研究人员对用于CIFAR-10图像分类任务的卷积神经网络（CNN）进行了优化实证研究。该研究测试了17种不同的训练时长、学习率调度、dropout、池化、网络深度和滤波器排列的修改。虽然延长训练时间提高了准确率，但一些结构性改变降低了性能。最佳个体配置的集成在完整数据集上达到了高达89.23%的准确率，证明了仔细的经验选择而非仅仅增加模型复杂度的价值。 AI
影响 强调了消融导向优化和集成学习在图像分类任务中的实际价值。
排序理由 学术论文，详细介绍了CNN图像分类的实证研究和优化。
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
arXiv:2604.23861v1 Announce Type: new Abstract: Convolutional neural networks (CNNs) remain a central approach in image classification, but their performance depends strongly on architectural and training choices. This paper presents an empirical ablation-based study of CNN optim…