小世界网络在VGG模型中的应用研究

摘要

深度学习与传统的浅层学习主要的区别在于模型结构的深度,较深的网络结构能够较好的捕捉到数据的潜在特征,从而达到较高的识别性能.但是,在当今的大数据时代中,随着数据集的规模和多样性的增长,如何提升深度学习模型的准确率及加快模型的收敛速度一直是研究的热点和难点.首先,提出了基于小世界网络的深度学习模型优化研究方案,并以VGG模型为例,结合构造小世界模型的方法——NW(Newman-Watts,NW)随机化加边算法来改变卷积神经网络VGG的拓扑结构,使其具备一定的小世界特性,以提升网络的收敛速度及识别度.然后,利用优化后模型在cifar10和cifar100数据集上的训练集损失和测试集准确率来判断该模型的性能,其相较于未优化模型在两项指标上均有一定的提升.