论文部分内容阅读
卷积神经网络(CNN)是目前最为流行的深度神经网络的一种,尤其在图像识别上有着非常广泛的应用。但是作为多层神经网络的一种,其有着众多超参数的选择组合问题,这些超参数直接影响着卷积神经网络在图像识别上的泛化性能。为解决传统的超参数穷举搜索或是凭经验试取的方法的难点,本文从正交实验设计的角度出发,提出了用正交实验设计选择CNN的超参数的方法。通过CNN各种参数间的正交性与交互性,获取在具体应用上的最佳超参数组合下的CNN模型。本文将分别对经典的Cifar-10数据集与MNIST手写数字数据集的CNN建模