[发明专利]一种基于反向传播的深度学习方法有效
| 申请号： | 201711029714.5 | 申请日： | 2017-10-27 |
| 公开（公告）号： | CN107729992B | 公开（公告）日： | 2020-12-29 |
| 发明（设计）人： | 王好谦;安王鹏;方璐;戴琼海 | 申请（专利权）人： | 深圳市未来媒体技术研究院;清华大学深圳研究生院 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06K9/54 |
| 代理公司： | 深圳新创友知识产权代理有限公司 44223 | 代理人： | 方艳平 |
| 地址： | 518000 广东省深圳*** | 国省代码： | 广东;44 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于反向传播的深度学习方法，包括以下步骤：S1：准备训练集；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。本发明提出的深度学习方法，能够大幅度加快分类网络的训练。 | ||
| 搜索关键词： | 一种 基于 反向 传播 深度 学习方法 | ||
【主权项】：
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；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。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
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深圳市未来媒体技术研究院;清华大学深圳研究生院，未经深圳市未来媒体技术研究院;清华大学深圳研究生院许可，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/patent/201711029714.5/，转载请声明来源钻瓜专利网。
