NIN模型调参记录（12/14类）

要求
分成应用分类（14类）和流量分类（12类）两个任务，按照运算量,,三个档次分别在两个任务上调试3个模型出来

1.基础知识回顾

w_conv1 = weight_variable(name='w_conv1', shape=[1, 3, 1, 32])
b_conv1 = bias_variable([32])

shape:shape为4维tensor，各参数含义：[width, height, channels, kernel_nums]
设input:[batch,length_in,width_in,in_channels_in]
w_conv1中shape是filter的shape:[filter_length,filter_width,channels_in,channels_out]
例如：

input.shape = [5,256,256,32] #5张256*256的图片，输入32
filter.shape = [3,3,32,64]  #3*3卷积核，输入32，输出64
 output.shape = [5,out_length,out_width,64] #卷积后的结果是5张（卷积后图片尺寸）图片，进入下一个卷积层的通道数为64

2.模型参数设置

通道数没有改变，改变卷积核的尺寸
输出结果会有影响吗？

NIN_1

NIN_14类调参结果

1.14类1500字节结果：32/64/128
改变strides，32/64/128结果：
(1, 1, 2, 128)
(1, 14)
Parsing Inputs...

• FLOPs: (2953148) Trainable params: 60078)

• test:96.57% valid：96.39%

  
  

2.14类1500字节：16/32/64
(1, 1, 2, 64)
(1, 14)
Parsing Inputs...

• FLOPs: (819532); Trainable params: (20030)

• test:92.66% valid：94.45%

  
  

3.12类1500字节结果：32/64/128
改变strides，32/64/128结果：
(1, 1, 2, 128)
(1, 12)
Parsing Inputs...

• FLOPs: (2952250); Trainable params: (59948)
• valid_accuracy:97.02%

4.12类1500字节：16/32/64
(1, 1, 2, 128)
(1, 12)
Parsing Inputs...
======================End of Report==========================

• FLOPs: (818634); Trainable params: (19900)