压缩深层神经网络隐藏层维度对其分类性能的影响

• 作者: 张培玲 成凌飞 李艳 贺扬
• 来源期刊: 电子科技
• 学科: 工学
• 关键词: 深层神经网络 分类 压缩比例 泛化能力 训练时间 深度学习
• 年，卷（期）: 2019,（1）
• 页码范围: 72-75
• 页数: 4页
• 分类号: TP183
• 字数: 2686字
• 语种: 中文
• DOI: 10.16180/j.cnki.issn1007-7820.2019.01.015

摘要

为了使深层神经网络具有更好的泛化能力、少量训练时间的性能.文中汲取压缩神经网络的思想,通过将深层神经网络的输入层与隐藏层按照不同的比例将隐藏层的维度进行压缩,并在传统压缩深层神经网络的基础上,在其顶层添加一个分类层,使深层神经网络拥有分类的能力.实验将构建的深层神经网络应用于MNIST手写数据集的分类测试,结果表明,经过适当压缩的深层神经网络比未被压缩的深层神经网络具有更好的分类效果,而且节省了大量的训练时间.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张培玲	河南理工大学物理与电子信息学院	24	57	5.0	6.0
2	成凌飞	河南理工大学物理与电子信息学院	37	217	7.0	13.0
3	李艳	河南理工大学电气工程与自动化学院	33	213	8.0	13.0
4	贺扬	河南理工大学电气工程与自动化学院	3	4	1.0	2.0