[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

说明书

本发明适用深度学习技术领域，提供了一种深度学习模型的训练方法、装置、设备及存储介质，该方法包括：根据接收到的训练图像集，采用预设的特征提取算法和预先构建的、未训练的深度学习模型，提取对应的目标特征，通过由提取出的目标特征构成的目标特征集对深度学习模型的隐含层进行局部训练，局部训练完成后，根据从训练图像集中选出的目标图像集，对该深度学习模型的全连接层进行分类训练，以完成该深度学习模型的训练，从而降低了对深度学习模型进行训练的样本数量，使得训练出的深度学习模型更符合人脑视觉皮层特性，并提高了深度学习模型的抗噪声和抗位移能力，进而提高了深度学习模型的训练速度和训练效果。

技术领域

本发明属于深度学习技术领域，尤其涉及一种深度学习模型的训练方法、装置、设备及存储介质。

背景技术

现有的深度学习模型通过构建深层网络，将大量的数据经过不断地非线性变换映射到高维空间中，以获得抽象的特征向量，进而完成对数据进行分类或回归任务。对于深层网络而言，深度和数据量是正确表达学习的基础，一般地，网络越深，其非线性表达能力就越强，数据量越大，其可以更有效的拟合数据，这有利于网络在高维空间中进行分类或回归任务。最近，利用超过150层的深层网络结构在数据集ImageNet上的图片识别准确率能够超越人眼识别的准确率。然而，人眼的识别机制并没有采用大量数据的学习机制，所以现行的深度学习单纯利用强大GPU的计算能力在大样本上来完成网络的学习和特征提取，完全背离人脑神经学机制，况且，在现实的很多任务中，比如医学领域，由于缺乏历史样本是不可能采用数据轰炸式的学习机制进行网络训练的，因此，亟需一种无需大样本训练的深度学习模型，使其更符合人脑视觉皮层特性。

发明内容

本发明的目的在于提供一种深度学习模型的训练方法、装置、设备及存储介质，旨在解决由于现有技术无法提供一种有效的深度学习模型的训练方法，导致训练深度学习模型的样本数量大、模型训练慢、且训练效果不佳的问题。

一方面，本发明提供了一种深度学习模型的训练方法，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。

另一方面，本发明提供了一种深度学习模型的训练装置，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。