带剪枝方法的卷积神经网络用于手写数字识别
计算机视觉与模式识别
2021-01-18 v1 神经与进化计算
摘要
CNN 模型是一种流行的图像分析方法，因此可用于基于 MNIST 数据集识别手写数字。为获得更高识别准确率，利用了具有不同全连接层大小的各种 CNN 模型来弄清 CNN 全连接层大小与识别准确率之间的关系。受先前剪枝工作启发，我们在 CNN 模型上执行了区分性剪枝方法，并将剪枝性能与 NN 模型进行比较。为在 CNN 上获得更好剪枝性能，探究了角度阈值对剪枝性能的影响。评估结果表明：对于全连接层大小，存在一个阈值，使得当层大小增大时，若层大小小于该阈值则识别准确率增长，若层大小大于该阈值则下降；在 CNN 上执行的剪枝性能劣于 NN；随着剪枝角度阈值增大，全连接层大小和识别准确率均下降。本文还表明，对于由 MNIST 数据集训练的 CNN 模型，它们能够进行手写数字识别，并在全连接层大小 400 时达到最高识别准确率。此外，对于相同数据集 MNIST，CNN 模型比一篇已发表论文中的大型、深层、简单 NN 模型表现更好。
引用
@article{arxiv.2101.05996,
title = {Convolutional Neural Network with Pruning Method for Handwritten Digit Recognition},
author = {Mengyu Chen},
journal= {arXiv preprint arXiv:2101.05996},
year = {2021}
}