《表1 识别结果：CNN在汽车识别中的应用研究》

  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

《CNN在汽车识别中的应用研究》

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

图3中，“模型1”为卷积神经网络模型中加入BN层，“模型2”为未加入BN层的识别模型。图中两曲线的初始位置几乎重合，两模型的初始误差相同；大约经历40次迭代，加入BN层的识别模型的训练误差就已明显低于未加入BN层的训练误差；加入BN层模型的训练误差大约经历500次迭代，其训练误差就稳定的小于0.05，而未加入BN层的模型的训练误差稳定的小于0.05大约需要1100次迭代；经对比可知，加入BN层后，模型的收敛速度明显被加快，此外加入BN层后模型的收敛相对更加稳定。综上可知，文中在设计的识别模型中选择性的加入BN层是可行的，训练好的模型的汽车类型识别结果如表1所示。