一种基于忆阻器的三维卷积神经网络实现方法技术

本发明专利技术公开了一种基于忆阻器的三维卷积神经网络实现方法，包括制备由第一卷积+池化层、第二卷积+池化层与全连接层构成的待训练三维卷积神经网络，并输入原始视频信息，得到全连接层输出值；根据待训练三维卷积神经网络的全连接层输出值与标准信息的偏差，利用反向传播函数对待训练三维卷积神经网络进行训练；当达到设定的训练次数时，判定训练精度是否达标，若不达标则进行再次训练，直至精度达标；获得所需三维卷积神经网络等步骤。其显著效果是：在硬件上减少了对精度和制备难度、时间的影响；便于硬件搭建实现，同时首次将基于忆阻器实现的神经网络可以处理的信息难度提升到视频级别。

【技术实现步骤摘要】
一种基于忆阻器的三维卷积神经网络实现方法
本专利技术涉及到人工智能与材料科学
，具体地说，是一种基于忆阻器的三维卷积神经网络实现方法。
技术介绍
忆阻器是一种具有电阻的量纲，作为继表示电压与电流关系的电阻器，表示电荷和电压关系的电容器，表示磁通与电流关系的电感器的第四种基本元件，它是一种表示磁通与电荷关系的电路器件(dρ＝Mdq)。忆阻器的阻值会伴随流经忆阻器的电流量变化，即使电流停止，其阻值依旧停在电流停止之前的值，除非在让电流再次流经忆阻器。对于忆阻器而言，若让电流以正向流过，忆阻器阻值会变大；让电流以反向流动，忆阻器阻值会变低，即其阻值由流经它的电荷所决定。忆阻器具有记忆电荷的作用，这表现在流经它的电荷量往往通过测定一个忆阻器的阻值来进行推导计算。由于忆阻器类突触的特性，将神经网络计算与忆阻器相结合，可以使负责数据存储和处理的单元融合在一起，大幅提升数据传输和处理的并行度，因此在人工智能中扮演了十分重要的角色。神经网络自身种类多样，应用范围十分广泛，在图像处理、模式识别、分类、数据压缩、视频识别等方面均可以被应用。其中，在二维卷积网络的基础上，一种可以对视频进行处理的三维本文档来自技高网...

【技术保护点】
1.一种基于忆阻器的三维卷积神经网络实现方法，其特征在于包括以下步骤：步骤1：基于基础忆阻器阵列，制备由第一卷积+池化层、第二卷积+池化层与全连接层构成的待训练三维卷积神经网络，并输入原始视频信息，得到全连接层输出值；步骤2：根据待训练三维卷积神经网络的全连接层输出值与标准信息的偏差，利用反向传播函数对待训练三维卷积神经网络进行训练；步骤3：当达到设定的训练次数时，判定训练精度是否达标，若不达标则进行再次训练，直至精度达标；步骤4：获得所需三维卷积神经网络。

【技术特征摘要】
1.一种基于忆阻器的三维卷积神经网络实现方法，其特征在于包括以下步骤：步骤1：基于基础忆阻器阵列，制备由第一卷积+池化层、第二卷积+池化层与全连接层构成的待训练三维卷积神经网络，并输入原始视频信息，得到全连接层输出值；步骤2：根据待训练三维卷积神经网络的全连接层输出值与标准信息的偏差，利用反向传播函数对待训练三维卷积神经网络进行训练；步骤3：当达到设定的训练次数时，判定训练精度是否达标，若不达标则进行再次训练，直至精度达标；步骤4：获得所需三维卷积神经网络。2.根据权利要求1所述的基于忆阻器的三维卷积神经网络实现方法，其特征在于：所述待训练三维卷积神经网络的制备过程如下：步骤1.1：采用基础忆阻器阵列制备第一卷积+池化层忆阻器阵列，并输入原始视频信息，得到第一卷积+池化层输出值；步骤1.2：采用基础忆阻器阵列制备第二卷积+池化层忆阻器阵列，并输入经所述第一卷积+池化层忆阻器阵列处理后的视频信息，得到第二卷积+池化层输出值；步骤1.3：采用基础忆阻器阵列制备全连接层忆阻器阵列，输入经所述第二卷积+池化层忆阻器阵列处理后的视频信息，得到待训练忆...

【专利技术属性】
技术研发人员：李正浩，刘佳琪，唐永亮，李靖禾，
申请(专利权)人：重庆因普乐科技有限公司，
类型：发明
国别省市：重庆,50