[发明专利]一种深度学习模型的训练方法、装置、设备及存储介质

权利要求书

1.一种深度学习模型的训练方法，其特征在于，所述方法包括下述步骤：

根据接收到的训练图像集，构建深度学习模型，其中，所述深度学习模型包括隐含层和全连接层，所述隐含层由若干特征提取层和与所述特征提取层对应的下采样层组成，所述特征提取层由若干特征提取面组成，所述下采样层由若干下采样面组成，所述全连接层为所述深度学习模型的输出层；

根据所述训练图像集，采用构建完成的所述深度学习模型和预设的特征提取算法，提取对应的、代表所述训练图像集基本特征的目标特征；

根据由提取得到的所述目标特征构成的目标特征集，对所述隐含层进行局部训练，直至所述特征提取面和所述下采样面设置的种子细胞对应的连接域激活值达到预设的激活阈值；

根据预先从所述训练图像集中选出的目标图像集，对已完成所述局部训练的所述深度学习模型进行所述全连接层的分类训练，以完成所述深度学习模型的训练；

对所述深度学习模型的隐含层进行局部训练的步骤，包括：

根据所述目标特征集，采用从隐含层的第一层开始，分别对每层中每个所述特征提取面和所述下采样面进行逐面逐层训练的方式，对所述隐含层进行局部训练。

2.如权利要求1所述的方法，其特征在于，提取对应的目标特征的步骤，包括：

使用构建完成的所述深度学习模型得到所述训练图像集中每个训练图像对应的初始特征；

采用相似度聚类算法对所有所述初始特征进行分类，得到若干个特征类别；

分别对每个所述特征类别中的所有初始特征进行加权平均计算，得到所述特征类别对应的目标特征。

3.如权利要求1所述的方法，其特征在于，对已完成所述局部训练的所述深度学习模型进行所述全连接层的分类训练的步骤，包括：

根据所述目标图像集，采用反向传播算法对所述全连接层进行分类训练，并对所述深度学习模型各层之间的权值进行更正，以完成所述深度学习模型的训练。

4.一种深度学习模型的训练装置，其特征在于，所述装置包括：

模型构建单元，用于根据接收到的训练图像集，构建深度学习模型，其中，所述深度学习模型包括隐含层和全连接层，所述隐含层由若干特征提取层和与所述特征提取层对应的下采样层组成，所述特征提取层由若干特征提取面组成，所述下采样层由若干下采样面组成，所述全连接层为所述深度学习模型的输出层；

目标特征提取单元，用于根据所述训练图像集，采用构建完成的所述深度学习模型和预设的特征提取算法，提取对应的、代表所述训练图像集基本特征的目标特征；

局部训练单元，用于根据由提取得到的所述目标特征构成的目标特征集，对所述隐含层进行局部训练，直至所述特征提取面和所述下采样面设置的种子细胞对应的连接域激活值达到预设的激活阈值；以及

全局训练单元，用于根据预先从所述训练图像集中选出的目标图像集，对已完成所述局部训练的所述深度学习模型进行所述全连接层的分类训练，以完成所述深度学习模型的训练；

所述局部训练单元包括：

局部训练子单元，用于根据所述目标特征集，采用从隐含层的第一层开始，分别对每层中每个所述特征提取面和所述下采样面进行逐面逐层训练的方式，对所述隐含层进行局部训练。

5.如权利要求4所述的装置，其特征在于，所述目标特征提取单元包括：

初始特征获得单元，用于使用构建完成的所述深度学习模型得到所述训练图像集中每个训练图像对应的初始特征；

特征类别获得单元，用于采用相似度聚类算法对所有所述初始特征进行分类，得到若干个特征类别；以及

目标特征获得单元，用于分别对每个所述特征类别中的所有初始特征进行加权平均计算，得到所述特征类别对应的目标特征。

6.如权利要求4所述的装置，其特征在于，所述全局训练单元包括：

全局训练子单元，用于根据所述目标图像集，采用反向传播算法对所述全连接层进行分类训练，并对所述深度学习模型各层之间的权值进行更正，以完成所述深度学习模型的训练。