[发明专利]一种卷积神经网络模型的训练方法

说明书

技术领域

本发明涉及目标检测技术领域，尤其是涉及一种卷积神经网络模型的训练方法。

背景技术

随着计算机视觉技术的不断更新发展，目标检测技术在智能交通、图像检索、人脸识别多个领域有着重要的地位。近年发展越来越火热的深度学习作为一个更高效的工具帮助我们在目标检测领域进行研究和发现。

目前，深度学习在目标检测领域极大超越了传统视觉算法，深度学习在大数据下能够自主学习得到有效的特征，学习到的特征在数量和性能上远远超出了通过手工设计的算法特征。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：深度学习虽然有着超越传统视觉算法的性能优势，但是深度学习的缺点也是显而易见。使用深度学习的模型包含了大量的参数，带来了训练时计算量的大幅提升，降低了模型的计算效率，同时大量的计算增加了模型计算的误差率，降低了模型计算的准确率，且训练深度模型的庞大的计算量导致深度学习不能实时的运行在嵌入式或是手持设备中，这对于将深度学习技术应用于人们的日常生活带来了许多不便。因此，现有技术的卷积神经网络模型的训练方法存在模型准确率差、计算效率低的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种卷积神经网络模型的训练方法，以缓解现有技术的卷积神经网络模型的训练方法存在的模型准确率差、计算效率低的技术问题。

本发明实施例提供了一种卷积神经网络模型的训练方法，该方法包括：初始模型训练步骤和卷积神经网络模型训练步骤；

初始模型训练步骤包括：

初始模型获取训练图像样本；

根据训练图像样本进行预训练，生成预训练初始模型；

根据预训练初始模型生成初始权重；

卷积神经网络模型训练步骤包括：

将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；

卷积神经网络模型获取训练图像样本；

设置卷积神经网络模型中各层的训练学习率，根据训练图像样本逐层生成对应于卷积神经网络模型的初级微调权重，根据初级微调权重逐层生成卷积神经网络模型的初级训练权重值，并将初级训练权重值配置在卷积神经网络模型中；

将LOSS层逐层添加至卷积神经网络模型中，并根据训练图像样本生成LOSS误差值，根据LOSS误差值逐层生成对应于卷积神经网络模型中训练学习率的调整因子，根据调整因子逐层生成卷积神经网络模型的训练权重值，并将训练权重值配置在卷积神经网络模型中；

迭代设置卷积神经网络模型中各层的训练学习率，直至卷积神经网络模型中各层均完成训练权重值的配置。

本发明实施例提供了第一种可能的实施方式，其中，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。

本发明实施例提供了第二种可能的实施方式，其中，根据训练图像样本生成LOSS误差值，具体为：

根据训练图像样本的类别数据，采用移动平均数法逐层生成卷积神经网络模型中对应的LOSS函数的误差值。

本发明实施例提供了第三种可能的实施方式，其中，根据LOSS误差值逐层生成对应于卷积神经网络模型中训练学习率的调整因子，根据调整因子逐层生成卷积神经网络模型的训练权重值，并将训练权重值配置在卷积神经网络模型中，具体为：

将LOSS误差值与预设的损失阈值相比较，当LOSS误差值低于损失阈值时，生成对应于卷积神经网络模型当前层的训练学习率的调整因子，根据调整因子降低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，并将训练权重值以初始权重的方式配置在卷积神经网络模型中的下一层。