Page 134 - 《应用声学》2023年第3期

572 2023 年 5 月

在神经网络开始训练之前，首先要设置网络的 0.05。本节通过调整这些超参数，研究超参数对模型
超参数，这些参数在训练过程中是固定不变的。通 的影响，逐步优化网络性能。
过调整超参数，能够大大提升模型的训练精度。最 4.1 迭代次数对模型的影响
佳超参数组合通常都是结合训练完成后的指标曲
迭代次数对模型的训练精度具有重要的意义，
线变化和拟合效果图进行判断，比如迭代次数，先配 当训练集与测试集指标误差最小时，说明当前的迭
置为 50次，观察收敛过程的指标曲线变化和拟合效 代次数是合适的，否则需要继续增大迭代次数。迭
果，如果拟合曲线在 50 次后仍处于下降，则可以继 代次数越多，数据拟合程度越好，但是迭代次数过
续增大训练次数，直至拟合指标曲线基本平稳甚至 多，训练时间又会增加。针对原始数据集，通过迭代
上翘为止；其他参数也类似，比如学习率 (Learning 不同次数，对比准确率与损失值。训练结果曲线如
rate, lr)，先设置为 0.05，如果收敛很慢，则增大为 图6所示。

loss loss
2.0 acc 2.0 acc
val_loss val_loss
val_acc val_acc
1.5 1.5
஝ϙ ஝ϙ
1.0 1.0

0.5 0.5
0
0 20 40 60 80 100 0 25 50 75 100 125 150 175 200
ᤖ̽൓஝ ᤖ̽൓஝
(a) Epoch=100 (b) Epoch=200

loss loss
2.0 acc 2.0 acc
val_loss val_loss
val_acc val_acc
1.5 1.5
஝ϙ 1.0 ஝ϙ 1.0

0.5 0.5

0 0
0 50 100 150 200 250 300 0 100 200 300 400 500
ᤖ̽൓஝ ᤖ̽൓஝
(c) Epoch=300 (d) Epoch=500

图 6 Epoch 对 CNN 的影响
Fig. 6 Impact of Epoch on CNN

表 3 为迭代不同次数时模型准确率、损失值和 练集上效果更好，但是在测试集上的精度却在逐渐
训练时间。当迭代次数分别为 100、150、200 和 250 偏移。
次时，acc 分别为 82.75%、93.72% 和 100% 和 100%，
表 3 迭代次数对 CNN 的影响
val_acc 分别为 79.46%、91.24% 和 98.93% 和 100%。 Table 3 Impact of Epoch on CNN
当迭代次数为 320 时，损失值降到最低，此时模型
的鲁棒性能达到最好。当继续增加迭代次数时，准 迭代次数 100 150 200 250 500
确率开始出现下降，并且测试集损失值发生偏移， 准确率/% 84.75 93.72 100 100 99.42
损失值 0.3674 0.1869 0.0074 0.0028 0.1679
说明迭代次数过多的时候，网络会出现过拟合，此
训练时间/s 37 56 75 94 187.5
时模型会偏向于学习训练集的细枝末节，争取在训