CNN-多类别分类 模型的体系结构:我选择创建由4个卷积层组成的CNN模型,以便在每一层上我都使用Relu激活函数和max pool来减小输出矩阵的大小。 此外,我为我的网络添加了辍学,以防止过度拟合。 我整个网络的最后一部分是一个全连接的神经网络,该网络具有3层(2个隐藏层),因此输出层的大小是我们必须分类的类数的30。 超参数和模型的属性:卷积层的滤镜大小:对于前2个卷积层,我选择滤镜大小为4X4,而对于最后两个卷积层,我选择滤镜大小为5X5。 我对这些尺寸进行了测试,最后我选择了性能最佳的过滤器尺寸。 过滤器的大小为1,填充值为零,为2。在检查了不同的学习率之后,我选择了0.001的学习率,该学习率由我的模型的Adam优化器提供。 我之所以使用Adam优化器,是因为它对模型的预测效果最佳。 更多详细信息:我选择了200的批次大小(尝试了50、100、150之类的批次大小之后)。 该