BN对VGG神经网络的影响研究 |
| |
引用本文: | 陈强普,桑军,项志立,罗红玲,郭沛,蔡斌.BN对VGG神经网络的影响研究[J].合肥工业大学学报(自然科学版),2018(1). |
| |
作者姓名: | 陈强普 桑军 项志立 罗红玲 郭沛 蔡斌 |
| |
作者单位: | 重庆大学软件学院; |
| |
摘 要: | 文章针对在训练目前卷积神经网络中较为主流的深度神经网络VGG网络模型时调参艰难、收敛较慢的问题,引入批归一化(batch normalization,BN)进行改进。批归一化能提高网络训练的初始学习率上限,同时加快模型收敛速度。相关实验结果表明,在端对端训练或者微调神经网络过程中应用批归一化,能较好地达到优化目的,同时指出在VGG网络中所有激活层前进行批归一化能得到最好的效果。另外VGG网络的优化方法会影响到批归一化,使用改进的基于动量的随机梯度下降能使网络训练时的波动更小。
|
本文献已被 CNKI 等数据库收录! |
|