《表2 迁移学习对模型精度的影响》

  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

《Trans-Net：基于迁移学习的手写简笔画识别》

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

此外，为了验证迁移学习对识别率的提升，本文还对比了使用了迁移学习模型和普通模型。如表2所示，在迭代步数相同的情况下，使用迁移学习后模型的收敛速度比普通模型的收敛速度提高了近4倍，并且识别精度也提高了3.5个百分点。由于图像分类技术需要大量的计算资源和训练样本，因此普通模型在构建的过程中需要对最初的网络模型参数进行迭代优化，这一过程需要较长的时间。而使用迁移学习技术，在训练之初就已经使用大样本数据集对网络模型进行了预训练。本文模型构建时仅需要在特定数据集上进行优化即可，大大缩短了参数的训练时间。此外，迁移学习技术还能提高分类器模型的泛化性能，因此本文模型较普通模型具有较高的识别准确率。