A feature model visualization and evaluation method of deep learning, which comprises the following steps: learning network model from the image database of input image data on the depth, through the coil layer, nonlinear layer, pool layer of the incoming image data for a forward propagation, obtained classification results; using back-propagation algorithm or deconvolution algorithm or the LRP algorithm, calculation of feature map corresponding to the input image; and the feature map based on visual analysis and evaluation of the deep learning network model.
【技术实现步骤摘要】
深度学习的特征可视化及模型评估方法
本专利技术涉及人工智能
,尤其涉及深度学习的特征可视化及模型评估方法。
技术介绍
深度学习是机器学习拉出的分支,它试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的方法。观测值(例如一幅图像)可以使用多种方式来表示,如每个像素强度值的向量,或者更抽象地表示成一系列边、特定形状的区域等。而使用某些特定的表示方法更容易从实例中学习任务(例如,人脸识别或面部表情识别)。深度学习的好处是用非监督式或半监督式的特征学习和分层特征提取高效算法来替代手工获取特征。现有的深度学习研究虽然在图像分类、语音识别等领域都取得了很好的变现,但是由于其多层的非线性结构,使得深度学习就像一个‘黑盒子’。这样使得初学者并不能对深度学习这个工具有个直观的印象,对学者来说也不清楚深度学习网络究竟学习到了什么特征。故此提出深度学习的特征可视化及模型评估方法,对模型学习到的特征经行可视化显示,使得深度学习更加直观易懂,并根据可视化后的结果来判断学习到的模型的好坏。
技术实现思路
鉴于现有方案存在的问题,为了克服上述现有技术方案的不足,本专利技术提出了一种深度学习的特征可视化及模型评估方法。根据本专利技术的一个方面,提供了1、一种深度学习的特征可视化及模型评估方法,包括以下步骤:对深度学习网络模型从图像数据库输入图像数据,经过卷积层、非线性层、池化层对传入的所述图像数据进行一次前向传播,得到分类结果;利用反向传播算法或反卷积算法或LRP算法,计算对应输入图像的特征图;以及基于所述特 ...
【技术保护点】
一种深度学习的特征可视化及模型评估方法,其特征在于,包括以下步骤:S100:对深度学习网络模型从图像数据库输入图像数据,经过卷积层、非线性层、池化层对传入的所述图像数据进行一次前向传播,得到分类结果;S200:利用反向传播算法或反卷积算法或LRP算法,计算对应输入图像的特征图;以及S300:基于所述特征图进行可视化分析及对深度学习网络模型模型进行评估。
【技术特征摘要】
1.一种深度学习的特征可视化及模型评估方法,其特征在于,包括以下步骤:S100:对深度学习网络模型从图像数据库输入图像数据,经过卷积层、非线性层、池化层对传入的所述图像数据进行一次前向传播,得到分类结果;S200:利用反向传播算法或反卷积算法或LRP算法,计算对应输入图像的特征图;以及S300:基于所述特征图进行可视化分析及对深度学习网络模型模型进行评估。2.根据权利要求1所述的特征可视化及模型评估方法,其特征在于,利用反向传播算法时,步骤S200包括以下步骤:子步骤S201:在目标层设置优化函数,在网络中对优化函数针对输入图像求偏导数,通过链式求导法则从一层到另一层,通过反向传播算法获得特征数据,所述目标层为卷积层或非线性层或池化层;子步骤S202:将所述特征数据组合成特征图。3.根据权利要求2所述的特征可视化及模型评估方法,其特征在于,所述链式求导法中,连续的两层x(l)和x(l+1)对激励的贡献通过下式计算4.根据权利要求2所述的特征可视化及模型评估方法,其特征在于,所述子步骤S201包括:对池化层求偏导数时,针对最大池化操作在前向传播时需记住取得最大值的位置,在反池化操作时根据记住的位置返回为原来的空间;对非线性层求偏导数时根据前向非线性层传播取得最大值索引返回上一层的导数;和/或对卷积层求偏导数时,通过对前向计算的卷积层偏置参数的转置求卷积。5.根据权利要求1所述的特征可视化及模型评估方法,其特征在于,利用反卷积算法时,步骤S200包括以下步骤:子步骤S211:在目标层设置优化函数,其中目标层为卷积层或非线性层或池化层,通过反卷积算法获得特征数据;子步骤S212:将所述特征数据组合成特征图。6.根据权利要求5所述的特征可视化及模型评估方法,其特征在于,所述子步骤S211包括:对池化层反向传播时,针对最大池化操作在前向传播时需记住取得最大值的位置,在反池化操作时根据记住的位置返回为原来的空间;非线性层反向传播时,其非线性层的操作和正向传播的非线性层的操作一致;和/或卷积层反向传播时通过下式对神经网络的输出映射为输入图像空间,R(l)=mdec(R(l+1);Q(l,l+1))其中R(l),R(l+1)表示反向传递的信号值,mdec表示反卷积操作,Q(l,l+1)表示神经网络l层和l+1层之间的权重。7.根据权利要求1所述的特征可视化及模型评估方法,其特征在于,利用反卷积算法时,步骤S200包括以下步骤:子步骤S2...
【专利技术属性】
技术研发人员:付琨,许光銮,王洋,孙显,李峰,袁文龙,刁文辉,林道玉,
申请(专利权)人:中国科学院电子学研究所,
类型:发明
国别省市:北京,11
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。