《表7 实验参数：全卷积神经网络仿真与迁移学习》

  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

《全卷积神经网络仿真与迁移学习》

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

本文训练模型时是采用的是随机梯度下降（SGD）的方法优化模型，设置了0.9的动量，每一个batch的大小是32个样本图片，损失函数使用的是Softmax函数。模型A、B、C、Strided-CNN-C、ConvPool-CNN-C、All-CNN-C的权重衰减率为0.001，初始学习率为0.001，一共迭代350轮，分别在[200，250，300]轮时以0.1的比率减小学习率。数据集CIFAR-10包含50000张训练样本图片，10000张测试样本图片，共计60000张图片，10种分类，每种分类包含6000张图片，图片为32*32的彩色图片。本文在使用数据集CIFAR-10训练模型时，将50000个训练样本拆分成了两部分，其中49000张样本图片用于训练，余下的1000张样本图片用于验证，10000张测试样本图片用于测试。数据集CIFAR-100也包含50000张训练样本图片和10000张测试样本图片，但该数据集有100种分类，每种分类包含600张图片，图片也是32*32的彩色图片，在本实验中使用CIFAR-100数据集主要是为了进行迁移学习训练，选用了其中的2个子数据集，分别为class1和class2，每个子数据集中包含5000张训练样本图片和1000张测试样本图片，且每个子数据集只包含10种分类。本实验将5000个训练样本分成了两部分，其中4900个样本用于训练，余下的100个样本用于验证，1000个测试样本还是用于测试。更多的细节可以参看表7。