《表5 相关任务预训练策略结果》

  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

《基于深度学习的少数民族绘画情感分析方法》

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

为了尽可能地使预训练好的卷积神经网络模型不过多地将学习经验带入到解决新的复杂问题当中，我们先对微调的MXNet模型在Twitter image dataset上进行训练，经过前面的分析，不再采用5折交叉验证的方式划分数据集，而是把全部数据一并当作训练数据集，将网络最后一层替换为仅含两个神经元的全连接层.为进行实验结果的最终比较，分两组进行，第1组不使用过采样扩充数据集，第2组与4.2小节中的最优模型一致，采用裁剪、翻转以及最大50%的增量改变图像亮度、饱和度和对比度来扩充数据集进行过采样.两组实验采用相同的参数设置，批量设为64，采用随机梯度下降训练模型，引入动量法并初始化动量参数为0.9，初始学习率设为0.01，每经过10次变为原来的0.1，总共训练50轮.将得到的模型再用于民族绘画情感识别任务，使用5折交叉验证将少数民族绘画数据集划分为训练集和测试集，对于第1组，不采用数据扩充，对于第2组，采用裁剪、翻转以及最大50%的增量改变图像亮度以及饱和度来扩充数据集进行过采样.同样保持两组实验参数不变，批量设为64，采用随机梯度下降训练模型，动量法初始化动量参数为0.9，初始学习率设为0.01，每经过15次变为原来的0.1，5折交叉验证结果的均值作为当次实验的结果.5次实验后的均值作为模型的最终结果，实验结果见表5，4.1小节中微调MXNet的实验结果作为baseline.