[发明专利]模型训练方法、装置及计算机可读存储介质有效
| 申请号： | 201910525742.9 | 申请日： | 2019-06-14 |
| 公开（公告）号： | CN110378480B | 公开（公告）日： | 2022-09-27 |
| 发明（设计）人： | 金戈;徐亮 | 申请（专利权）人： | 平安科技（深圳）有限公司 |
| 主分类号： | G06N3/08 | 分类号： | G06N3/08;G06N3/04 |
| 代理公司： | 深圳市沃德知识产权代理事务所(普通合伙) 44347 | 代理人： | 高杰;于志光 |
| 地址： | 518000 广东省深圳市福田区福*** | 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： | 本发明涉及一种人工智能技术，揭露了一种模型训练方法，包括：在Python环境下，通过搭建pyTorch框架构建卷积神经网络模型；接收批量训练数据集，对所述批量训练数据集进行标准化处理，得到预备数据；利用所述卷积神经网络模型对所述预备数据进行过滤处理，得到标准数据，计算所述标准数据的反向梯度值，进行梯度累计求和，得到反向梯度累计值；对所述反向梯度累计值进行梯度下降运算，得到新梯度值，将所述新梯度值进行梯度累计求和，得到下降梯度累计值；利用所述反向梯度累计值和下降梯度累计值对所述卷积神经网络模型训练，输出经过训练的所述卷积神经网络模型。本发明还提出一种模型训练装置以及一种计算机可读存储介质。本发明实现了模型的高效训练。 | ||
| 搜索关键词： | 模型 训练 方法 装置 计算机 可读 存储 介质 | ||
【主权项】：
1.一种模型训练方法，其特征在于，所述方法包括：在Python环境下，通过调用命令导入torch.optim包和torch.nn包构建pyTorch框架，创建卷积神经网络模型；接收批量训练数据集，对所述批量训练数据集进行标准化处理，得到预备数据；利用所述卷积神经网络模型对所述预备数据进行过滤处理，得到标准数据，计算所述标准数据的反向梯度值，并对所述反向梯度值进行梯度累计求和，得到反向梯度累计值；对所述反向梯度累计值进行梯度下降运算，得到新梯度值，并将所述新梯度值进行梯度累计求和，得到下降梯度累计值；对所述反向梯度累计值和下降梯度累计值进行稀疏化运算，提取出所述反向梯度累计值和下降梯度累计值之间的强相关性的特征，并计算出所述特征的权重值，进行反向传递，从而对所述卷积神经网络模型的参数进行修正，直至所述卷积神经网络模型的参数收敛曲度小于预设收敛曲度时完成训练；输出经过训练的所述卷积神经网络模型。
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平安科技（深圳）有限公司，未经平安科技（深圳）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/patent/201910525742.9/，转载请声明来源钻瓜专利网。
