[发明专利]一种基于反向传播的深度学习方法

权利要求书

1.一种基于反向传播的深度学习方法，其特征在于，包括以下步骤：

S1：准备训练集，其中，以自然图像公共数据集作为所述训练集；

S2：将所述训练集输入到卷积神经网络，得到网络输出；

S3：计算所述网络输出和所述训练集中的真值之间的距离，得到交叉熵目标函数；

S4：根据所述交叉熵目标函数判断步骤S2的所述网络输出的准确率是否提升，如果是，则执行步骤S5，如果否，则结束训练；

S5：采用正弦指数学习速率来对所述卷积神经网络的权值进行更新，并将更新后的该权值输入到步骤S2的所述卷积神经网络中，然后重复步骤S2至S4，由此加速网络训练；

步骤S5中的正弦指数学习速率为：

式中，lr₀表示初始的学习速率，t表示训练网络时的迭代次数，α为衰减系数，β为振荡系数，T表示训练集在网络中训练一次所需的迭代次数。

2.根据权利要求1所述的深度学习方法，其特征在于，步骤S1中包括：对自然图像公共数据集进行增强处理，得到增强后的数据集作为训练集。

3.根据权利要求2所述的深度学习方法，其特征在于，步骤S1中的对自然图像公共数据集进行增强处理具体选自以下处理方式：旋转图像、剪切图像、缩放图像、对比度变换、改变图像尺寸、对图像加噪音。

4.根据权利要求3所述的深度学习方法，其特征在于，其中对比度变换具体包括：在图像的HSV颜色空间，保持色调H不变，对每个像素的饱和度S和亮度V分量进行指数运算，其中指数因子在0.25～4之间。

5.根据权利要求2所述的深度学习方法，其特征在于，步骤S1中还包括采用图像差值方法将增强后的数据集统一到224×224的尺寸作为训练集。

6.根据权利要求1所述的深度学习方法，其特征在于，步骤S2中的卷积神经网络中具体选择宽度残差网络作为学习的模型。