梯度优化策略在迭代训练1 800次左右时代价函数都能下降到很小的值,但分别经过5 000次迭代后选用Ada Delta梯度下降法训练出的模型对测试集手势识别效果更好.
图表编号 | XD00183533300 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) |