给力文学网

第73章 拿到样本数据后（第3页）

和“0”

首先就傻傻分不清楚。

“I”

和“1”

也是一样。

再叠加车牌照片的光线明暗阴影问题，一个清清楚楚的“6”

竟然能被识别成“0”

，原因貌似是“6”

的上半部分被阴影遮挡了。

总之这识别结果结果是没法看。

齐凡脑子很清醒。

面对识别错误率过高，无非是两种解决办法。

一是细化模型的精度，把模型做得更加细致。

二个加大训练样本数量，让模型去学习更多的样本数据。

提升模型精度不是问题，他系统空间的那份模型XCNN图纸，正愁没有用武之地。

齐凡此前发布的XCNN_DT2.0版本，不过是这份图纸上最简单的一个模型的落地应用。

要提升精度，那只需加深网络的层数即可。

当前的XCNN_DT2.0版本才5个卷积层，有足够多的冗余留给层数叠加。

人工智能深度学习中的神经网络是层层叠加的，可以将其理解为一栋高楼。

其处理数据的过程，可以类比为让数据爬楼梯。

数据从一楼开始，一层层往上爬，每上一层就会被处理一次。

当数据到达顶层的时候，就是最终结果出来的时候。

以数字识别为例。

进入第一层的数据是一张RGB三通道的图片，最后顶层给出的结果则是0到9之间的一个数字。

以齐凡目前所掌握的理论来说，只要模型的层数越深，也就是这栋楼的层数越高，让数据爬更多的楼层，那自然就会得出更精确的结果。

（）;（）　　数据爬楼层的过程，是对数据提取特征的过程。

爬的楼层越多，也就是被提取的特征就越多，自然就会被识别的越准确。

可就如楼房受限于地基和建材，不能无限制堆高一样。

模型也是一样的。

模型受限于硬件的水平也是无法无限制加深的。

所以，模型有多深完全取决于显卡有多厉害。