相关实验视频
Updated: May 7, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
从MNIST和MNIST-C上交叉数据库编码的深度学习性能数据集
Lawrence McKnight1, Chandra Jaiswal1, Issa AlHmoud1
11601 E Market St, Greensboro, NC 27411, USA.
Data in brief
|January 6, 2025
概括
本研究介绍了MNIST和MNIST-C数据集的各种数值数据表示的卷积神经网络性能数据集. 分析这些数据可以揭示数据编码如何影响机器学习模型的准确性.
科学领域:
- 机器学习 机器学习
- 深度学习 (Deep Learning) 是一种深度学习.
- 数据科学数据科学数据科学
背景情况:
- 有效的数据表示对于机器学习 (ML) 和深度学习 (DL) 算法来说至关重要,以准确捕获模式并进行可靠的预测.
- 虽然数据预处理得到了广泛的记录,但科学文献中对数据表示的新方法来提高ML模型的性能不足.
研究的目的:
- 编制一个卷积神经网络 (CNN) 模型性能指标的数据集.
- 在MNIST和MNIST-C数据集的多种数值基础表示上进行训练和测试时评估CNN的性能.
- 为研究界提供一个资源,以分析数据编码和ML模型性能之间的趋势.
主要方法:
- 这项研究涉及对来自MNIST和MNIST-C的数据集进行CNN模型的培训和测试.
- 数据是使用一系列数值基础表示来编码的.
- 模型性能被系统地记录在每一个数据表示.
主要成果:
- 该数据集捕获了MNIST和MNIST-C数据的不同数值基础上的CNN性能变化.
- 这种编译允许调查数据编码策略如何影响模型准确性和概括性的研究.
- 这些发现凸显了CNN对输入数据数值表示的敏感性.
结论:
- 生成的数据集是了解数据表示对ML/DL模型性能影响的宝贵资源.
- 进一步的研究可以利用这个数据集来探索跨基础数据编码,以提高各种现实应用中的性能.
- 这项工作鼓励开发新的数据表示技术,以推进ML和DL的能力.
