【技术实现步骤摘要】
本专利技术属于深度自学习网络模型的可解释领域，特别是涉及一种解释卷积神经网络模型分类依据的符号化执行方法。
技术介绍
1、随着计算机硬件设备性能的不断提升和计算方式的持续创新，卷积神经网络作为一种卓越的具有自学习特征的网络结构已经被广泛应用于图像智能分类领域。然而，一个训练得到卷积神经网络模型往往是一个复杂度较高的非线性系统，表现为：经过训练得到的网络模型隐含的计算语义关系也即所承载的分类知识常常难以被理解并被清楚的解释，卷积神经网络模型也因此被称为一个黑盒系统。由于卷积神经网络的黑盒属性，基于卷积神经网络开发的智能系统目前被公认为是不可信。一种有效的提高卷积神经网络模型可信度的方法是对网络模型的运算机理进行解释，通过解释使得网络模型承载的分类知识得以清晰的呈现并可被推理。
2、现有解释性方法可被划分为两类：一类是基于样本驱动的解释性方法，另一类是基于参数分析的解释性方法。基于样本驱动的解释性方法包含的方法有：多模态语义解释性方法、线性模型近似解释性方法、样本扰动解释性方法。此类方法的核心思想为：首先，构造一组带有语义标注信...
【技术保护点】
1.一种解释卷积神经网络模型分类依据的符号化执行方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的解释卷积神经网络模型分类依据的符号化执行方法，其特征在于，
3.根据权利要求1所述的解释卷积神经网络模型分类依据的符号化执行方法，其特征在于，
4.根据权利要求3所述的解释卷积神经网络模型分类依据的符号化执行方法，其特征在于，
5.根据权利要求1所述的解释卷积神经网络模型分类依据的符号化执行方法，其特征在于，
6.根据权利要求1所述的解释卷积神经网络模型分类依据的符号化执行方法，其特征在于，
...
【技术特征摘要】
1.一种解释卷积神经网络模型分类依据的符号化执行方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的解释卷积神经网络模型分类依据的符号化执行方法，其特征在于，
3.根据权利要求1所述的解释卷积神经网络模型分类依据的符号化执行方法，其特征在于，
4.根据权利要求3所述的解释卷积神经网络模型分类依据的...
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。