《表1 两种人工选择的CNN结构及其识别率》

  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

《基于粒子群算法优化卷积神经网络结构》

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

CNN通过局部感知，权值共享和池化三种技术的结合，减少了网络训练时的参数数量，但是CNN的超参数，如卷积核的大小，卷积核的数量和池化的类型等都是需要人工设定的.对于一个实际问题，研究者通过大量的实验及经验，才能找到相对较好的CNN结构.对于不同的问题，人工设定CNN存在大量抉择，首先多种类型的超参数组合方式多样；其次，激活函数通过层级（简单）非线性映射的复合使得整个网络的（复杂）非线性刻画能力得到提升，从而影响CNN学习的准确率[16].如表1所示（其中Max表示Max-pooling），在MNIST数据集下，人工选择的网络结构A-CNN1和A-CNN2，仅全连接层激活函数x7不同，在Epoch=1时的识别率却相差近10倍.另外，CNN训练过程中，每个时期（Epoch）将训练样本按照若干个样本一组，即批量大小（batch-size）输入网络进行训练，批量的大小影响算法的结果[17].CNN权重更新时的学习率影响网络的收敛速度和性能.在众多的CNN结构中选择较好的一个，需要的时间复杂度和空间复杂度可想而知.