《表2 基于MINST数据库的分类结果比较》
每种算法的测试精度和训练时间,如表2所示。实验结果说明,宽度学习系统的测试准确度为98.74%,它优于MLP、SAE、SDA和单层FRBM。虽然准确度略低于RBM、DBN、MLELM和HELM,但宽度学习模型却因其平坦的扩展结构而相对简单得多。此外,与RBM和DBN等非常受欢迎的深度学习方法相比,宽度学习是这其中最高效的方法。在保持相当准确性的前提下,宽度学习的训练过程仅在29.6968秒内就已经完成,比RBM网络快千倍。通过增加输入数据和增强节点来测试增量宽度学习算法,结果也证明了所涉及的算法的高效性。此外,与其他MLP训练方法相比,宽度学习系统在分类精度和学习速度方面具有良好的性能。与数百个迭代的高性能电脑下几十小时或几天的训练相比,宽度学习系统可以在几分钟内很容易地构建,即使在普通计算机中也是如此。宽度学习系统在训练速度方面明显优于现有的深层结构神经网络。与深度学习方法相比,宽度学习结构简单,性能强大,完全适用于大数据时代。
图表编号 | XD0061860400 严禁用于非法目的 |
---|---|
绘制时间 | 2019.05.10 |
作者 | 袁利平、陈川南 |
绘制单位 | 陕西师范大学教育学院、陕西师范大学教育学院 |
更多格式 | 高清、无水印(增值服务) |