[发明专利]基于本地训练的深度学习系统和方法

说明书

本发明提供基于本地训练的深度学习系统和方法，包括采集单元、逻辑控制单元、本地训练单元和识别单元；采集单元将采集到的原始信号发送给逻辑控制单元；逻辑控制单元用于将原始信号发送给本地训练单元，接收本地训练单元发送的权值参数，将权值参数、原始信号和初始化信息发送给识别单元；本地训练单元用于根据原始信号得到本地训练样本，对本地训练样本进行前向传播过程和反向传播过程得到权值参数，将其发送给逻辑控制单元；识别单元用于根据权值参数和原始信号进行前向传播过程得到特征向量，根据特征向量得到判定结果，最终将判定结果发送给逻辑控制单元。本发明实现了在本地完成训练过程，不依赖于网络，随时随地，方便小巧，通用性强。

技术领域

本发明涉及神经网络技术领域，尤其是涉及基于本地训练的深度学习系统和方法。

背景技术

传统的模式识别方法手工选取特征费时费力，需要启发式专业知识，很大程度上靠经验和运气，而浅层学习的人工神经网络具有一定的局限性，比较容易过拟合，参数比较难调整，并且训练速度慢，在层次上比较少(小于等于3)的情况下效果并不显著。然而，目前已有的基于云端的训练方式需要借助于互联网，不能实时进行处理，通用性差。如何能更加灵活方便地对数据进行训练成为了亟待解决的问题

发明内容

有鉴于此，本发明的目的在于提供基于本地训练的深度学习系统和方法，实现了在本地完成训练过程，不依赖于网络，随时随地，方便小巧，通用性强。

第一方面，本发明实施例提供了一种基于本地训练的深度学习系统，包括：采集单元、逻辑控制单元、本地训练单元和识别单元；

所述采集单元，与所述逻辑控制单元相连接，用于采集原始信号，并将所述原始信号发送给所述逻辑控制单元；

所述逻辑控制单元，与所述本地训练单元通过通用接口相连接，用于将所述原始信号发送给所述本地训练单元，并接收所述本地训练单元发送的权值参数，将所述权值参数、所述原始信号和初始化信息发送给所述识别单元；

所述本地训练单元，用于根据所述原始信号得到本地训练样本，对所述本地训练样本进行前向传播过程和反向传播过程得到所述权值参数，并将所述权值参数发送给所述逻辑控制单元；

所述识别单元，与所述逻辑控制单元相连接，用于根据所述权值参数和所述原始信号进行前向传播过程得到特征向量，根据所述特征向量得到判定结果，并将所述判定结果发送给所述逻辑控制单元。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述本地训练单元包括前向传播电路和反向传播电路；

所述前向传播电路，用于对所述本地训练样本进行所述前向传播过程，其中，所述前向传播过程包括卷积计算、池化计算和全连接计算，并根据计算结果得到各层残差、各层权值参数，将所述各层残差、所述各层权值参数发送给所述反向传播电路；

所述反向传播电路，用于通过最小化所述残差调整所述权值参数以进行所述反向传播过程，并得到所述权值参数。

结合第一方面，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述本地训练单元与所述逻辑控制单元通过USB接口或Ethernet接口相连接。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述本地训练单元为现场可编程门阵列FPGA或图形处理器GPU。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述前向传播电路和反向传播电路均采用并行电路进行计算。

第二方面，本发明实施例提供了一种基于本地训练的深度学习方法，包括：

采集原始信号；

对所述原始信号进行本地训练，得到权值参数；