一种神经网络模型的训练方法技术

本发明专利技术涉及一种神经网络模型的训练方法，属于人工智能技术领域。一种神经网络模型的训练方法，设置云端服务器以及与所述云端服务器远程连接的用户端；所述训练方法具体包括：步骤S1，所述云端服务器采用第一训练数据集对所述神经网络模型进行训练；步骤S2，所述云端服务器判断所述神经网络模型测试的正确率：步骤S3，所述云端服务器将所述神经网络模型发送至所述用户端；步骤S4，所述用户端采用第二训练数据集继续对所述神经网络模型进行训练；步骤S5，所述用户端将所述神经网络模型保存为可用模型，以供后续使用；通过这种方式，神经网络模型可以在云端完成大部分的训练任务，提高了训练的效率，也节省了终端设备的存储空间。

【技术实现步骤摘要】
一种神经网络模型的训练方法
本专利技术涉及一种人工智能
，尤其涉及一种神经网络模型的训练方法。
技术介绍
随着人工智能在图象识别、声音识别等方面的应用及其较高的准确率，将人工智能技术应用于终端设备已经成为备受关注的方向，但是人工智能技术，尤其是神经网络模型的运行对于设备的性能和存储空间有较高要求，使其在终端设备的应用受限。神经网络模型一般分为两个过程，训练过程和推理过程，训练过程是利用建立好的神经网络模型以及收集到的数据集，对模型进行训练，之后在推理过程利用训练好的模型进行推理，使其能够进行图像或者声音的识别或分类。由于训练过程需要不断更新数据，即每次训练对于同一数据需要写入和读取至少一次，因此训练过程需要性能较高的处理器来对存储器进行读取和写入，而推理过程利用数据和训练好的模型进行计算，得出结果做出推理，只需读出数据，因此推理过程需要性能较高的处理器来对存储器进行读取。传统的应用方式使得推理过程和训练过程都在同一处理单元和存储单元中，这往往要求存储单元和处理单元之间的读写性能都很高，带来挑战。同时目前终端设备的神经网络模型的训练过程一般交给云处理器，云处理器利用云端的数据集完本文档来自技高网...

【技术保护点】
1.一种神经网络模型的训练方法，其特征在于，设置云端服务器以及与所述云端服务器远程连接的用户端；所述训练方法具体包括：步骤S1，所述云端服务器采用第一训练数据集对所述神经网络模型进行训练；步骤S2，所述云端服务器判断所述神经网络模型测试的正确率：若所述正确率大于一第一预设阈值，则转向步骤S3；若所述正确率不大于所述第一预设阈值，则返回所述步骤S1，以继续对所述神经网络模型进行训练；步骤S3，所述云端服务器将所述神经网络模型发送至所述用户端；步骤S4，所述用户端采用第二训练数据集继续对所述神经网络模型进行训练，直至所述神经网络模型的测试的正确率大于一第二预设阈值为止；步骤S5，所述用户端将所述神...

【技术特征摘要】
1.一种神经网络模型的训练方法，其特征在于，设置云端服务器以及与所述云端服务器远程连接的用户端；所述训练方法具体包括：步骤S1，所述云端服务器采用第一训练数据集对所述神经网络模型进行训练；步骤S2，所述云端服务器判断所述神经网络模型测试的正确率：若所述正确率大于一第一预设阈值，则转向步骤S3；若所述正确率不大于所述第一预设阈值，则返回所述步骤S1，以继续对所述神经网络模型进行训练；步骤S3，所述云端服务器将所述神经网络模型发送至所述用户端；步骤S4，所述用户端采用第二训练数据集继续对所述神经网络模型进行训练，直至所述神经网络模型的测试的正确率大于一第二预设阈值为止；步骤S5，所述用户端将所述神经网络模型保存为可用模型，以供后续使用；所述第二预设阈值大于所述第一预设阈值。2.如权利要求1所述的训练方法，其特征在于，所述用户端在使用所述可用模型过程中持续检测所述可用模型的推理的错误次数，并在所述错误次数超过一第三预设阈值时重新执行所述步骤S4至所述步骤S5。3.如权利要求1所述的训练方法，其特征在于，所述云端服务器分别远程连接多个所述用户端；所述云端服务器收集各个所述用户端上传的数据，作为所述第一训练数据集。4.如权利要求1所述的训练方法，其特征在于，所述用户端通过数据采集的方式形成所述第二训练数据集。5.一种神经网络模型的训练系统，其特征在于，包括云端服务器和用户端，所述云端服务器远程连接所述用户端；所述云端服务器包括：第一训练单元，用于采用第一训练...

【专利技术属性】
技术研发人员：景蔚亮，王海波，陈邦明，
申请(专利权)人：上海新储集成电路有限公司，
类型：发明
国别省市：上海,31