[发明专利]一种图像分类方法、深度学习模型及计算机系统

说明书

本发明实施例提供了一种图像分类方法、深度学习模型及计算机系统，该方法包括：利用深度学习模型对训练用图像信息进行预处理，得到输入向量x；将该输入向量x输入投影矩阵S_D之后，将该投影矩阵S_D与参数矩阵相乘，并加入偏置量b，再通过激活函数f得到输出z；利用联合迭代优化算法，根据该输出z与期望输出y的差错量更新该投影矩阵S_D与该参数矩阵直到该深度学习模型全连接层的参数收敛，将待分类图像信息输入该深度学习模型，得到该待分类图像的分类结果。通过本发明实施例可以缩短深度学习模型的训练时间并保证准确度。

技术领域

本发明涉及人工智能技术领域，具体涉及一种图像分类方法、深度学习模型及计算机系统。

背景技术

近年来，关于人工智能的研究越来越多，而深度学习也快速成为了人工智能领域中的热点之一，它不仅可以模拟人脑进行分析学习，还可以模仿人脑的机制来解释数据，例如图像、语音和文本等。经典的深度学习模型主要包括深度置信网络(Deep BeliefNetwork，DBN)、自动编码器(Auto Encoder，AE)以及卷积神经网络(Convolutional NeuralNetwork，CNN)等。针对图像分类的深度学习方法则一般采用CNN，它是一种有监督的网络模型，全连接层的参数数量在很大程度上决定了全连接层参数的收敛速度，而全连接层参数的收敛则意味着CNN模型的训练完成。然而，在全连接层的规模很大时，深度学习模型完成训练需要花费很长的时间。

稀疏自编码(Sparse Auto Encoding)是一种用于削减全连接层参数数量的技术，其原理在于通过使用惩罚因子将全连接层的某些输入神经元的输出值降为0，则与此输入神经元相关的参数就无需被计算，从而达到削减参数的目的。但是通过使用惩罚因子，将全连接层的某些输入神经元的输出值降为0需要一定的迭代过程，在迭代过程完成之前全连接层的参数并没有被削减，而迭代过程需要耗费一定的时间，缩短深度学习模型的训练时间的效果并不明显；此外，实践中发现，惩罚因子只能将输入神经元的输出降至一个接近于0的较小值，这样会导致全连接层的参数数量并没有被削减，深度学习模型的训练时间也没有减少。可见，如何缩短深度学习模型的训练时间并且能保证准确度已成为亟待解决的问题。

发明内容

本发明实施例提供了一种图像分类方法、深度学习模型及计算机系统，可以缩短深度学习模型的训练时间并保证准确度。

本发明实施例第一方面提供了一种图像分类方法，包括：

利用深度学习模型对训练用图像信息进行预处理，得到输入向量x；

将所述输入向量x输入投影矩阵S_D之后，将所述投影矩阵S_D与参数矩阵相乘，并加入偏置量b，再通过激活函数f得到输出z；

利用联合迭代优化算法，根据所述输出z与期望输出y的差错量更新所述投影矩阵S_D与所述参数矩阵直到所述深度学习模型全连接层的参数收敛；

将待分类图像信息输入所述深度学习模型，得到所述待分类图像的分类结果。

可选的，所述利用深度学习模型对训练用图像信息进行预处理，得到输入向量x之后，所述方法还包括：

将所述投影矩阵S_D初始化为大小为M×D的随机矩阵，将所述参数矩阵初始化为大小为D×N的随机矩阵；

其中，M、N和D均为大于或等于1的整数，且

可选的，所述利用联合迭代优化算法，根据所述输出z与期望输出y的差错量更新所述投影矩阵S_D与所述参数矩阵直到所述深度学习模型全连接层的参数收敛，包括：

将所述输出z与期望输出y做差，得到差错量z-y；