[发明专利]一种人工智能框架进行CNN迭代训练方法

说明书

本发明公开了一种人工智能框架进行CNN迭代训练方法，为了实现智能训练，也可称为挂机训练。本CNN训练框架采用了动态学习率的算法和自动判收敛算法。随着训练轮次的展开，学习率会根据反向梯度算法中的梯度变化而动态调整，逐步减小至预设的值。梯度变化在一定时间内变化小于阈值，那么系统将自行停止训练，标志训练完成。训练完成后，用测试程序把得到的网络文件对未知样本集进行分类识别，再稍加辅以人工矫正，便能很方便的扩充训练数据集，进行迭代训练。最终实现的网络分类准确率能达到99.8％。

技术领域

本发明涉及视频识别领域，特别涉及一种人工智能框架进行CNN迭代训练方法。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(convolutional layer)和池化层(pooling layer)。

一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。

CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形，该部分功能主要由池化层实现。由于CNN的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显式的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。

发明内容

本发明的目的在于：提供了一种人工智能框架进行CNN迭代训练方法，解决了现有CNN网络训练阶段自动化程度低，传统的迭代训练较为复杂的问题。

本发明采用的技术方案如下：

一种人工智能框架进行CNN迭代训练方法，包括样本集，其特征在于：包括以下步骤：

S1、构建CNN网络结构，所述CNN网络结构为训练网络，此训练网络包括三个卷积层、两个池化层和一个输出层；其中：

第一层是卷积层，采用Relu激活函数，卷积方式为带边卷积；

第二层是池化层，按照最大值池化；

第三层是卷积层，采用Relu激活函数，卷积方式为带边卷积；

第四层是卷积层，采用Relu激活函数，卷积方式为带边卷积；

第五层是池化层，采用Relu激活函数；

第六层是输出层，采用Softmax激活函数；

S2、将样本集送入步骤S1建立的训练网络中进行识别训练，训练完成后得到CNN网络；

S3、用测试程序把得到的CNN网络对未知样本集进行分类识别，再辅以人工矫正，进行迭代训练，得到新的的CNN网络；