《表2 两卷积层CNN与DNN识别字错误率对比Tab.2 Word error rate comparisons between DNN and CNN with two convolution la

  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

《卷积神经网络声学模型的结构优化和加速计算》

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

在单卷积层实验中，最优的CNN结构相比于DNN在识别字错误率上得到平均绝对0.5%的下降，性能提升有限。根据CNN在图像处理中应用的经验，适当增加卷积层数可以提高其性能，因此接下来采用2个卷积层和3个全连接层的CNN结构进行实验，表2给出了实验对比结果。为保持各模型间参数量的一致，CNN参数配置为第1层采用128个卷积滤波器，窗为7×7，采样窗为3×3；第2层采用256个卷积滤波器，窗为4×4，采样窗为2×2；全连接层仍为每层2 048个节点。结果表明，2个卷积层的CNN得到了最优的识别结果，在2个测试集上相对于基线DNN在识别字错误率上性能稳定的提高了绝对1.2%，表明CNN在中文大数据量下的建模性能要优于DNN。