-
达到的效果
- 拟合度99.707%,测试集上 准确率99.12% ,在训练了9个epoth获得
- 仅仅训练了9个epoth,相比于全连接神经网络已经提升了近1个百分点,是很大的改进
- 实际上,通过更多的训练以及一些优化方法的组合,如 数据增强、合理调整卷积层卷积核个数大小、隐藏层神经元个数、BatchNormalize、L2 Regularization、Dropout 等方法, 是能够将模型的准确率提升至99.6%的。这些优化待更新。
-
使用mnist训练集
- 训练集为50000张图片
- 测试集为10000张图片
-
网络架构
-
学习曲线
训练集上cost 关于 迭代次数 的变化曲线
训练集和测试上的准确率关于 迭代epoths次数的变化曲线
训练集和测试上的cost关于 迭代epoths次数的变化曲线
训练每个epoth所花费的时间曲线变化
- 运行testCNNGradient.m文件,该算法使用反向传播算法计算 一个具有多通道、3卷积层、3池化层、2个全连接层、一个softmax层的网络的梯度, 并使用双侧差分方法近似网络梯度来验证。如果一切正确,将完成对4948 个w的偏导数验证,79 个b的偏导数验证。
- 向前传播算法计算cost,详细查看文件 forwardPropagation.m
- 算法进行了优化,能在0.3s左右对100个mnist数据进行预测
- 反向传播算法计算梯度,详细查看文件 backPropagation.m
- 算法进行了优化,能在6s左右对100个mnist数据计算梯度
- 编程语言 octave6.1.0
- 操作系统 macOS Big Sur,芯片 Apple M1,内存 16 GB