[发明专利]一种深度神经网络的贝叶斯结构学习方法及装置有效
| 申请号： | 201910912494.3 | 申请日： | 2019-09-25 |
| 公开（公告）号： | CN110738242B | 公开（公告）日： | 2021-08-10 |
| 发明（设计）人： | 朱军;邓志杰;张钹 | 申请（专利权）人： | 清华大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/08 |
| 代理公司： | 北京路浩知识产权代理有限公司 11002 | 代理人： | 苗晓静 |
| 地址： | 100084 北京市海*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明实施例提供一种深度神经网络的贝叶斯结构学习方法及装置。所述方法包括构建一个包括多个内部结构相同的学习单元的深度神经网络，各学习单元含有若干隐层，隐层间包括复数种计算单元，网络结构为各计算单元的相对权重，并采用参数化的变分分布来建模网络结构；提取训练子集，采用重参数化过程采样网络结构；计算证据下界；若证据下界的变化超过损失阈值，则优化网络结构和网络权重，并开始新训练。本发明实施例通过构建包括多个具有相同内部结构的学习单元的深度神经网络，通过训练集对所述学习单元中各隐层间各计算单元的相对权重进行训练，以得到优化的网络结构，从而为深度神经网络的预测性能和预测不确定性带来了全面提升。 | ||
| 搜索关键词： | 一种 深度 神经网络 贝叶斯 结构 学习方法 装置 | ||
【主权项】：
1.一种深度神经网络的贝叶斯结构学习方法，其特征在于，包括：/n构建深度神经网络，所述深度神经网络包括至少一个具有相同内部结构的学习单元，所述学习单元包括预设层数的隐层，且每两个隐层间包括复数种计算单元，定义网络结构为各计算单元的相对权重，并采用参数化的变分分布来建模所述网络结构；/n从预设的训练集中随机提取训练子集，并采用重参数化过程采样所述学习单元的网络结构；/n根据所述采样的网络结构，计算所述深度神经网络的证据下界ELBO；/n若所述证据下界的变化超过预设的损失阈值，则根据预设的优化方法优化所述网络结构和网络权重，并再次从所述训练集中随机提取训练子集以继续对所述学习单元的网络结构进行训练；/n若所述证据下界的变化未超过预设的损失阈值，则判定训练结束。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于清华大学，未经清华大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910912494.3/，转载请声明来源钻瓜专利网。
