【技术实现步骤摘要】
光学衍射神经网络在线训练方法及系统
本专利技术涉及光电计算和机器学习
，特别涉及一种基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法及系统。
技术介绍
机器学习在语音和图像的分类、识别和检测等领域取得了巨大进展。目前主流的机器学习平台都是基于电子计算元件，由于电子芯片的制程逐渐逼近其极限，其能量效率难以继续增长。此外，以电子芯片为基础的深度学习技术还面临训练时间长、计算体系架构受限等瓶颈。针对电子深度学习的诸多短板，世界各国研究人员开始研究下一代机器学习的实现方式。近年，一种光学衍射神经网络被提出，其通过对光束相位和/或幅度的多层调制实现如图像分类等语义计算。但是，该光学衍射神经网络实现前需要通过电子计算机建模，这种离线训练的方法限制了光学衍射神经网络的训练速度以及应用场景。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术中存在上述缺陷，提供一种训练速度快并且应用场景广的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法及系统。根据本专利技术，提供了一种基...
【技术保护点】
1.一种基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法，其特征在于包括：前向传播步骤、损失场计算步骤、后向传播步骤和梯度计算与更新步骤；/n其中，在前向传播步骤中，输入光通过一系列调相器到达成像面，同时记录每一个调相器面以及成像面的光场分布；/n在损失场计算步骤中，计算像面光场的强度和标准值的误差，依据该误差对像面相位共轭原理光场进行调制，计算获得损失光场；/n在反向传播步骤中，利用复数场生成模块生成损失光场，并将损失光场反向传播，在逐个调相器共轭面记录得到的伴随光场；/n在梯度计算与更新步骤中，根据前向传播步骤记录的调相器面光场以及反向传播步骤中记录的伴随光场...
【技术特征摘要】
1.一种基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法，其特征在于包括：前向传播步骤、损失场计算步骤、后向传播步骤和梯度计算与更新步骤；
其中，在前向传播步骤中，输入光通过一系列调相器到达成像面，同时记录每一个调相器面以及成像面的光场分布；
在损失场计算步骤中，计算像面光场的强度和标准值的误差，依据该误差对像面相位共轭原理光场进行调制，计算获得损失光场；
在反向传播步骤中，利用复数场生成模块生成损失光场，并将损失光场反向传播，在逐个调相器共轭面记录得到的伴随光场；
在梯度计算与更新步骤中，根据前向传播步骤记录的调相器面光场以及反向传播步骤中记录的伴随光场，计算调相器每一个像素的梯度，并据此梯度进行梯度下降，迭代至收敛。
2.一种基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，用于执行根据权利要求1所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练方法，其特征在于所述光学衍射神经网络在线训练系统包括：单层在线训练模块、图像采集模块、复数场生成模块、激光光源模块以及电子计算模块；其中单层训练模块与图像采集模块、激光光源模块、电子计算模块四者协同完成前向传播步骤；基于前向传播的结果，电子计算模块完成损失场计算步骤；之后单层训练模块与复数场生成模块、激光光源模块、电子计算模块四者协同完成反向传播步骤；最后电子计算模块完成梯度计算与更新步骤。
3.根据权利要求2所述的基于光学互易性与相位共轭原理的光学衍射神经网络在线训练系统，其特征在于，单层在线训练模块为光学神经网络在线训练的基本单元，用于前向传播和反向传播；输出采集模块用于记录前向传播中的输出光场；复数场生成模块用于生成反向传播所需的损失光场；激光光源模块用于提供前向传播中的输入光，以及生成前向传播和反向传播过程中相移全息技术中的参考光；电子计算模块用于损失场计算以及梯度计...
【专利技术属性】
技术研发人员：林星，周天贶，方璐，肖红江，
申请(专利权)人：北京超放信息技术有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。