论文部分内容阅读
现有深度残差网络作为一种卷积神经网络的变种,由于其良好的表现,被应用于各个领域,深度残差网络虽然通过增加神经网络深度获得了较高的准确率,但是在相同深度情况下,仍然有其他方式提升其准确率.本文针对深度残差网络使用了三种优化方法:(1)通过卷积网络进行映射实现维度填充;(2)构建基于SELU激活函数的残差模块(3)学习率随迭代次数进行衰减.在数据集Fashion-MNIST上测试改进后的网络,实验结果表明:所提出的网络模型在准确率上优于传统的深度残差网络.