《表4 CRNN＿LSTM和CRNN＿GRU模型比较》

  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

《基于深度学习的图像验证码识别研究》

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

从表4的数据来看，由于整个CRNN网络在CNN的部分层数较深，占据了很大一部分的参数，因此无论从参数数量还是模型大小来看，两个模型得到的结果相差不大，但总体上CRNN＿GRU参数要少，得到的模型也较小，从训练时间来看，由于两个模型最终都是训练了50轮次，未出现提取终止训练的情况，所以两个模型的训练时间也差不多。但是从得到模型的准确率来说，可以看到CRNN＿GRU模型的准确率达到了99.7%，远高于CRNN＿LSTM模型，可以分析出，此时CRNN＿LSTM模型应该尚处于欠拟合的状态，模型还没有训练完成，因此得到的结果很差。分析图9的loss变化曲线可以发现，CRNN＿LSTM模型在训练开始的阶段收敛速度较快，之后的训练速度非常慢，loss值下降速度基本为0，训练的最后模型收敛速度开始加快，但是50轮次的训练loss值仅收敛到3.674，而CRNN＿GRU模型的收敛速度则一直较为稳定，经过训练后模型的loss值收敛到了0.1626，可以说两种模型的收敛速度差距很大。因此从实验结果来看，在CRNN模型中使用GRU网络的效果要远高于使用LSTM网络。