《表4 各方法达到不同准确率所用时间》

  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

《一种基于差分进化改进的深度神经网络并行化方法》

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

实验1结果反映了各阶段，使用传统串行训练SE方法以及并行训练过程中使用DE方法和MA、GR方法得到的全局模型在测试集上的分类准确率．图5、图6分别记录了各方法在CIFAR-10和CIFAR-100数据集上的表现．结果显示，传统SE训练方法在训练各阶段所表现出的模型分类准确率皆远低于三种并行训练方法；DE方法在并行训练过程中，表现出了高于其他方法的分类准确率，在训练中前期收敛速度明显加快，可以在较短时间内收敛到更高精度的全局模型，在后期虽然收敛速度放缓，但依旧表现出较高的分类准确率．为了更直观比较各方法收敛速度，实验过程中记录了各方法训练出的模型在收敛到一定精度时所产生的时间开销，如表4所示．结果表明，对于实验中的两类数据集，DE方法在训练过程中的模型收敛可以产生较少的训练时间．