In order to evaluate a gain from co

In order to evaluate a gain from combining several CNNs I together, we have trained 3 instances of the CNN I (each instance is trained from scratch with a random initialization of weights). These instances have been combined in a single ensemble model by averaging the outputs of the corresponding softmax layers. Performances of a single CNN I and the ensemble model are compared in Table 5. For the single CNN I, we provide the resulting mean accuracy alongside with the corresponding standard deviation

ผลลัพธ์ (ไทย) 1:

การประเมินกำไรจากรวมหลาย CNNs ฉันกัน เรามีการฝึกอบรม 3 การอินสแตนซ์ของซีเอ็นเอ็นผม (แต่ละอินสแตนซ์คือการฝึกอบรมตั้งแต่มีการเริ่มต้นน้ำหนักสุ่ม) อินสแตนซ์เหล่านี้ได้รับการตกแต่งในรูปแบบวงดนตรีเดียว โดยหาค่าเฉลี่ยการแสดงผลของเลเยอร์ softmax สอดคล้องกัน การแสดงของซีเอ็นเอ็นที่เดียวที่ฉันและแบบวงดนตรีเปรียบเทียบในตาราง 5 สำหรับ CNN เดียว เรามีความถูกต้องเฉลี่ยผลควบคู่ไปกับส่วนเบี่ยงเบนมาตรฐานที่สอดคล้องกัน

ผลลัพธ์ (ไทย) 2:

เพื่อประเมินกำไรจากการรวมหลาย CNNs ฉันด้วยกันเรามีการฝึกอบรม 3 กรณีของซีเอ็นเอ็นฉัน (แต่ละกรณีได้รับการฝึกฝนจากรอยขีดข่วนด้วยการเริ่มต้นการสุ่มของน้ำหนัก) กรณีเหล่านี้ได้รับรวมกันในรูปแบบชุดเดียวโดยเฉลี่ยผลของชั้น softmax ที่สอดคล้องกัน ผลการดำเนินงานของซีเอ็นเอ็นฉันเดียวและรูปแบบวงดนตรีที่จะเปรียบเทียบในตารางที่ 5 สำหรับซีเอ็นเอ็นฉันเดียวเราให้ถูกต้องหมายถึงผลข้างกับส่วนเบี่ยงเบนมาตรฐานที่สอดคล้องกัน

ผลลัพธ์ (ไทย) 3:

เพื่อที่จะประเมินได้จากการรวมหลาย cnns ฉันด้วยกัน เราได้ฝึก 3 อินสแตนซ์ของซีเอ็นเอ็น ( แต่ละเช่นการอบรมจากรอยขีดข่วน ด้วยการเริ่มต้นแบบสุ่มของน้ำหนัก ) กรณีเหล่านี้ได้ถูกรวมในรูปแบบชุดเดียวโดยเฉลี่ยผลของชั้น softmax ที่สอดคล้องกัน การแสดงเดี่ยวและวงดนตรีแบบ CNN ผมเทียบในตารางที่ 5สำหรับเดียว CNN ผม เรามีผลหมายถึงความถูกต้องควบคู่กับส่วนเบี่ยงเบนมาตรฐานที่สอดคล้องกัน