神经网络的训练方法、装置及计算机存储介质制造方法及图纸

本发明专利技术提出一种神经网络的训练方法，包括：获取神经网络的每一节点与上一层连接的各个节点间的权重值；使用演化式计算整合权重值和对应的每一节点的输入值，动态生成每一节点的输出值；修正神经网络的节点间的权重值；根据修正后的权重值结合节点的输出值迭代得到后一层节点的输出值；输出训练后的神经网络。本发明专利技术还对应提供了神经网络的训练装置及计算机存储介质。本发明专利技术提供的神经网络训练方法，使用演化式计算来动态产生神经元函数，可以依据给定的数据来产生适应给定数据的神经元函数。进一步地，采用本发明专利技术的神经网络的训练方法，可以使神经网络较好的适应数据，得到较高的准确率。

Training method, device and computer storage medium of neural network

【技术实现步骤摘要】
神经网络的训练方法、装置及计算机存储介质
本专利技术涉及一种信息
，特别是一种神经网络的训练方法、装置及计算机存储介质。
技术介绍
传统的类神经网络使用的神经元激活函数是固定的，透过梯度下降等训练方法，来调整每层类神经网络的权重。上述神经网络的训练方法无法适用不同的数据，得到的数据准确率较低。
技术实现思路
鉴于上述状况，有必要提供一种神经网络的训练方法、装置及计算机存储介质，用于适应不同的数据，以解决上述问题。本专利技术第一方面提供了一种神经网络的训练方法，所述训练方法包括如下步骤：获取所述神经网络的每一节点与上一层连接的各个节点间的权重值；使用演化式计算整合所述权重值和对应的每一节点的输入值，动态生成所述每一节点的输出值，其中，所述神经网络的后一层的节点的输入值取自前一层的节点的输出值；修正所述神经网络的所述节点间的所述权重值；根据修正后的所述权重值结合所述节点的输出值迭代得到后一层所述节点的输出值；输出训练后的神经网络。本专利技术第二方面提供了一种神经网络的训练装置，所述训练装置包括：显示单元，用本文档来自技高网...

【技术保护点】
1.一种神经网络的训练方法，其特征在于，所述训练方法包括如下步骤：/n获取所述神经网络的每一节点与上一层连接的各个节点间的权重值；/n使用演化式计算整合所述权重值和对应的每一节点的输入值，动态生成所述每一节点的输出值，其中，所述神经网络的后一层的节点的输入值取自前一层的节点的输出值；/n修正所述神经网络的所述节点间的所述权重值；/n根据修正后的所述权重值结合所述节点的输出值迭代得到后一层所述节点的输出值；/n输出训练后的神经网络。/n

【技术特征摘要】
1.一种神经网络的训练方法，其特征在于，所述训练方法包括如下步骤：
获取所述神经网络的每一节点与上一层连接的各个节点间的权重值；
使用演化式计算整合所述权重值和对应的每一节点的输入值，动态生成所述每一节点的输出值，其中，所述神经网络的后一层的节点的输入值取自前一层的节点的输出值；
修正所述神经网络的所述节点间的所述权重值；
根据修正后的所述权重值结合所述节点的输出值迭代得到后一层所述节点的输出值；
输出训练后的神经网络。


2.如权利要求1所述的神经网络的训练方法，其特征在于：
所述演化式计算整合采用的函数为其中，所述神经网络设有N个节点互连，j＝1,2,3…N-1，i＝j+1，aj表示所述前一层节点产生值，ωji表示前一个节点j对后一个节点i的权重值，ai表示所述后一层节点产生值。


3.如权利要求1所述的神经网络的训练方法，其特征在于：
所述演化式计算整合至少经过两次迭代计算，若迭代次数满足条件或结果达到收敛条件，得到所述训练后的神经网络；若未达到收敛条件，进入下一轮的迭代。


4.如权利要求1所述的神经网络的训练方法，其特征在于：所述修正所述神经网络的所述节点间的所述权重值步骤包括：综合各个节点的输出值获得所述节点间的修正后的权重值。


5.如权利要求4所述的神经网络的训练方法，其特征在于：
所述综合各个节点的输出值获得所述节点间的修正后的权重值包括：
使用梯度下降法修正所述权重值；
根据修正后的权重值的调整量决定是否进行再次迭代。


6.一种神经网络的训练装置，其特征在于，所述训练装置包括：
显示单元，用于显示所述神经网络结构；
处理...

【专利技术属性】
技术研发人员：林忠亿，陈怡桦，郭锦斌，
申请(专利权)人：富泰华工业深圳有限公司，鸿海精密工业股份有限公司，
类型：发明
国别省市：广东;44