[发明专利]人脸识别网络训练的方法、电子设备及存储介质

说明书

本发明实施例涉及深度学习领域，公开了一种人脸识别网络训练的方法、电子设备及存储介质。本发明中人脸识别网络训练的方法、电子设备及存储介质，包括：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；融合初始深度学习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；将初始深度学习网络的初始网络参数变更为优化网络参数，得到新的深度学习网络。采用本实施例，可以深度学习网络解决实际问题的性能。

技术领域

本发明实施例涉及深度学习领域，特别涉及一种人脸识别网络训练的方法、电子设备及存储介质。

背景技术

准确的深度学习网络依赖于优秀的训练方法，通常深度学习网络的常规方法需要先采集或收集针对具体问题的数据。通常，用于训练网络的数据只是具体问题涉及数据的一个子集。得到数据集后，设计性能指标，使用梯度下降法迭代更新网络参数，最终得到训练好的深度学习网络。

目前深度学习网络通常采用梯度迭代的训练方式，其本质上是进行一系列的数学运算，在损失函数值达到最小时收敛，然而，在迭代优化网络的过程中，会遇到鞍点、局部最小值等问题，导致无法将深度学习网络训练至最优状态；另外，由于数据集并不能完全等同实际问题的数据分布，即使在训练数据及上让深度学习网络的性能达到最优，也不能保证深度学习网络解决实际问题的性能。

发明内容

本发明实施方式的目的在于提供一种人脸识别网络训练的方法、电子设备及存储介质，可以提高深度学习网络解决实际问题的性能。

为解决上述技术问题，第一方面，本申请的实施方式提供了一种人脸识别网络训练的方法、电子设备及存储介质，包括：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；融合初始深度学习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；将初始深度学习网络的初始网络参数变更为优化网络参数，得到新的深度学习网络。

第二方面，本申请的实施方式还提供了一种人脸识别的方法，应用于电子设备，电子设备部署有通过上述的网络训练方法获得的人脸识别网络，人脸识别的方法包括：获取待待识别的人脸图像；将人脸图像输入至人脸识别网络，获得人脸图像的识别结果。

第三方面，本申请的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被所述至少一个处理器执行，以使至少一个处理器能够执行上述人脸识别网络训练的方法，或者执行上述的人脸识别的方法。

第四方面，本申请的实施方式还提供了计算机可读存储介质，存储有计算机程序，计算机程序被处理器执行时实现上述的人脸识别网络训练的方法，或者执行上述的人脸识别的方法。

本申请实施例中，搜寻预先训练的初始深度学习网络在至少两个收敛点对应的网络参数，由于采用深度学习的方式，深度学习网络训练过程中有多个收敛点，而不同的收敛点对应的网络参数可能不同，通过融合至少两个收敛点对应的网络参数，使得获得的优化网络参数与其他每个收敛点对应的网络参数之间的差异减小，进而基于该优化网络参数得到的新的深度学习网络更加稳定，同时，由于该优化网络参数融合了多个收敛点对应的网络参数，使得该新的深度学习网络在实际的工作性能与网络在训练集上的性能之间的差距减小，提高该深度学习网络解决问题的性能，例如，提高用于人脸识别的深度学习网络的识别率；此外，由于是基于初始深度学习网络进行的优化，可以保留初始深度学习网络的网络结构，无需更改对网络的数据预处理方法，也无需更改对网络输出数据处理的方法，因而不会对网络的部署增加额外工作量，也不会增加网络推理的时间消耗。

附图说明

一个或多个实施例通过与之对应的附图中的图片进行示例性说明，这些示例性说明并不构成对实施例的限定，附图中具有相同参考数字标号的元件表示为类似的元件，除非有特别申明，附图中的图不构成比例限制。

图1是本申请实施例中人脸识别网络训练的方法的流程图；