一种基于图像的模型融合的神经网络结构训练方法技术

本发明专利技术涉及一种改进的模型融合的神经网络结构训练方法，采集图像，形成数据集，根据图像特征确定原始神经网络结构；将数据集划分为若干个子集，并且改变原始神经网络结构，得到若干个模型，使得到的模型个数与子集个数相同；采用划分后的子集分别训练对应的模型，得到每个模型的表现值；计算每个模型的表现系数，并根据表现系数输出数据集训练结果。本发明专利技术提供了简化训练神经网络难度的新思路，综合加入物理学动量的设计方法的优势，可大幅减小训练时间，加速目标函数收敛速度，更容易获得目标函数全局最优解。同时提高泛化性能。

【技术实现步骤摘要】
一种基于图像的模型融合的神经网络结构训练方法
本专利技术涉及一种深度学习中优化算法领域，具体地说是一种基于图像的模型融合的神经网络结构训练方法。
技术介绍
深度学习如今广泛应用与许多领域，比如机器视觉，人脸识别，语音识别，机器翻译等，达到了不错的应用效果。但是尽管我们使用这些算法训练的模型经历了变革，即简化了极深架构的训练。但是人们普遍认为深度网络是难以训练的。这是由于超参数较多，结构复杂等因素形成的。由于我们的活动越来越多发生在计算机上，我们做什么也越来越多地被记录。由于我们的计算机越来越多地联网在一起，这些记录变得更容易集中管理，并更容易将它们整理成适于机器学习应用的数据集。“大数据”时代最重要的新进展是，现在我们有了这些算法得以成功训练所需的资源。大的数据集和能够训练更深网络的技术，深度学习的普及性和实用性都有了极大的发展，使机器学习更加容易。因此为了更加容易训练深度学习的模型，我充分利用数据，将数据分成K个不同的子集我们就可以训练K个不同的模型，每个数据集的差异导致了训练模型之间的差异，增加我们再测试集上的泛化性能，减少测试误差。在每个模型的目标函数的优化中采用动量的随机梯度本文档来自技高网...

【技术保护点】
1.一种改进的模型融合的神经网络结构训练方法，其特征在于：包括以下步骤：步骤1：采集图像，形成数据集，根据图像特征确定原始神经网络结构；步骤2：将数据集划分为若干个子集，并且改变原始神经网络结构，得到若干个模型，使得到的模型个数与子集个数相同；步骤3：采用划分后的子集分别训练对应的模型，得到每个模型的表现值；步骤4：计算每个模型的表现系数，并根据表现系数输出数据集训练结果。

【技术特征摘要】
1.一种改进的模型融合的神经网络结构训练方法，其特征在于：包括以下步骤：步骤1：采集图像，形成数据集，根据图像特征确定原始神经网络结构；步骤2：将数据集划分为若干个子集，并且改变原始神经网络结构，得到若干个模型，使得到的模型个数与子集个数相同；步骤3：采用划分后的子集分别训练对应的模型，得到每个模型的表现值；步骤4：计算每个模型的表现系数，并根据表现系数输出数据集训练结果。2.根据权利要求1所述的改进的模型融合的神经网络结构训练方法，其特征在于：所述图像特征包括：图像的长度、宽度和格式。3.根据权利要求1所述的改进的模型融合的神经网络结构训练方法，其特征在于：所述改变原始神经网络结构包括改变原始神经网络结构中的...

【专利技术属性】
技术研发人员：张伟，刘英丽，黄昊，王康，何旭，高升，
申请(专利权)人：中国科学院沈阳自动化研究所，
类型：发明
国别省市：辽宁,21