【技术实现步骤摘要】
神经网络生成方法及装置、电子设备和存储介质
本公开涉及计算机
，尤其涉及一种神经网络生成方法及装置、电子设备和存储介质。
技术介绍
图像分类在生产和生活中的不同领域有着广泛的应用，例如零售商品识别、工业缺陷识别、监控场景下车辆类型识别、市政监控等。然而，随着应用场景的不同，采用的图像分类方法往往可能会随之发生变化。如何快速便捷地确定与应用场景相适应的图像分类方法，成为目前一个亟待解决的问题。
技术实现思路
本公开提出了一种神经网络生成的技术方案。根据本公开的一方面，提供了一种神经网络生成方法，包括：响应于针对目标神经网络的网络设置操作，根据被选中的神经网络进行网络设置，得到所述目标神经网络；响应于针对所述目标神经网络的训练操作，基于预设的训练数据集以及被选中的训练方式训练所述目标神经网络，得到训练后的目标神经网络；响应于针对所述训练后的目标神经网络的测评操作，根据预设的测试数据集，确定所述训练后的目标神经网络的图像分类效果；在所述图像分类效果达到目标分类标准的情况下，将训练后的目标神...
【技术保护点】
1.一种神经网络生成方法，其特征在于，所述方法包括：/n响应于针对目标神经网络的网络设置操作，根据被选中的神经网络进行网络设置，得到所述目标神经网络；/n响应于针对所述目标神经网络的训练操作，基于预设的训练数据集以及被选中的训练方式训练所述目标神经网络，得到训练后的目标神经网络；/n响应于针对所述训练后的目标神经网络的测评操作，根据预设的测试数据集，确定所述训练后的目标神经网络的图像分类效果；/n在所述图像分类效果达到目标分类标准的情况下，将训练后的目标神经网络作为最终的目标神经网络。/n
【技术特征摘要】
1.一种神经网络生成方法，其特征在于，所述方法包括：
响应于针对目标神经网络的网络设置操作，根据被选中的神经网络进行网络设置，得到所述目标神经网络；
响应于针对所述目标神经网络的训练操作，基于预设的训练数据集以及被选中的训练方式训练所述目标神经网络，得到训练后的目标神经网络；
响应于针对所述训练后的目标神经网络的测评操作，根据预设的测试数据集，确定所述训练后的目标神经网络的图像分类效果；
在所述图像分类效果达到目标分类标准的情况下，将训练后的目标神经网络作为最终的目标神经网络。
2.根据权利要求1所述的方法，其特征在于，所述训练方式包括损失函数、优化器以及学习率调整方式中的一种或多种；
所述基于预设的训练数据集以及被选中的训练方式训练所述目标神经网络，包括：
基于被选中的损失函数，确定所述目标神经网络的输出结果与所述预设的训练数据集中标注信息的差异，并基于所述差异确定所述目标神经网络在前向计算过程中产生的损失值；
基于被选中的优化器，确定所述目标神经网络在反向传播过程中的梯度更新方式，并结合所述损失值，得到所述目标神经网络中对应的参数的梯度；
基于被选中的学习率调整方式，对所述梯度的幅值进行调整，并根据所述梯度的幅值的调整值，对所述目标神经网络中对应的参数进行更新。
3.根据权利要求1或2所述的方法，其特征在于，所述基于预设的训练数据集以及被选中的训练方式训练所述目标神经网络，包括：
将所述目标神经网络中至少部分网络层作为目标网络层，将所述目标网络层的参数存储为第一预设精度；
将所述目标神经网络中，除所述目标网络层以外的至少部分网络层的参数存储为第二预设精度；
根据预设的训练数据集，通过被选中的训练方式，训练包括所述第一预设精度的参数和所述第二预设精度的参数的目标神经网络。
4.根据权利要求1至3中任意一项所述的方法，其特征在于，所述基于预设的训练数据集以及被选中的训练方式训练所述目标神经网络，包括：
通过对所述目标神经网络中的至少一个参数进行滑动平均处理，得到至少一个伴随参数；
根据预设的训练数据集，通过被选中的训练方式训练所述目标神经网络，对所述至少一个参数以及所述至少一个伴随参数进行更新；
将更新后的至少一个参数或更新后的至少一个伴随参数，作为所述训练后的目标神经网络的参数。
5.根据权利要求1至4中任意一项所述的方法，其特征在于，所述基于预设的训练数据集以及被选中的训练方式训练所述目标神经网络，包括：
将所述训练数据集拆分为多个子训练数据集；
基于所述多个子训练数据集，对多个具有相同初始参数的目标神经网络进行并行训练，得到多个误差损失；
对所述多个误差损失进行平均处理得到平均误差损失，基于所述平均误差损失对具有相同初始参数...
【专利技术属性】
技术研发人员：袁坤，李全全，崔磊，
申请(专利权)人：深圳市商汤科技有限公司，
类型：发明
国别省市：广东;44
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。