[发明专利]一种卷积神经网络模型的训练方法在审
| 申请号： | 201711265644.3 | 申请日： | 2017-12-05 |
| 公开（公告）号： | CN107909145A | 公开（公告）日： | 2018-04-13 |
| 发明（设计）人： | 王曦 | 申请（专利权）人： | 苏州天瞳威视电子科技有限公司 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08 |
| 代理公司： | 天津市尚文知识产权代理有限公司12222 | 代理人： | 张东浩 |
| 地址： | 215000 江苏省苏州市*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 一种 卷积 神经网络 模型 训练 方法 | ||
1.一种卷积神经网络模型的训练方法，其特征在于，所述方法包括：初始模型训练步骤和卷积神经网络模型训练步骤；
所述初始模型训练步骤包括：
初始模型获取训练图像样本；
根据所述训练图像样本进行预训练，生成预训练初始模型；
根据所述预训练初始模型生成初始权重；
所述卷积神经网络模型训练步骤包括：
将所述初始权重配置在初始卷积神经网络模型中，生成卷积神经网络模型；
所述卷积神经网络模型获取训练图像样本；
设置所述卷积神经网络模型中各层的训练学习率，根据所述训练图像样本逐层生成对应于所述卷积神经网络模型的初级微调权重，根据所述初级微调权重逐层生成所述卷积神经网络模型的初级训练权重值，并将所述初级训练权重值配置在所述卷积神经网络模型中；
将LOSS层逐层添加至所述卷积神经网络模型中，并根据所述训练图像样本生成LOSS误差值，根据所述LOSS误差值逐层生成对应于所述卷积神经网络模型中训练学习率的调整因子，根据所述调整因子逐层生成所述卷积神经网络模型的训练权重值，并将所述训练权重值配置在所述卷积神经网络模型中；
迭代设置所述卷积神经网络模型中各层的训练学习率，直至所述卷积神经网络模型中各层均完成训练权重值的配置。
2.根据权利要求1所述的方法，其特征在于，所述初始权重包括：卷积核滤波器权值、偏置权值、全连接层权值和全连接层偏置权值。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述训练图像样本生成LOSS误差值，具体为：
根据所述训练图像样本的类别数据，采用移动平均数法逐层生成所述卷积神经网络模型中对应的LOSS函数的误差值。
4.根据权利要求1或2所述的方法，其特征在于，所述根据所述LOSS误差值逐层生成对应于所述卷积神经网络模型中训练学习率的调整因子，根据所述调整因子逐层生成所述卷积神经网络模型的训练权重值，并将所述训练权重值配置在所述卷积神经网络模型中，具体为：
将所述LOSS误差值与预设的损失阈值相比较，当LOSS误差值低于所述损失阈值时，生成对应于所述卷积神经网络模型当前层的训练学习率的调整因子，根据所述调整因子降低所述卷积神经网络模型中对应层的训练学习率，生成当前层中对应于调整后的训练学习率的训练权重值，并将所述训练权重值以初始权重的方式配置在所述卷积神经网络模型中的下一层。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于苏州天瞳威视电子科技有限公司，未经苏州天瞳威视电子科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201711265644.3/1.html，转载请声明来源钻瓜专利网。
