Централизация градиента, я ошибся: "Gradient-Centralization". Слои с batch normalization тоже ускоряют тренировку. Ну и входные данные проверьте — количество данных для каждой категории должно быть одинаковым, отсортируйте и откиньте лишнее, затем все данные перемешайте и разделите полученное на train, valid, test данные. Поэкспериментируйте, может и улучшите немного показатели.
Интересная статья. Из каких слоев состоит ваша нейросеть? Пробовали ли вы функцию активации relu? использовали ли вы слои с dropout (или conv слой со stride=2). Использовали ли вы нормализацию градиента gradient normalization (на питон делается в 2 строки, но ускоряет обучение и улучшает точность). Какая точность нейросети при validation (70% ?) ?
Если нужен процесс только с сигналом clk или ce или rst я использую шаблоны procclk, procce, procrst. Шаблоны для тестбенчей вызываются по ключевым словам teststd, testfor, testvector, testrand, testfile. В ссылке на мои настройки на GitHub можно посмотреть соответствующие сниппеты.
Централизация градиента, я ошибся: "Gradient-Centralization". Слои с batch normalization тоже ускоряют тренировку. Ну и входные данные проверьте — количество данных для каждой категории должно быть одинаковым, отсортируйте и откиньте лишнее, затем все данные перемешайте и разделите полученное на train, valid, test данные. Поэкспериментируйте, может и улучшите немного показатели.
Интересная статья. Из каких слоев состоит ваша нейросеть? Пробовали ли вы функцию активации relu? использовали ли вы слои с dropout (или conv слой со stride=2). Использовали ли вы нормализацию градиента gradient normalization (на питон делается в 2 строки, но ускоряет обучение и улучшает точность). Какая точность нейросети при validation (70% ?) ?