[发明专利]人脸识别网络训练的方法、电子设备及存储介质

权利要求书

1.一种人脸识别网络训练的方法，其特征在于，包括：

搜寻预先训练的初始人脸识别网络在至少两个收敛点所对应的网络参数；

融合所述初始人脸识别网络在至少两个收敛点对应的网络参数，生成优化网络参数；

将所述初始人脸识别网络的初始网络参数变更为所述优化网络参数，得到新的人脸识别网络；

所述搜寻预先训练的初始人脸识别网络在至少两个收敛点所对应的网络参数，包括：

通过调整预先训练的初始人脸识别网络的学习率，对所述初始人脸识别网络进行训练，当训练的迭代次数n大于优化步长时，结束搜寻流程，并获取第n次迭代训练后的初始人脸识别网络中的网络参数作为搜寻到的收敛点所对应的网络参数；n为大于0的整数。

2.根据权利要求1所述的人脸识别网络训练的方法，其特征在于，所述搜寻预先训练的初始深度学习网络在至少两个收敛点所对应的网络参数，包括：

针对每次搜寻进行如下处理：

根据预设的迭代学习率表达式，确定第n+1次迭代训练对应的迭代学习率，其中，所述迭代学习率表达式为递减函数；

根据所述迭代学习率以及样本训练集，对第n次迭代训练后的初始人脸识别网络进行训练，所述样本训练集包括若干人脸图像样本；

更新迭代次数n＝n+1；

当所述迭代次数n小于优化步长时，执行根据预设的迭代学习率表达式，确定第n+1次迭代训练对应的迭代学习率的步骤。

3.根据权利要求2所述的人脸识别网络训练的方法，其特征在于，所述迭代学习率表达式中包括：微调学习率、探索学习率以及所述优化步长，所述微调学习率为训练至收敛的学习率，所述探索学习率用于搜寻下一个收敛点的学习率；

在所述根据预设的迭代学习率表达式，确定第n+1次迭代训练对应的迭代学习率之前，包括：

根据初始微调学习率对所述初始人脸识别网络进行训练，当所述初始人脸识别网络收敛时，将所述初始微调学习率作为微调学习率；

依次采用初始探索学习率、所述微调学习率对所述初始人脸识别网络进行训练，当所述初始人脸识别网络未收敛时，将所述初始探索学习率作为探索学习率；

采用所述微调学习率、所述探索学习率和初始步长对所述初始人脸识别网络进行训练，根据训练前后所述初始人脸识别网络的评价指标获取所述优化步长并更新所述微调学习率以及更新所述探索学习率。

4.根据权利要求3所述的人脸识别网络训练的方法，其特征在于，所述根据初始微调学习率对所述初始人脸识别网络进行训练，当所述初始人脸识别网络收敛时，将所述初始微调学习率作为微调学习率，包括：

设置初始微调学习率为预设学习率；

根据所述初始微调学习率以及所述样本训练集，对所述初始人脸识别网络进行Nt次迭代训练，Nt为大于1的整数；

判断经过Nt次迭代训练后，所述初始人脸识别网络是否收敛；

若所述初始人脸识别网络收敛，则将所述初始微调学习率作为所述微调学习率；

若所述初始人脸识别网络未收敛，则降低所述初始微调学习率，并返回执行按照所述初始微调学习率对所述初始人脸识别网络进行Nt次迭代训练的步骤。

5.根据权利要求4所述的人脸识别网络训练的方法，其特征在于，所述判断经过Nt次迭代训练后，所述初始人脸识别网络是否收敛，包括：

获取每次迭代训练的参数梯度与各自对应的网络参数之间的夹角；

统计夹角为钝角或锐角的比例；

若所述比例处于预设范围内，则确定所述经过Nt次迭代训练后，所述初始人脸识别网络收敛。