[发明专利]基于大数据的深度学习方法

说明书

技术领域

本发明涉及人工智能技术领域，具体而言，涉及一种基于大数据的深度学习方法。

背景技术

深度学习是近十年来人工智能领域取得的最重要的突破之一，通过建立类似于人脑的分层模型结构对输入数据逐级提取从底层到高层的特征从而能很好地建立从底层信号到高层语义的映射关系。神经网络是对生物上大脑学习方式进行建模。当你尝试进行一个新任务时，一系列特定的神经元集合会被激活。你观察到结果，接下来利用反馈来调整哪些神经元应该被激活，以此来训练大脑。多次之后，一些神经元之间的联系将变强而另外一些则变弱，这就形成了记忆的基础。传统的神经网络具有很强的非线性能力，但是非常明显的缺点是参数数量多、收敛速度慢、容易过拟合等，20世纪计算机的计算能力比较薄弱，而且支持向量机等机器学习方法的兴起，导致神经网络(Artificial Neural Network)并没有得到重视。

发明内容

本发明的目的在于提供一种基于大数据的深度学习方法，以减少参数的数量，防止过拟合，达到提升运算效率的效果。

本发明是这样实现的：

本发明提供一种基于大数据的深度学习方法，所述基于大数据的深度学习方法包括以下步骤：建立深度学习模型，所述深度学习模型包括多层神经元模型；选取预选图像的部分区域图像作为一神经元模型的输入；对该输入进行卷积求和、添加偏移量经过激活函数之后输出的特征映射图作为下一层神经元模型的输入；每一层神经元模型的输出作为下一层神经元模型的输入；提取每一层输入的特征映射图的局部显著特征并存储。

进一步地，所述深度学习模型采用稀疏链接。

进一步地，每一层所述神经元模型采用相同的卷积操作。

进一步地，在提取每一层输入的特征映射图的局部显著特征之后还包括：对所述局部显著特征划分不重叠的矩形，对于每个矩形进行池化函数操作。

进一步地，所述提取每一层输入的特征映射图的局部显著特征包括：对每一层输入的特征映射图进行采样计算得到局部显著特征。

进一步地，所述神经元模型包括链接矩阵。

进一步地，所述方法还包括：计算每一层神经元模型的误差敏感项，依据每一层神经元模型的误差敏感项对每一层神经元模型的链接矩阵进行更新。

进一步地，所述方法还包括：通过GPU加速、数据并行、模型并行的方式对所述深度学习模型加速。

相对现有技术，本发明具有以下有益效果：本发明提供的一种基于大数据的深度学习方法，通过建立深度学习模型，深度学习模型包括多层神经元模型；对神经元模型的输入进行卷积求和、添加偏移量经过激活函数，之后输出的特征映射图作为下一层神经元模型的输入，提取每一层输入的特征映射图的局部显著特征并存储。极大地减少了参数的数量，可以防止过拟合，提升运算的效率。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1示出了本发明所提供的一种基于大数据的深度学习方法的应用环境示意图。

图2示出了本发明所提供的一种服务器的示意图。

图3示出了本发明所提供的一种基于大数据的深度学习方法的步骤图。

图4示出了本发明所提供的一种神经元模型之间的稀疏链接示意图。

图5示出了本发明所提供的一种池化过程示意图。

具体实施方式