[发明专利]期望与反期望深度学习方法和神经网络系统

权利要求书

1.一种期望与反期望深度学习方法，其特征在于，包括以下步骤：

获取训练数据中的输出数据的期望标签和反期望标签；其中，所述反期望标签是与所述期望标签的属性相反的标签，所述训练数据中的输入数据为图像数据，所述期望标签为第一图像类别，所述反期望标签为第二图像类别；

初始化与期望标签对应的深度学习神经网络，得到期望深度学习神经网络，初始化与反期望标签对应的深度学习神经网络，得到反期望深度学习神经网络；

通过训练数据中的输入数据分别对期望深度学习神经网络和反期望深度学习神经网络进行无监督训练；

从训练数据中获取与期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对期望深度学习神经网络进行有监督训练，并从训练数据中获取与期望标签及反期望标签都不一致的输出标签对应的输入数据，将该输入数据作为输入，将0作为预期输出，对期望深度学习神经网络进行有监督训练；

从训练数据中获取与反期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对反期望深度学习神经网络进行有监督训练，并从训练数据中获取与期望标签及反期望标签都不一致的输出标签对应的输入数据，将该输入数据作为输入，将0作为预期输出，对反期望深度学习神经网络进行有监督训练；

得到已训练的期望深度学习神经网络和反期望深度学习神经网络，所述已训练的期望深度学习神经网络用于预测图像数据属于第一图像类别的概率，所述已训练的反期望深度学习神经网络用于预测图像数据属于第二图像类别的概率。

2.根据权利要求1所述的期望与反期望深度学习方法，其特征在于，从训练数据中获取与期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对期望深度学习神经网络进行有监督训练的步骤之后还包括：

将所述训练数据中与期望标签一致的输出标签对应的输入数据作为第一输入数据；

从每一第一输入数据中筛选出第一预设比例的数据，得到对应的每一第二输入数据；

将每一第二输入数据作为输入，将对应的第一预设比例作为预期输出，对期望深度学习神经网络进行有监督训练。

3.根据权利要求1所述的期望与反期望深度学习方法，其特征在于，从训练数据中获取与反期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对反期望深度学习神经网络进行有监督训练的步骤之后还包括：

将所述训练数据中与反期望标签一致的输出标签对应的输入数据作为第三输入数据；

从每一第三输入数据中筛选出第二预设比例的数据，得到对应的每一第四输入数据；

将每一第四输入数据作为输入，将对应的第二预设比例作为预期输出，对反期望深度学习神经网络进行有监督训练。

4.根据权利要求1所述的期望与反期望深度学习方法，其特征在于，在分别对所述期望深度学习神经网络和反期望深度学习神经网络进行训练之后，还包括以下步骤：

计算输入数据对应的输出属于期望标签的可信度及输入数据对应的输出属于反期望标签的可信度。

5.根据权利要求4所述的期望与反期望深度学习方法，其特征在于，计算输入数据对应的输出属于期望标签的可信度及输入数据对应的输出属于反期望标签的可信度的步骤包括：

将输入数据输入期望深度学习神经网络，得到期望深度学习神经网络的输出数据；

将输入数据输入反期望深度学习神经网络，得到反期望深度学习神经网络的输出数据；

根据期望深度学习神经网络的输出数据与反期望深度学习神经网络的输出数据得到输入数据对应的输出属于期望标签的可信度及输入数据对应的输出属于反期望标签的可信度。