2022-09-22 16:00:58 索炜达电子 2364
文件编号：B428
文件大小：10M
猿创承诺：该项目亲测正常运行，需远程调试部署需另外收费，确保正常使用，不能正常使用全额退款。
简要概述：我们用的双层卷积神经网络，后向传播用的是随机梯度下降及其优化版本
函数说明：
read_label和read_image分别为读取标签和图像数据点的函数
convolve是实现卷积的函数，pool是实现池化的函数
SGD_MSGD是主函数，可以直接运行得到答案(把minibatch设为1就是SGD，大于1就是MSGD）
OPTIMAL是优化版的主函数，可以直接运行得到答案
OPTIMAL_FINALE是最终优化版的主函数，可以直接运行得到答案
toolbox是用工具箱函数写的CNN，可以直接运行得到答案
运行效果对比：(toolbox函数一直没变，只是改了minibatch来和自己的算法对比）
（在文件夹“实验图”和我们的报告里都有相应的图）
1.
SGD：（最基本的随机梯度下降，每输入一个图像就更新一次）
经过三轮训练，准确率97.99%(耗时较长)
toolbox:
minibatch=1，经过三轮训练，准确率94.05%（不建议尝试，这个耗时90分钟）
2.
MSGD：（增加了minibatch，改为对minibatch随机梯度下降）
minibatch=150，经过三轮训练，准确率93.74%
toolbox:（minibatch=150)
minibatch=150，经过三轮训练，准确率98.36%（调整初始学习率之后）
3.
优化版本OPTIMAL：（在修改版基础上加了动量和权重衰减）
minibatch=150，经过三轮训练，准确率97.91%
toolbox:
minibatch=150，经过三轮训练，准确率98.36%（调整初始学习率之后）
4.
（1）
最终优化版本OPTIMAL_FINALE：（在修改版基础上加了Adam算法，可以自动调整学习率）
minibatch=150，经过三轮训练，准确率98.02%
toolbox:
minibatch=150，经过三轮训练，准确率98.36%（调整初始学习率之后）
（2）
最终优化版本OPTIMAL_FINALE：（在修改版基础上加了Adam算法，可以自动调整学习率）
minibatch=200，经过三轮训练，准确率98.38%
toolbox:
minibatch=200，经过三轮训练，准确率98.32%（调整初始学习率之后）
按需写作：
演示视频：
点击查看：系统演示视频
运行效果：
CNN
CNN_SGD
CNN150
Opt
OPT150
OPT200
tool1501
tool2001
tool15001
tool20001
远程协助：
温馨提示：索炜达.猿创官方提供收费远程协助，确保您项目运行成功。
点击查看：远程协助相关事项
我们提供完整项目文件清单如下：
文件目录
├ 1.项目源码
├ 2.运行截图
└ 3.演示视频
