《表2 不同学习率的评价指标对比》

  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

《基于改进卷积神经网络与动态衰减学习率的环境声音识别算法》

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

学习率作为模型训练过程中调整权值与收敛误差的重要超参数对提高模型精度、加快训练效率有着十分重要的作用。使用动态衰减学习率并配合Adam算法优化模型。通过式（6）使学习率随迭代次数呈指数衰减，并在此基础上利用Adam算法计算每个参数的自适应学习率。为验证此方法的有效性，实验使用固定学习率进行对比。初始学习率设为0.003，同时，为防止过拟合，将dropout率设置为0.5，并采用early stopping的策略确定总迭代次数为150。进行5次5折交叉验证实验，统计测试集上每个epoch的准确率与损失值并求其均值。两种学习率在测试集上的识别精度与损失值对比图如图3和图4所示，其对比统计结果如表2所示。