基于深度神经网络的人脸图像识别

概述了深度神经网络的最新进展情况,着重深入分析了VGG-Net深度神经网络模型,相比于传统学习方法,深度学习能达到更高的识别准确率,但是存在训练和测试时间较长、字典存储量偏大等问题。在不降低识别率的前提下,通过改进模型结构和优化参数,减少训练时间,实现了轻量化计算。在FaceScrub人脸图像数据集上验证了改进算法的有效性。

两种强化学习算法的性能对比

针对DQN和Dueling-DQN这两种结合深度学习的强化学习算法,在经验池、学习率和批量采样大小固定的情况下,选取大小分别为15、30和50的动作空间,在不同复杂程度的游戏环境下进行了算法性能对比。对算法进行初始化后,固定训练步数,对比两种算法的损失值和累计奖励,同时比较达到相同的损失值和累计奖励所需要的训练步数,两种方法相互验证,得出结论。结果表明,Dueling-DQN算法可以更好地提升算法性能,并且拥有更好的收敛性,其收敛速度相较DQN算法提升了20%。