【技术实现步骤摘要】
本专利技术涉及卷积神经网络研究领域,具体地,涉及一种卷积神经网络优化方法。
技术介绍
深度学习是人工智能领域的一个研究热点。近几年,深度学习在机器视觉领域取得了突破性进展。在多种深度学习方法中,卷积神经网络的研究成果最为突出。自Alex等人凭借卷积神经网络在2012年的ILSVRC图像识别竞赛中以明显的性能优势超越传统方法获得第一名以来,卷积神经网络在机器视觉领域掀起了研究热潮。工业界也投入大量资金,将卷积神经网络相关的研究成果应用于机器视觉和人工智能相关的产品中。卷积神经网络对机器视觉领域相关的学术研究和工业应用产生了深远的影响。卷积神经网络由多个交替的卷积层(convolutionallayer)、池化层(poolinglayer),以及最后的全连接层(fullyconnectedlayer)组成。卷积神经网络通过反向传播方法(BackPropagation,BP)将网络损失传递到网络的所有层,参数更新学习过程通过随机梯度下降(StochasticGradientDescent,SGD)算法来实现。卷积神经网络与传统神经网络最大的区别在于,其卷积层采用了一种权值共享局部连接网络,而不是传统的权值独立全连接网络,这使得在层数相同的情况下,卷积神经网络的连接数目要远少于传统神经网络。卷积层的二维数据结构使得卷积神经网络非常适合于处理图像数据信息。此外,池化层的加入使得卷积神经网络对输入数据的几何变化(平移、缩放、旋转等)具有一定程度的鲁棒性。由于其强大的数据特征提取能力和非线性学习能力,卷积神经网络在性能上超越了大多数传统的机器视觉算法。目前在图像分类、 ...
【技术保护点】
一种卷积神经网络优化方法,其特征在于,所述方法包括:步骤1:构建卷积神经网络,并在卷积神经网络的末端添加用于计算损失函数的损失层;步骤2:构建数据集,数据集包括:训练集、测试集,并设定卷积神经网络参数;步骤3:开始训练卷积神经网络,当训练次数达到预设次数后,暂停训练,把当前的卷积神经网络作为第一卷积神经网络进行存储;步骤4:将卷积神经网络损失层计算得到的损失传递到预设卷积层,然后计算每个滤波器对卷积神经网络损失的贡献度;步骤5:将滤波器对卷积神经网络损失的贡献度,按照从小到大的顺序进行排序,基于排序结果,选取出特征提取效果最优的滤波器和特征提取效果最差的滤波器;步骤6:分别从步骤5中选取的每个滤波器中随机选取出滤波器系数,然后对滤波器系数进行更新;步骤7:修改卷积神经网络每一层的学习率缩放因子,对修改之后的卷积神经网络进行训练,训练过程进行预设次数后暂停,然后存储修改之后的网络为第二卷积神经网络,并分别获得第一卷积神经网络和第二卷积神经网络的损失;步骤8:通过损失比较第一卷积神经网络和第二卷积神经网络的性能,选择出较优的卷积神经网络。
【技术特征摘要】
1.一种卷积神经网络优化方法,其特征在于,所述方法包括:步骤1:构建卷积神经网络,并在卷积神经网络的末端添加用于计算损失函数的损失层;步骤2:构建数据集,数据集包括:训练集、测试集,并设定卷积神经网络参数;步骤3:开始训练卷积神经网络,当训练次数达到预设次数后,暂停训练,把当前的卷积神经网络作为第一卷积神经网络进行存储;步骤4:将卷积神经网络损失层计算得到的损失传递到预设卷积层,然后计算每个滤波器对卷积神经网络损失的贡献度;步骤5:将滤波器对卷积神经网络损失的贡献度,按照从小到大的顺序进行排序,基于排序结果,选取出特征提取效果最优的滤波器和特征提取效果最差的滤波器;步骤6:分别从步骤5中选取的每个滤波器中随机选取出滤波器系数,然后对滤波器系数进行更新;步骤7:修改卷积神经网络每一层的学习率缩放因子,对修改之后的卷积神经网络进行训练,训练过程进行预设次数后暂停,然后存储修改之后的网络为第二卷积神经...
【专利技术属性】
技术研发人员:李宏亮,陈啸宇,黄超,
申请(专利权)人:成都快眼科技有限公司,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。