一种深度学习实现的方法及设备技术

本申请的目的是提供一种深度学习实现的方法及设备，本申请通过定义中间语言层；通过适配器获取所述中间语言层中的数据格式，将所述数据格式转换为训练需求的训练格式，并构建神经网络图；选取含有标签的训练数据集对所述神经网络图进行训练，得到深度学习模型；通过含有标签的测试数据集对所述深度学习模型进行测试，根据测试的结果实现深度学习。从而通过定义的中间语言层和深度学习框架的适配器，从而实现用户只需要使用中间语言层定义出深度学习的网络拓扑图，适配器可以将其翻译成目标框架所支持的编程语言；且用户不需要去另外学习各个框架所提供的编程语言程序接口和相应的框架结构，大大降低了学习成本，减少了大部分的重复劳动。

A method and equipment for the realization of deep learning

This application is intended to provide a method and a device for realizing the application of deep learning, through the definition of interlingua layer; obtaining the interlingua layer in the data format by the adapter, the data format conversion for training needs training scheme, and construct neural network graph; set the neural network diagram training and selecting the training data contains the label, get deep learning model; the test data contains the label set to test the deep learning model, according to the test results to achieve deep learning. Thus through the definition of interlingua layer and deep learning framework to realize the adapter, users only need to use the interlingua layer to define the topology of deep learning, the adapter can be translated into the target language support frame; and a user does not need to learn another language programming interface provided by the framework and all the corresponding frame structure, greatly reduces the cost of learning, reduce the duplication of labor most.

【技术实现步骤摘要】
一种深度学习实现的方法及设备
本申请涉及计算机领域，尤其涉及一种深度学习实现的方法及设备。
技术介绍
在数据挖掘和深度学习领域，当前，不同的深度学习框架构建原理，支持的模型不同，分批梯度更新方式不同，包括同步和异步，从而会造成一定的局限性：首先，需要集群下搭建该框架环境；其次，需要用户投入时间去学习该框架以便重现深度学习模型，使得需要额外投入时间，大大降低效率。申请内容本申请的一个目的是提供一种深度学习实现的方法及设备，解决现有技术中需要集群下搭建深度学习框架的环境及用户需要额外学习所搭建框架提供的编程语言接口的问题。根据本申请的一个方面，提供了一种深度学习实现的方法，该方法包括：定义中间语言层，其中，所述中间语言层包括数据格式统一的神经网络中各层之间的依赖关系、各神经网络层的参数及所述神经网络的参数；通过适配器获取所述中间语言层中的数据格式，将所述数据格式转换为训练需求的训练格式，并构建神经网络图；选取含有标签的训练数据集对所述神经网络图进行训练，得到深度学习模型；通过含有标签的测试数据集对所述深度学习模型进行测试，根据测试的结果实现深度学习。进一步地，所述依赖关系包括：所述神经网本文档来自技高网...

【技术保护点】
一种深度学习实现的方法，其中，所述方法包括：定义中间语言层，其中，所述中间语言层包括数据格式统一的神经网络中各层之间的依赖关系、各神经网络层的参数及所述神经网络的参数；通过适配器获取所述中间语言层中的数据格式，将所述数据格式转换为训练需求的训练格式，并构建神经网络图；选取含有标签的训练数据集对所述神经网络图进行训练，得到深度学习模型；通过含有标签的测试数据集对所述深度学习模型进行测试，根据测试的结果实现深度学习。

【技术特征摘要】
1.一种深度学习实现的方法，其中，所述方法包括：定义中间语言层，其中，所述中间语言层包括数据格式统一的神经网络中各层之间的依赖关系、各神经网络层的参数及所述神经网络的参数；通过适配器获取所述中间语言层中的数据格式，将所述数据格式转换为训练需求的训练格式，并构建神经网络图；选取含有标签的训练数据集对所述神经网络图进行训练，得到深度学习模型；通过含有标签的测试数据集对所述深度学习模型进行测试，根据测试的结果实现深度学习。2.根据权利要求1所述的方法，其中，所述依赖关系包括：所述神经网络中每一层神经网络层中的每个节点依赖于上一层神经网络层的所有节点。3.根据权利要求2所述的方法，其中，所述构建神经网络图包括：根据转换为训练格式后的各层之间的依赖关系、各神经网络层的参数及所述神经网络的参数构建神经网络图。4.根据权利要求3所述的方法，其中，构建神经网络图的同时或之后，包括：根据转换为训练格式后的各层之间的依赖关系、各神经网络层的参数及所述神经网络的参数构建梯度计算的反向传播图。5.根据权利要求4所述的方法，其中，所述方法包括：根据所构建的反向传播图进行迭代查询所述神经网络图中各层之间的依赖关系、各神经网络层的参数及所述神经网络的参数，根据迭代查询的结果优化所述神经网络图。6.根据权利要求1所述的方法，其中，通过含有标签的测试数据集对所述深度学习模型进行测试，包括：将获取到的含有实际标签值的测试数据集在所述深度学习模型上进行预测，生成预测的标签值；根据所述预测的标签值与实际标签值的比对，得到所述深度模型测试的准确率结果。7.根据权利要求6所述的方法，其中，所述根据测试的结果实现深度学习包括：根据所述深度模型测试的准确率结果，通过所述深度学习模型对未含标签的数据集进行预测，生成含有标签的预测数据集。8.根据权利要求6所述的方法，其中，选取含有标签的训练数据集对所述神经网络图进行训练，得到深度学习模型之后，包括：将所述深度学习模型的数据格式转化为预设的统一数据格式。9.一种深度学习实现的设备，其中，所述设备包括：定义装置，用于定义中间语言层，其中，所述中间语言层包括数据格式统一的神经网络中各层之间的依赖关系、各神经网络层的参数及所述神经网络的参数；构建装置，用于通过适配器获取所述中间...

【专利技术属性】
技术研发人员：周潇，杨俊，陆天明，
申请(专利权)人：星环信息科技上海有限公司，
类型：发明
国别省市：上海,31