《表2 全连接层节点数对模型性能的影响》

  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

《基于卷积神经网络的油茶籽完整性识别方法》

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

全连接层是将卷积层学习到的局部特征整合为去除空间位置信息的全局特征，所以全连接层含有参数最多，是影响模型尺寸的重要因素。为了确定模型全连接层数量，本文将全连接层数量由零依次增加到2层，结果如图10所示。由图可知，当只有1层全连接层时，模型性能与拥有2层全连接层时没有明显变化甚至有所提高，但是当无全连接层时，模型性能明显下降，这可能是因为模型所有参数均包含在全连接层内，所以只有1层全连接层对模型性能影响不大，但全连接层包含的是去除空间位置信息的全局特征，全部删除将导致模型性能下降。为了进一步压缩模型，通过调整全连接层节点数量来寻找模型规模最优值。表2是全连接层不同节点数对模型的影响。由表2可知，减少模型节点数可以压缩模型规模，但是对模型训练时间影响有限，因为全连接层参数最多，而模型训练耗时主要来自卷积操作。综合模型测试准确率、模型尺寸和训练时间，最终CO-Net采用1层全连接层，节点数为256。