基于大数据的深度学习方法技术

本发明专利技术提供了一种基于大数据的深度学习方法，包括以下步骤：建立深度学习模型，所述深度学习模型包括多层神经元模型；选取预选图像的部分区域图像作为一神经元模型的输入；对该输入进行卷积求和、添加偏移量经过激活函数之后输出的特征映射图作为下一层神经元模型的输入；每一层神经元模型的输出作为下一层神经元模型的输入；提取每一层输入的特征映射图的局部显著特征并存储。本发明专利技术极大地减少了参数的数量，可以防止过拟合，提升运算的效率。

【技术实现步骤摘要】
基于大数据的深度学习方法
本专利技术涉及人工智能
，具体而言，涉及一种基于大数据的深度学习方法。
技术介绍
深度学习是近十年来人工智能领域取得的最重要的突破之一，通过建立类似于人脑的分层模型结构对输入数据逐级提取从底层到高层的特征从而能很好地建立从底层信号到高层语义的映射关系。神经网络是对生物上大脑学习方式进行建模。当你尝试进行一个新任务时，一系列特定的神经元集合会被激活。你观察到结果，接下来利用反馈来调整哪些神经元应该被激活，以此来训练大脑。多次之后，一些神经元之间的联系将变强而另外一些则变弱，这就形成了记忆的基础。传统的神经网络具有很强的非线性能力，但是非常明显的缺点是参数数量多、收敛速度慢、容易过拟合等，20世纪计算机的计算能力比较薄弱，而且支持向量机等机器学习方法的兴起，导致神经网络(ArtificialNeuralNetwork)并没有得到重视。
技术实现思路
本专利技术的目的在于提供一种基于大数据的深度学习方法，以减少参数的数量，防止过拟合，达到提升运算效率的效果。本专利技术是这样实现的：本专利技术提供一种基于大数据的深度学习方法，所述基于大数据的深度学习方法包括以下步本文档来自技高网...

【技术保护点】
一种基于大数据的深度学习方法，其特征在于，所述基于大数据的深度学习方法包括以下步骤：建立深度学习模型，所述深度学习模型包括多层神经元模型；选取预选图像的部分区域图像作为一神经元模型的输入；对该输入进行卷积求和、添加偏移量经过激活函数之后输出的特征映射图作为下一层神经元模型的输入；每一层神经元模型的输出作为下一层神经元模型的输入；提取每一层输入的特征映射图的局部显著特征并存储。

【技术特征摘要】
1.一种基于大数据的深度学习方法，其特征在于，所述基于大数据的深度学习方法包括以下步骤：建立深度学习模型，所述深度学习模型包括多层神经元模型；选取预选图像的部分区域图像作为一神经元模型的输入；对该输入进行卷积求和、添加偏移量经过激活函数之后输出的特征映射图作为下一层神经元模型的输入；每一层神经元模型的输出作为下一层神经元模型的输入；提取每一层输入的特征映射图的局部显著特征并存储。2.如权利要求1所述的基于大数据的深度学习方法，其特征在于，所述深度学习模型采用稀疏链接。3.如权利要求1所述的基于大数据的深度学习方法，其特征在于，每一层所述神经元模型采用相同的卷积操作。4.如权利要求1至3任一项所述的基于大数据的深度学习方法，其特征在于，在提取每一层输入的特征映...

【专利技术属性】
技术研发人员：代强，
申请(专利权)人：南京中蓝数智信息技术有限公司，
类型：发明
国别省市：江苏,32