[发明专利]一种光神经网络训练方法、系统、存储介质及设备

权利要求书

1.一种光神经网络训练方法，其特征在于，包括以下步骤：

将训练数据集中的多个样本输入到第一轮迭代的参数为初始值的光神经网络中，以得到所述多个样本分别对应的多个输出数据；

基于所述多个输出数据以及所述训练数据集中与所述多个样本分别对应的多个标签得到损失函数；

通过零阶梯度估计算法基于所述多个样本得到关于所述参数的所述损失函数的导数；

通过一阶优化算法基于所述损失函数的导数和所述参数得到下一轮迭代的参数的数值，并将所述多个样本输入到参数为所述数值的光神经网络中；

响应于当前达到最后一轮迭代，通过所述一阶优化算法基于所述最后一轮迭代的损失函数的导数和参数得到更新结束的参数，并基于所述更新结束的参数得到训练完成的光神经网络。

2.根据权利要求1所述的方法，其特征在于，通过零阶梯度估计算法基于所述多个样本得到关于所述参数的所述损失函数的导数包括：

通过逐坐标梯度估计算法基于所述多个样本得到关于所述参数的所述损失函数的导数。

3.根据权利要求1所述的方法，其特征在于，所述一阶优化算法包括随机梯度下降算法。

4.根据权利要求3所述的方法，其特征在于，通过一阶优化算法基于所述损失函数的导数和所述参数得到下一轮迭代的参数的数值包括：

通过所述随机梯度下降算法基于所述损失函数的导数和所述参数以及预设的学习率得到下一轮迭代的参数的数值。

5.根据权利要求1所述的方法，其特征在于，基于所述多个输出数据以及所述训练数据集中与所述多个样本分别对应的多个标签得到损失函数包括：

计算所述多个输出数据以及所述训练数据集中与所述多个样本分别对应的多个标签之间的交叉熵损失函数，并以所述交叉熵损失函数作为所述损失函数。

6.根据权利要求1所述的方法，其特征在于，将训练数据集中的多个样本输入到第一轮迭代的参数为初始值的光神经网络中包括：

提取数据集中的一部分数据作为训练数据集，并将所述训练数据集中的多个样本输入到第一轮迭代的参数为初始值的光神经网络中。

7.根据权利要求6所述的方法，其特征在于，还包括：

提取所述数据集中的另一部分数据作为测试数据集，并利用所述测试数据集对所述训练完成的光神经网络进行测试。

8.一种光神经网络训练系统，其特征在于，包括：

输出数据获得模块，配置用于将训练数据集中的多个样本输入到第一轮迭代的参数为初始值的光神经网络中，以得到所述多个样本分别对应的多个输出数据；

损失函数获得模块，配置用于基于所述多个输出数据以及所述训练数据集中与所述多个样本分别对应的多个标签得到损失函数；

导数获得模块，配置用于通过零阶梯度估计算法基于所述多个样本得到关于所述参数的所述损失函数的导数；

参数更新模块，配置用于通过一阶优化算法基于所述损失函数的导数和所述参数得到下一轮迭代的参数的数值，并将所述多个样本输入到参数为所述数值的光神经网络中；以及

训练完成模块，配置用于响应于当前达到最后一轮迭代，通过所述一阶优化算法基于所述最后一轮迭代的损失函数的导数和参数得到更新结束的参数，并基于所述更新结束的参数得到训练完成的光神经网络。

9.一种计算机可读存储介质，其特征在于，存储有计算机程序指令，所述计算机程序指令被处理器执行时实现如权利要求1-7任意一项所述的方法。

10.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时执行如权利要求1-7任意一项所述的方法。