基于多媒体的深度学习 Midreport自我总结分析

发布时间:2024年01月12日

Resistor Ohm Value Estimation Challenge

需要将误差降低到1%以下

1、调整模型架构:增加模型的复杂性,例如增加卷积层或全连接层的数量,增加神经元数量等

# 在 ResistorEstimator 类的 CNN 方法中进行修改
def CNN(self, type):
    input = Input(shape=(64, 64, 3), name='input')
    h = self.conv2d(input, 32, (3, 3), padding=True, activation='relu', id=1)
    h = self.conv2d(h, 64, (3, 3), padding=True, activation='relu', id=2)
    # 添加更多卷积层...
    h = GlobalAveragePooling2D()(h)
    h = Dense(256, activation='relu', name='dense_1')(h)
    if type == 'cls':
        output = Dense(14, activation='softmax', name='output')
    elif type == 'reg':
        output = Dense(1, activation='linear', name='output')
    return Model(inputs=input, outputs=output)

2、学习率调整

model.cnn.compile(optimizer=Adam(learning_rate=0.0001), loss='huber_loss', metrics='mae')

3、数据增强:调参

generator = ImageDataGenerator(
       rotation_range=45,
       width_shift_range=0.1,
       height_shift_range=0.1,
       zoom_range=[0.9, 1.1],
       horizontal_flip=True,
       vertical_flip=False,
       fill_mode='nearest'
       )

4、增加训练时长:增加epochs的值

history = model.cnn.fit(train_ds, epochs=200, callbacks=[tb_cb], validation_data=valid_ds)

目前还在苦逼调参中。。

文章来源:https://blog.csdn.net/okimaru/article/details/135545959
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。