通过更改神经网络参数来精确汇总制造技术

提供了一种计算机实现的方法，所述计算机实现的方法用于减少用于基于机器学习的分类器的汇总的训练开销。所述方法包括：由处理器训练来自所述汇总中的给定的基于机器学习的分类器，以获得训练的分类器。所述方法还包括：由所述处理器转储用于训练所述训练的分类器的参数，以获得转储的参数。所述方法还包括：由所述处理器记录所述转储的参数中的每个转储的参数的变化率。所述方法附加地包括：由所述处理器通过针对由所述训练的分类器的每个局部预测来计算所述转储的参数加上变化率乘以随机数，来从所述汇总中的至少一个其他基于机器学习的分类器中创建新的分类器，而不需要训练。

【技术实现步骤摘要】
通过更改神经网络参数来精确汇总
技术介绍
本专利技术总体上涉及机器学习，并且更具体地涉及通过更改神经网络参数来精确汇总。在预测每个输入的类别标签的基于机器学习的分类任务中，通常使用汇总技术来获得更好的精确度。使用汇总方法，通过对多个局部预测进行汇总(例如求平均)来获得最终的分类结果；局部预测基于不同的分类器或基于略微修改(例如使用裁剪或翻转)的输入图像。因此，总的来说，更精确和独立的局部预测通过对它们进行汇总来得到更好的最终结果。通过从头开始独立训练多个分类器，可以获得独立的分类器。但是，同样会导致训练多个分类器的开销。因此，需要一种低开销的方案来训练用于汇总的多个分类器。
技术实现思路
根据本专利技术的一方面，提供了一种计算机实现的方法，所述方法用于减少针对基于机器学习的分类器的汇总的训练开销。所述方法包括由处理器训练来自汇总中的给定的基于机器学习的分类器，以获得训练的分类器。该方法还包括由处理器转储用于训练所述训练的分类器的参数以获得转储的参数。该方法还包括由处理器记录转储的参数中的而每个的变化率。所述方法还包括：由处理器通过针对由训本文档来自技高网...

【技术保护点】
1.一种计算机实现的方法，所述方法用于减少针对基于机器学习的分类器的汇总的训练开销，所述方法包括：/n由处理器训练来自所述汇总中的给定的基于机器学习的分类器，以获得训练的分类器；/n由所述处理器转储被用于训练所述训练的分类器的参数，以获得转储的参数；/n由所述处理器记录所述转储的参数中的每个转储的参数的变化率；以及/n由所述处理器通过针对由所述训练的分类器的每个局部预测来计算所述转储的参数加上变化率乘以随机数，来从所述汇总中的至少一个其他基于机器学习的分类器创建新分类器，而不需要训练。/n

【技术特征摘要】
20190515 US 16/412,9061.一种计算机实现的方法，所述方法用于减少针对基于机器学习的分类器的汇总的训练开销，所述方法包括：
由处理器训练来自所述汇总中的给定的基于机器学习的分类器，以获得训练的分类器；
由所述处理器转储被用于训练所述训练的分类器的参数，以获得转储的参数；
由所述处理器记录所述转储的参数中的每个转储的参数的变化率；以及
由所述处理器通过针对由所述训练的分类器的每个局部预测来计算所述转储的参数加上变化率乘以随机数，来从所述汇总中的至少一个其他基于机器学习的分类器创建新分类器，而不需要训练。


2.根据权利要求1所述的计算机实现的方法，其中用于训练所训练的分类器的所述转储的参数是所述给定的基于机器学习的分类器中的连接权重。


3.根据权利要求1所述的计算机实现的方法，其中记录步骤是响应于转储步骤而被执行的。


4.根据权利要求1所述的计算机实现的方法，其中所述新分类器在缺少训练所述新分类器时被创建用于推断使用。


5.根据权利要求1所述的计算机实现的方法，其中创建步骤基于所记录的所述变化率来对所述转储的参数进行更改，以避免由所述新分类器的预测精确度降低。


6.根据权利要求1所述的计算机实现的方法，其中所述随机数取自有限范围的随机数。


7.根据权利要求1所述的计算机实现的方法，其中所述变化率是从最终训练时期的开始时间到结束时间。


8.根据权利要求1所述的计算机实现方...

【专利技术属性】
技术研发人员：井上拓，
申请(专利权)人：国际商业机器公司，
类型：发明
国别省市：美国;US