-
题名基于相对概率变化比的CNN超参数优化方法
被引量：3
- 1
-
-
作者
李慧
周溪召
施柏州
-
机构
上海理工大学管理学院
朝阳科技大学理工学院
-
出处
《上海理工大学学报》
CAS
CSCD
北大核心
2021年第3期219-226,共8页
-
基金
国家自然科学基金资助项目(61273042)。
-
文摘
卷积神经网络(convolutional neural network,CNN)已被广泛应用于图像识别领域,其自身的超参数对图像分类问题中分类错误率的大小有较大的影响。为进一步优化CNN超参数,提出了基于Softmax回归的相对概率变化比。应用相对概率变化比寻找对图像分类影响较大的超参数,并根据超参数的重要性大小依次对其进行调整。为验证相对概率比的有效性,在网络架构1和网络架构2下进行了调参实验。实验结果表明,Softmax回归的相对概率变化比在不同的网络架构下均可反映CNN超参数对分类错误率的影响,且有助于找到一个更优的超参数组合,降低分类错误率。在MNIST和CIFAR-10数据集上的对比实验表明,研究结果在不同数据集下都适用。
-
关键词
卷积神经网络
超参数组合
Softmax回归
相对概率变化比
-
Keywords
convolutional neural network
combination of hyper-parameters
Softmax regression
change ratio of relative probability
-
分类号
TP301-6
[自动化与计算机技术—计算机系统结构]
-
