项目实训十三

模型选择

我们训练了多个模型，总的有两大类，前面介绍了，这两种的不同之处主要是decoder的不同。一种是string类型的解码器；另一种是tree类型的解码器。两种模型有各自的优缺点，以下均是通过实验得到：

stringDecoder

• 优点：相比于treeDecoder，符号的预测准确度高，高达89.96%。我们通过分析测试的结果和生成的latex序列，我们认为，在训练集足够大的话，如果所预测公式的结构在以及latex序列的长度出现过的话，排除一些模糊符号，比如o和0，x和X的差距，预测结果是可以保证正确的。
• 缺点：模型参数过多，加载模型时间较长，对非批量处理的用户来说，可能不够友好。

treeDecoder

• 优点： 模型参数少，加载模型快，预测快。模型泛化能力强，因为是树形解码器，对于关系的预测，当上一次的子节点作为下一次的父节点预测时，仍然按照上一次的步骤进行。所以即使训练时模型latex数据较短时，预测较长的latex序列仍然可以。
• 缺点：相比于stringDecoder，其符号预测的准确度稍微低一点，有86.07%，仅仅低了一点。

是否使用gpu

由于二者正确率相差不多，鉴于我们训练集有限，treeDecoder的泛化能力更强并且latex预测较快，我们选择使用treeDecoder模型。接下来就是选择是否使用gpu来预测：
通过测试发现，如果每次仅预测一张图片，cpu速度更快，可以在1秒内完成预测，而使用gpu，需要将模型放到gpu上，这所花费的时间已经超出cpu处理完一张图片的时间。但是对于一次处理大量图片，使用gpu的时间要比使用cpu快的多。这里考虑到我们的项目前端用户只会进行单张图片识别，所以我们仅使用cpu。