[发明专利]一种基于AlexNet网络的强化训练方法

说明书

本发明涉及人工智能领域，具体地说，一种基于AlexNet网络的强化训练方法，当网络完成一次前向传播后，将网络的输出结果与该图像对应的标签对比，若网络输出结果与标签不同则累加该图像的错分类的次数。当网络Epoch次数大于等于K次时，对训练集中图像的错判次数进行从大到小进行排序，并根据排序结果将被AlexNet网络错分类次数前N的图像进行n倍的数据增强处理，将被网络错分类次数前M‑N（NM）的图像进行m倍的数据增强处理，将增强后的图像加入原始的训练集中形成新的训练集；当网络Epoch次数大于K次时，则删除上次增强的数据，并根据训练集中被AlexNet网络错分类的图像的累计次数进行图像排序，然后对图像进行特定的增强处理。

技术领域

本发明涉及人工智能领域，具体地说，是一种基于AlexNet网络的强化训练方法。

背景技术

在卷积神经网络的训练过程中是将训练集中的图像逐个地输入卷积神经网络中进行前向传播计算，然后根据图像对应的标签逐层地计算卷积神经网络中的误差梯度，根据计算误差梯度值，逐层更新网络的权重值，不断重复上述步骤直至到达设置的停止条件为止。

以上训练卷积神经网络的方法对于特征明显的图像，网络可能仅需几次学习就能获取到图像中一些关键的特征完成图像正确的分类；然而对于特征不明显的图像或对于图像分属不同类别且图像之间仅存在细微特征的差别，卷积神经网络可能需要几十次甚至上百次的学习才能获取到图像中的关键特征完成图像的正确分类。

发明内容

为解决上述问题，本发明设计了一种基于AlexNet网络的强化训练方法，在不增加网络迭代次数的情况下，增加特征不明显图像的学习次数完成图像的正确分类。

本发明采用的具体技术方案如下：

一种基于AlexNet网络的强化训练方法，其重要步骤为：当网络完成一次前向传播后，将网络的输出结果与该图像对应的标签对比，若网络输出结果与标签不同则累加该图像的错分类的次数；当网络Epoch次数大于等于K次时，对训练集中图像的错判次数进行从大到小进行排序，并根据排序结果将被AlexNet网络错分类次数前N的图像进行n倍的数据增强处理，将被网络错分类次数前M-N（NM）的图像进行m倍的数据增强处理，将增强后的图像加入原始的训练集中形成新的训练集；当网络Epoch次数大于K次时，则删除上次增强的数据，并根据训练集中被AlexNet网络错分类的图像的累计次数进行图像排序，然后对图像进行特定的增强处理；以上的做法能在不增加网络Epoch次数的情况下，增加训练集中经常被错判图像的训练次数，使得网络能更快的完成训练任务。

强化训练方法的具体步骤如下：

步骤一：卷积神经网络的初始化

步骤二：判断是否到达网络训练的迭代次数；若是，则结束；否则执行步骤三。

步骤三：判断Epoch次数是否大于等于K次；若是，则执行步骤九；否则，则执行步骤四。

步骤四：判断是否到达设置的Iteration次数；若是，则跳转至步骤二，否则执行步骤五。

步骤五：卷积神经网络前向传播输出图像分类结果。

步骤六：将卷积神经网络输出结果与图像的标签作比较比较，累计每张图像被误分类的次数。

步骤七：反向传播计算误差梯度。

步骤八：更新网络权值，跳转至步骤四。

步骤九：判断是否大于K次，若是执行步骤十，若否执行步骤十一。

步骤十：删除上次增强的图像。

步骤十一：对数据集中的所有图像根据图像被错分类的次数进行从大到小的排序。

步骤十二：选取被错判前N的图像增强n倍，选取被错判前(M-N)的图像增强m倍，作为该次增强的图像加入到原训练集中构成新的训练集。