cnn 코드 다양하게 구성해서 돌려보는 중. 돌리는데 시간이 꽤 걸리고 부하가 커서 learning rate 등의 parameters 는 바꾸지 않고 window 만 다르게 구성해봤음. 각각의 경우 정확도 기록함.

[smallerhand]

learning_rate = 0.001 training_epochs = 15 batch_size = 100

1. window = 33, 32개/ 33, 64개
   정확도 98.57%

2. window = 44, 32개/ 44, 64개
   정확도 98.48%/ 98.36%/ 98.56%

3. 정확도가 낮아질 것 같긴 하지만 비교삼아 윈도우 개수를 적게 해봄
   window = 55, 10개/ 33, 5개
   정확도 97.48%

4. 3에서 병렬로 구성, window 크기를 다르게 L1_2랑 L2_2 만듬.
   w1, w2= 55, 10개/ 33, 5개
   w1_2, w2_2 = 33, 12개/ 33, 5개
   정확도 98.09%
   (3번보다 정확도 높아졌으므로 이 구조에서 window개수를 다시 늘리면 더 높아질 듯.)

5. 병렬로 구성하고 window 크기도 원래만큼 늘림.
   w1, w2= 55, 32개/ 33, 64개
   w1_2, w2_2 = 33, 36개/ 33, 40개
   정확도 98.48%
   생각보다 높지 않았다.

*개선할 사항:
윈도우 개수랑 병렬 다시 조절해보기.
dropout 추가해보기.

[smallerhand]

learning_rate = 0.001
training_epochs = 15
batch_size = 100

1. window = 33, 32개/ 33, 64개
   정확도 98.57%

2. window = 44, 32개/ 44, 64개
   정확도 98.48%/ 98.36%/ 98.56%

3. 정확도가 낮아질 것 같긴 하지만 비교삼아 윈도우 개수를 적게 해봄
   window = 55, 10개/ 33, 5개
   정확도 97.48%

4. 3에서 병렬로 구성, window 크기를 다르게 L1_2랑 L2_2 만듬.
   w1, w2= 55, 10개/ 33, 5개
   w1_2, w2_2 = 33, 12개/ 33, 5개
   정확도 98.09%
   (3번보다 정확도 높아졌으므로 이 구조에서 window개수를 다시 늘리면 더 높아질 듯.)

5. 병렬로 구성하고 window 크기도 원래만큼 늘림.
   w1, w2= 55, 32개/ 33, 64개
   w1_2, w2_2 = 33, 36개/ 33, 40개
   정확도 98.48%
   생각보다 높지 않았다.

6. 5에서 dropout추가
   정확도 98.78%

7. 아직 안해봤지만 아래처럼 구상 중
   w1= 22, 20개/ 33, 20개/ 44, 20개
   w2=22, 10개/ 33, 10개/ 44, 10개
   최종 layer에서 w1과 w2의 출력값을 모두 받음.