基于生成样本的深度学习方法和机器人系统技术方案

基于生成样本的深度学习方法和机器人系统，包括：生成多个第一样本；根据所述第一样本对所述深度学习模型进行无监督训练；从多个所述第一样本中筛选出多个符合第一预设条件的所述第一样本，作为多个第二样本；根据所述第二样本对所述深度学习模型进行有监督训练；获取多个用于训练的真实样本对所述深度学习模型进行无监督训练和有监督训练。上述方法和系统通过样本自动生成，结合真实样本，极大提高了深度学习的适用范围，提高了深度学习模型的通用性，实现了只有少量样本甚至无样本的情况下对深度学习模型的有效训练和使用，提高了深度学习模型的通用性，同时也通过自动生成样本来增加样本量，提高了深度学习模型的准确度。

【技术实现步骤摘要】
基于生成样本的深度学习方法和机器人系统
本专利技术涉及信息
，特别是涉及一种基于生成样本的深度学习方法和机器人系统。
技术介绍
知识库是人工智能中的重要技术之一，知识库可以辅助人类进行决策。辨证法分为思辨阶段、实证阶段、思辨和实证的统一阶段。实证阶段是对思辨阶段的结果进行检验。思辨和实证的统一阶段其实就是对经过实证阶段检验和筛选的思辨阶段的成果进行实践的阶段。教学法中的常用教学阶段包括自学阶段、教学阶段、考试阶段。在实现本专利技术过程中，专利技术人发现现有技术中至少存在如下问题：现有深度学习模型只是通过已有样本去学习，而没有把深度学习模型当成人一样去教育，现有深度学习模型不具备自学的功能，也缺乏辩证哲学思想，从而使得深度学习模型缺乏类似人的主观能动性和客观辩证性。现有深度学习技术主要依赖于训练的样本，需要有大量的样本才能使得深度学习模型有效，但现实中在有些情况下样本是很难采集到符合深度学习要求的数量，例如战争样本、地震样本等等这些需要在特定时期或需要付出特别大的代价才会发生的事件的样本，这些情况下，深度学习就无法发挥作用了。以作战深度学习模型为例，已有作战机器人只是将事先编写好本文档来自技高网...

【技术保护点】
1.一种深度学习方法，其特征在于，所述方法包括：样本生成步骤：生成多个第一样本；模型初始化步骤：初始化深度学习模型，作为深度学习模型；生成样本无监督学习步骤：使用所述第一样本对所述深度学习模型进行无监督训练；样本筛选步骤：从多个所述第一样本中筛选出多个符合第一预设条件的所述第一样本，作为多个第二样本；生成样本有监督学习步骤：使用所述第二样本对所述深度学习模型进行有监督训练。

【技术特征摘要】
1.一种深度学习方法，其特征在于，所述方法包括：样本生成步骤：生成多个第一样本；模型初始化步骤：初始化深度学习模型，作为深度学习模型；生成样本无监督学习步骤：使用所述第一样本对所述深度学习模型进行无监督训练；样本筛选步骤：从多个所述第一样本中筛选出多个符合第一预设条件的所述第一样本，作为多个第二样本；生成样本有监督学习步骤：使用所述第二样本对所述深度学习模型进行有监督训练。2.根据权利要求1所述的深度学习方法，其特征在于，所述样本生成步骤具体包括：根据预设知识库生成多个所述第一样本；所述样本筛选步骤具体包括：判断所述第一样本的输出是否与预期输出一致：是，则将所述第一样本作为第二样本。3.根据权利要求1或2所述的深度学习方法，其特征在于，所述生成样本有监督学习步骤之后还包括：真实样本无监督学习步骤：获取多个用于训练的真实样本，对所述深度学习模型进行无监督训练；真实样本有监督学习步骤：筛选出符合第二预设条件的多个用于训练的真实样本，对所述深度学习模型进行有监督训练。4.根据权利要求3所述的深度学习方法，其特征在于，所述真实样本有监督学习步骤之后还包括：模型验证步骤：筛选出输出与预期输出一致的多个用于测试的真实样本对所述深度学习模型进行验证；验证判断步骤：判断所述验证是否通过：是，则所述深度学习模型通过验证，使用所述用于测试的真实样本对所述深度学习模型进行无监督训练和有监督训练；否，则转到样本生成步骤继续执行。5.根据权利要求4所述的深度学习方法，其特征在于，所述验证判断步骤之后还包括：输出生成步骤：获取输入数据作为所述深度学习模型的输入，计算得到所述深度学习模型的输出；模型优化步骤：判断所述输出是否与预期输出一致：否，则回到样本生成步骤...

【专利技术属性】
技术研发人员：朱定局，
申请(专利权)人：大国创新智能科技东莞有限公司，
类型：发明
国别省市：广东,44