《表2 各级参数量：基于FPGA和CNN的汉字识别系统的设计与实现》

  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FPGA和CNN的汉字识别系统的设计与实现》

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

经过反复训练与结构改进，最终确定的CNN模型如图3所示。此CNN结构共有一个输入层、六个卷积层、一个全连接以及一个输出识别结果的softmax分类层。网络全部采用3×3的卷积核。最后一层采用全局池化，其余层均采用2×2最大池化核。由于卷积核可以扩大通道数，池化可以缩小特征图的大小，可以在模型架构搭建得更深的同时，放缓计算量的增加，并且获得更大的感受野。每一层的尺寸和计算参数如表2所示，可以看出90%以上的计算量都集中在卷积层。由于在最后一层的卷积层后面加入全局池化，所以大大降低了全连接层的参数。