[发明专利]一种面向深度学习的模型生成方法

说明书

本发明提出集成化的机器学习算法库与统一编程框架(面向深度学习)，为一种面向深度学习的模型生成方法，包括以下步骤；步骤S1：指定数据集，顺序组合不同深度学习框架下的数据预处理方法，形成数据预处理模块；步骤S2：选择网络优化器，并配置其参数，形成网络优化器模块；步骤S3：选择一种主体网络结构，所选网络结构可基于不同深度学习框架实现，并配置其训练参数，形成网络结构模块；步骤S4：拼接模型各部分模块，开始模型训练，在训练过程中不断保存最优模型，在结束后得到最终模型准确率；本发明能够克服传统深度学习系统的指定单一框架编程方式的缺点，方便深度学习的应用。

技术领域

本发明涉及计算机技术领域，尤其是一种面向深度学习的模型生成方法。

背景技术

随着深度神经网络的飞速发展，深度学习实际应用已愈发成熟，并且已经在我们的日常生活中应用的越来越频繁。同时深度学习智能应用已然我们的现代化日常生活密切相关，包括人脸识别系统、车辆信息识别等等。近年来，伴随着深度学习的发展，同时衍生了诸如TensorFlow、PyTorch、Keras等等许多深度学习框架，然而深度学习框架的多样性、不同框架底层实现的异构性以及基于某一框架编写的深度学习项目落地对软件版本和硬件环境的严格限制要求，根据深度学习实际应用开发过程中的实际需求导致了设计维护单一框架算法实现的局限性。没有一套统一的编程模型适应各种具体场景，不利于深度学习的大规模应用。

发明内容

本发明提出一种面向深度学习的模型生成方法，能够克服传统深度学习系统的指定单一框架编程方式的缺点，方便深度学习的应用。

本发明采用以下技术方案。

一种面向深度学习的模型生成方法，包括集成深度学习算法库的统一编程框架，包括以下步骤；

步骤S1：指定数据集，顺序组合不同深度学习框架下的数据预处理方法，形成数据预处理模块；

步骤S2：选择网络优化器，并配置其参数，形成网络优化器模块；

步骤S3：选择一种主体网络结构，所选网络结构可基于不同深度学习框架实现，并配置其训练参数，形成网络结构模块；

步骤S4：拼接模型各部分模块，开始模型训练，在训练过程中不断保存最优模型，在结束后得到最终模型准确率。

所述步骤S1包括以下步骤；

步骤S11：指定深度学习任务的数据集；

步骤S12：选择一种基于深度学习框架实现下的数据预处理方式的数据预处理模块进行数据预处理，该深度学习框架包括但不限于TensorFlow、Pytorch；可选数据预处理方式包括但不限于随机水平偏移、随机垂直偏移、边缘填充、随机位置剪裁等；

步骤S13：输入步骤S12指定的数据预处理方式参数，输入完毕后可继续步骤S12进行循环选择或进入步骤S14；

步骤S14：顺序组合上述步骤指定的基于不同深度学习框架实现下的数据预处理方式，利用数据转换适配器在不同深度学习框架算法间无缝传递，实现跨框架平台的模型构建。

所述步骤S2包括以下步骤；

步骤S21：选择基于网络的网络优化器模块，其包括但不限于SGD、Adam、Adadelta、Adagrad；以损失函数反映模型的当前表现，在利用损失函数训练网络时，以上述优化器模块提供基于最小化损失函数的训练策略，在本步骤中，选择基于TensorFlow或PyTorch实现的网络优化器模块用于模型内部参数优化；

步骤S22：配置上述步骤选择的网络优化器的参数。

所述步骤S3包括以下步骤；