The training was done using stochas

The training was done using stochastic gradient descent for 60 epochs with initial learning rate of 0.001 and 0.9 momentum. The learning rate was reduced to 1/10th of the original value after 1/3rd and 2/3rd of the training finished. The network weights were initialized using He norm initialization [19]. The dataset was augmented using rotation and horizontal flipping to balance positive and negative class ratios along with increasing generalizability of the model. The hyperparameters were tuned so as to give best performance on validation set. Training took 40 hours on a single Nvidia GTX 1080Ti GPU.

結果 (繁體中文) 1:

此次培訓採用隨機梯度下降60歷元，0.001和0.9的動力最初的學習速度進行。學習率後，1/3，並完成了訓練的2/3日減少到原來的1/10。網絡權重用他標準的初始化[19]初始化。數據集，使用旋轉和水平翻轉到隨模型的概沿平衡正和負類比率增加。該超參數進行了調整，以便提供有關驗證集最佳的性能。訓練在40小時在一個單一的Nvidia GTX GPU 1080Ti。

結果 (繁體中文) 2:

訓練使用隨機梯度下降60個時代，初始學習率為0.001和0.9動量。訓練結束後，學習率降至原值的1/10和原值的1/10。使用 He 規範初始化初始化初始化網路權重 [19]。資料集使用旋轉和水準翻轉進行擴展，以平衡正類和負類比率，同時提高模型的通用性。對超參數進行了調整，以便在驗證集上獲得最佳性能。在單個 Nvidia GTX 1080Ti GPU 上，培訓需要 40 小時。

結果 (繁體中文) 3:

採用隨機梯度下降法對60個階段進行訓練，初始學習率分別為0.001和0.9。三分之一和三分之二的訓練結束後，學習率降低到原來的十分之一。使用He norm初始化初始化網絡權重[19]。數据集通過旋轉和水准翻轉來平衡正、負類比率，同時新增模型的泛化性。對超參數進行了優化，以便在驗證集上獲得最佳效能。在一臺Nvidia GTX 1080Ti GPU上訓練花費了40個小時。