1、卷积核
卷积核的大小
根据7×7与3×3卷积核loss值的对比可以发现， 在初始阶段卷积核较大时准确率更低，因为卷积核越 大每一次训练时丢弃的特征值越多。但是，随着训练 次数的增加，卷积核较大的实验最终达到甚至高于同 等条件下卷积核较小的实验对象的准确值。
卷积核的数量
在一定范围内，适当增加卷积核的数量可以提高准确率。刚开始设置的卷积核数目较少，运行出的精确度 较低，且收敛慢；后来将卷积核数目增多，每次提取更 多的特征，发现 loss 函数下降越快，识别精度越高。
卷积的层数
每一层卷积神经网络提取一个特征值，提取的特征值越多，则越能区分每一张图片。因此，理论上卷 积的层数越多，图像识别的准确率越高。
bitchsize 尺寸
batchsize 指 的是每一批处理的样本数量。当 batchsize 增大时，处理 速度会加快，但处理精度会下降。另外，batchsize 太小 会导致 loss 函数震荡而不收敛。随着 batchsize 的增大， 处理数据量的速度加快，达到相同精度所需要的训练次 数数量越来越多，所以 batchsize 存在一个峰值
dropout（丢弃率）
dropout 的作用在于简化网络。网络越复杂，需 要的训练数据越多，训练速度会越慢。因此，适当增加丢弃率可以提高训练速度。实验验证，适当提高 dropout 会减小噪声导致的误差，增加准确率。
学习次数
学习次数越多，机器识别率越高。训练次数初始值为 50，准确率不高，在测试中将它逐步增加到 100、200、300、400，准确率逐渐得到提高
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
