基于自動(dòng)化剪枝策略的青銅銘文識別方法
【文章頁數(shù)】:8 頁
【部分圖文】:
圖1 青銅銘文數(shù)據(jù)集示例
文獻(xiàn)[6]所建數(shù)據(jù)集僅包含了77種文字共2102張圖片,且其中夾雜了大量甲骨文、陶器石刻等其他文字,嚴(yán)重影響模型的訓(xùn)練效果。與文獻(xiàn)[6]所建數(shù)據(jù)集相比,本文所建數(shù)據(jù)集不但收錄的圖片及類別數(shù)量遠(yuǎn)高于文獻(xiàn)[6],而且全部為青銅銘文圖片,訓(xùn)練更有針對性。3網(wǎng)絡(luò)優(yōu)化
圖2 訓(xùn)練集和測試集上的訓(xùn)練準(zhǔn)確率及損失曲線。(a)準(zhǔn)確率曲線;(b)損失曲線
實(shí)驗(yàn)首先在LeNet基礎(chǔ)網(wǎng)絡(luò)上進(jìn)行訓(xùn)練,訓(xùn)練時(shí)將批處理樣本數(shù)(batch)設(shè)為32,學(xué)習(xí)率設(shè)為0.001,優(yōu)化器采用自適應(yīng)矩估計(jì)(Adam),訓(xùn)練200個(gè)批次后結(jié)束訓(xùn)練。圖2分別展示了訓(xùn)練集和測試集上的準(zhǔn)確率及損失曲線,可以看出,當(dāng)訓(xùn)練批次(Epoch)達(dá)到100以后,除少數(shù)波動(dòng)....
圖4 最終模型再訓(xùn)練過程及卷積層的L1范數(shù)分布。(a)再訓(xùn)練過程;(b)L1范數(shù)分布
圖4展示了第8輪迭代剪枝再訓(xùn)練過程及卷積層L1范數(shù)的分布情況。圖4(a)為再訓(xùn)練過程,可以發(fā)現(xiàn),訓(xùn)練集及測試集上的準(zhǔn)確率均穩(wěn)步提升直至收斂,表明迭代后的最終模型適用于青銅銘文數(shù)據(jù)集,未出現(xiàn)過擬合現(xiàn)象。圖4(b)為最終模型C1,C2,C3卷積層中卷積核的范數(shù)分布。可以發(fā)現(xiàn),相比....
圖6 ResNet18卷積層中的卷積核L1范數(shù)分布。(a)剪枝前;(b)剪枝后
針對ResNet18網(wǎng)絡(luò)的剪枝策略與VGG16網(wǎng)絡(luò)略有不同,ResNet18網(wǎng)絡(luò)共含有17個(gè)卷積層,其中除第一層外,其余16層每兩層組成一個(gè)殘差模塊,為了不破壞原殘差的映射結(jié)構(gòu),簡化剪枝流程,實(shí)驗(yàn)僅針對每個(gè)殘差模塊的第一個(gè)卷積層進(jìn)行剪枝,即只針對C2,C4,C6,C8,C10,C....
本文編號:4023026
本文鏈接:http://www.wukwdryxk.cn/shekelunwen/kgx/4023026.html