[发明专利]精简输入的深度学习神经网络方法、装置和机器人系统

说明书

本发明提供一种深度学习神经网络方法，该方法包括：对第一深度学习神经网络进行测试得到第一输出正确率，将第一深度学习神经网络的输入层的每个输入变量作为一个输入变量组合组成尝试删除输入变量组合的集合，尝试删除输入变量组合的集合中选取一个输入变量组合，根据输入变量组合得到第二深度学习神经网络，对得到的第二深度学习神经网络进行测试得到第二输出正确率，根据第一输出正确率和第二输出正确率生成了可选删除输入变量组合的集合，在可选删除输入变量组合的集合中选取优选删除的输入变量组合，根据优选删除的输入变量组合得到第三深度学习神经网络。此外，还提供了一种深度学习神经网络装置、一种计算机设备、一种机器人系统和计算机可读存储介质。

技术领域

本发明涉及机器学习领域，特别是涉及一种精简输入的深度学习神经网络方法、装置、计算机设备、机器人系统和存储介质。

背景技术

人工神经网络(Artificial Neural Networks，简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model)，它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。

传统技术中，因为缺乏对必要输入变量的确定方法，使得很多输入变量都是多余的，而对于神经网络根据输入变量预测输出，有些输入变量并没有起到决定性的作用，反而增加了数据采集的成本，造成了人力物力的浪费。

发明内容

基于此，有必要针对上述问题，提供一种能够有效避免由于输入变量冗余导致数据采集成本过高的精简输入的深度学习神经网络方法、装置、计算机设备、机器人系统和存储介质。

一种深度学习神经网络方法，该方法包括：

对第一深度学习神经网络进行测试，得到第一深度学习神经网络的第一输出正确率；

将第一深度学习神经网络的每个输入变量作为一个输入变量组合，生成尝试删除输入变量组合的集合；

从尝试删除输入变量组合的集合中选取一个输入变量组合；

将选取的输入变量组合对应的第一深度学习神经网络的输入节点删除，得到第二深度学习神经网络；

对第二深度学习神经网络进行测试，得到第二深度学习神经网络的第二输出正确率；

根据第一输出正确率和第二输出正确率生成可选删除输入变量组合的集合；

从可选删除输入变量组合的集合中选取输入变量组合作为优选删除的输入变量组合，将优选删除的输入变量组合对应的第二深度学习神经网络的输入节点删除，得到第三深度学习神经网络。

在其中一个实施例中，根据第一输出正确率和第二输出正确率生成可选删除输入变量组合的集合，包括：根据第一输出正确率和第二输出正确率更新尝试删除输入变量组合的集合，并生成可删除输入变量组合的集合；根据更新后的尝试删除输入变量组合的集合和可删除输入变量组合的集合生成可选删除输入变量组合的集合。

在其中一个实施例中，根据第一输出正确率和第二输出正确率更新尝试删除输入变量组合的集合，并生成可删除输入变量组合的集合，包括：当第一输出正确率与第二输出正确率的差值大于预设阈值时，则将选取的输入变量组合从尝试删除输入变量组合的集合中删除；反之，则将选取的输入变量组合从尝试删除输入变量组合的集合中删除，并将输入变量组合加入可删除输入变量组合的集合。