2021.11.21
-
正在试验不同CNN网络结构,根据WDCNN论文所说,1DCNN使用2层filters=3的神经网络所获得的感受野仅为5*1,视觉领域的网络结构不适应一维卷积
-
前几天试验中加入dropout层导致准确率非常低,应该是由于欠拟合引起的,由于epoch=20,训练次数不够又加上了dropout导致欠拟合,当epoch次数提上去时,准确率有了明显的提升。
-
[1] 找一维卷积相关论文,看网络结构该如何搭建
[2] 看老师发的论文,周五找老师
2021.11.27
-
A、B、C组在网络中试验出图,其中A组效果最差,C组效果最好,但是C组效果太好了,优化怎么做?还有必要做吗?
-
看完一篇论文,第一章内容可以是网络结构以及设计原因和不同设计对比,第二章可以涉及到优化(优化意味着模型可能得用底层一点的代码重写),第三章迁移学习????(待定)
-
[1] 看网络结构搭建相关论文,进行不同参数的设计的对比工作
-
[2] 明天找老师沟通
2021.12.04
- 看完三篇论文:
[10] ①感受野;②Prelu和PAdam。
[11] ①平均池化层代替全连接层,②对训练集随机破坏,测试集加入高斯白噪;③换数据集,看变载情况下模型的效果。文中仅用了两个卷积层和