一种卷积神经网络的训练方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110782032A(43)申请公布日2020.02.11(21)申请号201911023899.8(22)申请日2019.10.25(71)申请人广州思德医疗科技有限公司地址510515广东省广州市白云区南方医院159栋二单元1602(72)发明人王子宁(74)专利代理机构北京路浩知识产权代理有限公司11002代理人陈玉婷(51)Int.Cl.G06N3/08(2006.01)G06N3/04(2006.01)权利要求书2页说明书7页附图2页(54)发明名称一种卷积神经网络的训练方法及装置(57)摘要本发明实施例提供一种卷积神经网络的训练方法及装置，所述方法包括：根据预训练样本数据和原始卷积神经网络，确定瘦身卷积神经网络；所述瘦身卷积神经网络是保留全部目标卷积核、且保留可存储新卷积核的存储空间的卷积神经网络；输入训练样本数据至所述瘦身卷积神经网络，若识别出所述新卷积核，则确定与所述新卷积核对应的新特征分类类别；根据所述新特征分类类别标注对应的样本数据，并训练所述瘦身卷积神经网络。所述装置执行上述方法。本发明实施例提供的卷积神经网络的训练方法及装置，不仅有效提高了卷积神经网络识别已知类别的执行效率，还通过新特征分类类别标注对应的样本数据，并训练瘦身卷积神经网络，增强瘦身卷积神经网络的适应性。CN110782032ACN110782032A权利要求书1/2页1.一种卷积神经网络的训练方法，其特征在于，包括：根据预训练样本数据和原始卷积神经网络，确定瘦身卷积神经网络；所述瘦身卷积神经网络是保留全部目标卷积核、且保留可存储新卷积核的存储空间的卷积神经网络；其中，所述目标卷积核是利用KernelRetrace方法得到的、权重值大于预设值的卷积核、所述新卷积核是新增的所述目标卷积核、且具有新特征；输入训练样本数据至所述瘦身卷积神经网络，若识别出所述新卷积核，则确定与所述新卷积核对应的新特征分类类别；根据所述新特征分类类别标注对应的样本数据，并训练所述瘦身卷积神经网络。2.根据权利要求1所述的卷积神经网络的训练方法，其特征在于，所述若识别出所述新卷积核，则确定与所述新卷积核对应的新特征分类类别，包括：若识别出所述新卷积核，则输入所述新卷积核至所述瘦身卷积神经网络的分类器，并将所述分类器针对所述新卷积核的输出结果作为所述新特征分类类别；其中，所述分类器可识别未知分类类别。3.根据权利要求2所述的卷积神经网络的训练方法，其特征在于，预先构建预存储所述新卷积核的卷积核库；相应的，在所述输入训练样本数据至所述瘦身卷积神经网络的步骤之后，所述新卷积核的确定，包括：利用KernelRetrace方法确定待确定新卷积核；其中，所述待确定新卷积核为新增的所述目标卷积核；若所述待确定新卷积核不在所述卷积核库，则确定所述待确定新卷积核为所述新卷积核。4.根据权利要求3所述的卷积神经网络的训练方法，其特征在于，所述卷积神经网络的训练方法，还包括：根据所述新特征分类类别对应的新卷积核，更新所述卷积核库。5.根据权利要求3所述的卷积神经网络的训练方法，其特征在于，所述卷积神经网络的训练方法，还包括：将首次利用所述KernelRetrace方法得到的所有目标卷积核作为初始化的卷积核库。6.根据权利要求2至5任一所述的卷积神经网络的训练方法，其特征在于，所述分类器为openmax。7.一种卷积神经网络的训练装置，其特征在于，包括：确定单元，用于根据预训练样本数据和原始卷积神经网络，确定瘦身卷积神经网络；所述瘦身卷积神经网络是保留全部目标卷积核、且保留可存储新卷积核的存储空间的卷积神经网络；其中，所述目标卷积核是利用KernelRetrace方法得到的、权重值大于预设值的卷积核、所述新卷积核是新增的所述目标卷积核、且具有新特征；识别单元，用于输入训练样本数据至所述瘦身卷积神经网络，若识别出所述新卷积核，则确定与所述新卷积核对应的新特征分类类别；训练单元，用于根据所述新特征分类类别标注对应的样本数据，并训练所述瘦身卷积神经网络。8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述2CN110782032A权利要求书2/2页方法的步骤。9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述方法的步骤。3CN110782032A说明书1/7页一种卷积神经网络的训练方法及装置技术领域[0001]本发明涉及人工智能技术领域，尤其涉及一种卷积神经网络的训练方法及装置。背景技术[0002]构建大规模标签集对于图像分类的监督学习任务来说