深度学习方法和系统技术方案

本发明专利技术提供了深度学习方法和系统，包括：采集原始信号；将原始信号进行训练，得到权值参数；将原始信号和权值参数进行编码处理，得到特征向量；根据特征向量得到判定结果。本发明专利技术实现了自动识别、检测、定位、感知、理解等功能，可针对图像、视频、语音及其他数据进行处理，具有很强的通用性。

【技术实现步骤摘要】

本专利技术涉及深度学习
，尤其是涉及深度学习方法和系统。
技术介绍
传统的模式识别方法手工选取特征费时费力，需要启发式专业知识，很大程度上靠经验和运气，而浅层学习的人工神经网络具有一定的局限性，比较容易过拟合，参数比较难调整，并且训练速度慢，在层次上比较少(小于等于3)的情况下效果并不显著。如何满足目前人们日益所需的自动识别、检测、定位、感知、理解等功能，并针对图像、视频、语音及其他数据进行处理成为亟待解决的问题。
技术实现思路
有鉴于此，本专利技术的目的在于提供深度学习方法和系统，实现了自动识别、检测、定位、感知、理解等功能，可针对图像、视频、语音及其他数据进行处理，具有很强的通用性。第一方面，本专利技术实施例提供了深度学习方法，包括：采集原始信号；将所述原始信号进行训练，得到权值参数；将所述原始信号和所述权值参数进行编码处理，得到特征向量；根据所述特征向量得到判定结果。结合第一方面，本专利技术实施例提供了第一方面的第一种可能的实施方式，其中，所述将所述原始信号进行训练，得到权值参数包括：对所述原始信号进行归一化预处理得到统一格式的训练样本；将所述统一格式的训练样本存储在样本数据库中，并构成训练样本集合；判断对所述原始信号的采样是否结束；如果未结束，则继续采集所述原始信号；如果结束，则根据所述训练样本集合计算所述权值参数。结合第一方面的第一种可能的实施方式，本专利技术实施例提供了第一方面的第二种可能的实施方式，其中，所述根据所述训练样本集合计算所述权值参数包括：从所述样本数据库中读取所述训练样本集合；对所述训练样本集合进行前向传播计算和网络误差损失计算得到各层残差、各层权值参数和分类精度；通过最小化所述残差调整所述权值参数，并判断所述分类精度是否达到预设阈值；如果未达到所述预设阈值，则根据调整后的权值参数进行迭代计算，直到所述分类精度达到所述预设阈值。结合第一方面，本专利技术实施例提供了第一方面的第三种可能的实施方式，其中，所述将所述原始信号和所述权值参数进行编码处理，得到特征向量包括：生成初始化信息；将所述权值参数、所述原始信号和所述初始化信息进行编码转换；对所述编码转换后的权值参数进行存储，并根据所述编码转换后的初始化信息分配计算资源；将所述编码转换后的权值参数和所述编码转换后的原始信号进行卷积计算、池化计算和全连接计算得到所述特征向量。结合第一方面的第三种可能的实施方式，本专利技术实施例提供了第一方面的第四种可能的实施方式，其中，所述根据所述特征向量得到判定结果包括：通过将所述特征向量输入分类器中进行分类得到所述判定结果；或者；通过将所述特征向量与指定的对比向量进行比较得到相似度。第二方面，本专利技术实施例提供了深度学习系统，包括：采集单元、逻辑控制单元、训练单元和识别单元；所述采集单元，与所述逻辑控制单元相连接，用于采集原始信号，并将所述原始信号发送给所述逻辑控制单元；所述逻辑控制单元，与所述训练单元相连接，用于将所述原始信号发送给所述训练单元，以使所述训练单元对所述原始信号进行训练，得到权值参数，接收所述训练单元发送的权值参数，并将所述权值参数、所述原始信号和初始化信息发送给所述识别单元；所述识别单元，与所述逻辑控制单元相连接，用于根据所述权值参数和所述原始信号进行识别计算得到判定结果，将所述判定结果发送给所述逻辑控制单元。结合第二方面，本专利技术实施例提供了第二方面的第一种可能的实施方式，其中，所述训练单元包括服务器和并行计算模块；所述服务器，用于接收原始信号，并根据所述原始信号进行云端训练得到所述权值参数，将所述权值参数发送给所述逻辑控制单元；所述并行计算模块，用于对所述云端训练的过程进行并行加速。结合第二方面，本专利技术实施例提供了第二方面的第二种可能的实施方式，其中，所述识别单元包括接口模块、权值存储模块、特征提取模块和判定模块；所述接口模块，与所述判定模块相连接，用于接收所述权值参数、所述原始信号和初始化信息，将所述初始化信息和所述原始信号发送给所述特征提取模块，以及将所述权值参数发送给所述权值存储模块；所述权值存储模块，与所述特征提取模块相连接，用于存储所述权值参数，并将所述权值参数发送给所述特征提取模块；所述特征提取模块，与所述判定模块相连接，用于根据初始化信息分配计算资源，并根据所述权值参数、所述原始信号的得到特征向量，将所述特征向量发送给所述判定模块；所述判定模块，与所述接口模块相连接，用于根据所述特征向量得到判定结果，并将所述判定结果发送给所述接口模块，以使所述接口模块将所述判定结果发送给所述逻辑控制单元。结合第二方面的第二种可能的实施方式，本专利技术实施例提供了第二方面的第三种可能的实施方式，其中，所述接口模块还用于对所述权值参数、所述原始信号和所述初始化信息进行编码格式转化，以及对所述判定结果进行通用格式转化。结合第二方面的第一种可能的实施方式，本专利技术实施例提供了第二方面的，所述逻辑控制单元为计算机。本专利技术提供了深度学习方法和系统，包括：采集原始信号；将原始信号进行训练，得到权值参数；将原始信号和权值参数进行编码处理，得到特征向量；根据特征向量得到判定结果。本专利技术实现了自动识别、检测、定位、感知、理解等功能，可针对图像、视频、语音及其他数据进行处理，具有很强的通用性。本专利技术的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为了更清楚地说明本专利技术具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的深度学习方法流程图；图2为本专利技术实施例提供的深度学习方法步骤S102的流程图；图3为本专利技术实施例提供的深度学习系统结构示意图；图4为本专利技术实施例提供的识别单元结构示意图。图标：10-采集单元；20-逻辑控制单元；30-训练单元；40-识别单元；41-权值存储模块；42-特征提取模块；43-判定模块；44-接口模块。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供的深度学习方法和系统，实现了自动识别、检测、定位、感知、理解等功能，可针对图像、视频、语音及其他数据进行处理，具有很强的通用性。为便于对本专利技术的实施例进行理解，首先对本专利技术实施例所公开的深度学习方法进行详细介绍。图1为本专利技术实施例提供的深度学习方法流程图。参照图1，该深度学习方法包括如下步骤：步骤S101，采集原始信号；其中，由采集单元利用现有相机、话筒等设备对图像、语音等信号进行原始信号的采集。步骤S102，将原始信号进行训练，得到权值参数；本文档来自技高网...

【技术保护点】
一种深度学习方法，其特征在于，包括：采集原始信号；将所述原始信号进行训练，得到权值参数；将所述原始信号和所述权值参数进行编码处理，得到特征向量；根据所述特征向量得到判定结果。

【技术特征摘要】
1.一种深度学习方法，其特征在于，包括：采集原始信号；将所述原始信号进行训练，得到权值参数；将所述原始信号和所述权值参数进行编码处理，得到特征向量；根据所述特征向量得到判定结果。2.根据权利要求1所述的深度学习方法，其特征在于，所述将所述原始信号进行训练，得到权值参数包括：对所述原始信号进行归一化预处理得到统一格式的训练样本；将所述统一格式的训练样本存储在样本数据库中，并构成训练样本集合；判断对所述原始信号的采样是否结束；如果未结束，则继续采集所述原始信号；如果结束，则根据所述训练样本集合计算所述权值参数。3.根据权利要求2所述的深度学习方法，其特征在于，所述根据所述训练样本集合计算所述权值参数包括：从所述样本数据库中读取所述训练样本集合；对所述训练样本集合进行前向传播计算和网络误差损失计算得到各层残差、各层权值参数和分类精度；通过最小化所述残差调整所述权值参数，并判断所述分类精度是否达到预设阈值；如果未达到所述预设阈值，则根据调整后的权值参数进行迭代计算，直到所述分类精度达到所述预设阈值。4.根据权利要求1所述的深度学习方法，其特征在于，所述将所述原始信号和所述权值参数进行编码处理，得到特征向量包括：生成初始化信息；将所述权值参数、所述原始信号和所述初始化信息进行编码转换；对所述编码转换后的权值参数进行存储，并根据所述编码转换后的初始化信息分配计算资源；将所述编码转换后的权值参数和所述编码转换后的原始信号进行卷积计算、池化计算和全连接计算得到所述特征向量。5.根据权利要求4所述的深度学习方法，其特征在于，所述根据所述特征向量得到判定结果包括：通过将所述特征向量输入分类器中进行分类得到所述判定结果；或者；通过将所述特征向量与指定的对比向量进行比较得到相似度。6.一种深度学习系统，其特征在于，包括：采集单元、逻辑控制单元、训练单元和识别单元；所述采集单元，与所述逻辑控制单元相连接，用于采集原始信号...

【专利技术属性】
技术研发人员：张亮，
申请(专利权)人：张亮，
类型：发明
国别省市：四川;51