之前说的还都是一维数据作为输入进行的测试,但是既然是卷积神经网络,怎么能一直在一维领域转悠呢,很多新模型可都是二维卷积。于是,很多人自然而然的想到了将一维数据二维化。转换为二维的方法非常多,我也有计划都试一试,这次先使用我使用最多最熟悉的直接二维化。
其实说开了非常简单,就是使用reshape函数把1024变成32×32,这也是我每个样本取2048个点的原因之一。
trainX = trainX.reshape(trainX.shape[0], 32, 32, 1)
就像是上面这样就好了,这种情况就能够输入常规的卷积模型了。
我自己测试了很多模型,基本规律确实就是在计算机视觉领域越厉害的模型表现越好。这里参与测试的模型分别有Alexnet、ResNet、ResNext、ShuffleNetV2、VIT。这些模型只经过简单的参数调整,其实准确率还有上升的空间,为了节省时间,每个模型只进行2次测试。
首先是Alexnet:
>第1次 model: 79.86 耗时129.0 sec
>第2次 model: 83.11 耗时122.4 sec
A-B model准确率: 98.89
A-C model准确率: 89.43
B-A model准确率: 77.82
B-C model准确率: 78.75
C-A model准确率: 65.50
C-B model准确率: 78.50
总用时:251.4sec
平均用时:125.7sec
Alexnet Accuracy: 81.48% (+/-1.62)
你会发现这个结果很奇怪,怪就怪在明明验证loss非常低,acc数值很好,收敛也很快&#x