[发明专利]用于眼底检测仪数据的检测方法和系统

权利要求书

1.一种深度学习模型的压缩方法，包括：

步骤1)初始化深度学习模型的联结权重并确定激活函数；

步骤2)将训练样本输入所述深度学习模型得到所述训练样本的输出值；

步骤3)删除所述深度学习模型中权重向量均值为零的神经元结点；

步骤4)基于所述训练样本的输出值、所述训练样本的实际值以及所述深度学习模型的损失函数计算所述深度学习模型的误差，其中，所述深度学习模型的损失函数采用弹性回归，所述弹性回归包括岭回归和Lasso回归的组合；

步骤5)利用反向传播算法更新所述深度学习模型的联结权重；以及

步骤6)重复步骤2)-步骤5)，直至所述深度学习模型收敛，获得压缩后的深度学习模型。

2.根据权利要求1所述的方法，其中，所述深度学习模型的损失函数采用动态的网络压缩力度系数。

3.根据权利要求2所述的方法，其中，基于所述深度学习模型的网络结构因子、神经元数量因子以及神经元比率因子确定所述网络压缩力度系数。

4.根据权利要求1所述的方法，其中，所述深度学习模型的损失函数采用交叉熵表示所述深度学习模型中相邻两层网络之间隐藏信息的互信息。

5.根据权利要求1所述的方法，其中，所述深度学习模型的损失函数为：

其中，L为所述深度学习模型的网络的层数，i为第i层网络，γ_i为网络压缩力度系数，j为第j个神经元，r_i为第i层网络当前的神经元结点数，α是学习率，μ_i，j为第i层第j个神经元的权重向量的均值，σ_i，j是为第i层第j个神经元的权重向量的标准差，x为深度学习模型的输入，y为深度学习模型的输入，为数据的真实分布，p(h|x)是每一层的先验分布，q(y|h_L)是用来逼近最后一层先验分布p(y|h_L)的后验分布，h_L为第L层的隐藏信息。

6.根据权利要求1所述的方法，其中，所述反向传播算法包括梯度下降算法。

7.一种用于眼底检测仪的深度学习模型的压缩方法，包括：

获得关于用户眼部数据的训练样本；

利用所述训练样本训练深度学习模型；

利用权利要求1-6中任一方法压缩所述深度学习模型。

8.一种用于眼底检测仪数据的检测方法，包括：

通过眼底检测仪获取用户的眼部数据；

基于权利要求7所获得的所述压缩后的深度学习模型对所述眼部数据进行分析和检测。

9.一种用于眼底检测仪数据的检测系统，包括：

接口模块，用于获取用户的眼部数据以及基于权利要求7所获得的压缩后的深度学习模型；

检测模块，用于基于所述压缩后的深度学习模型对所述眼部数据进行分析和检测。

10.一种存储介质，其中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于实现权利要求1-8中任一项所述的方法。

11.一种电子设备，包括处理器和存储器，所述存储器中存储有计算机程序，在所述计算机程序被处理器执行时，能够用于实现权利要求1-8中任一项所述的方法。