[发明专利]用于提升深度学习网络预测性能的方法、装置及存储介质

权利要求书

1.一种用于提升深度学习网络预测性能的方法，其特征在于，所述方法包括：

利用预先设置的训练集对第一神经网络模型进行m轮次迭代训练，所述m为正整数；

利用预先设置的验证集对训练得到的神经网络模型进行验证，获取每轮训练得到的神经网络模型的多项性能指标；所述训练集和所述验证集包括图片数据和每个图片数据的标注信息；

基于所述训练得到的神经网络模型所应用的场景确定出对应的性能指标；

从所述m轮次迭代训练得到的神经网络模型中选择确定出的性能指标达到融合标准的多个神经网络模型；

获取选择的多个神经网络模型的网络参数，将所述多个神经网络模型的网络参数融合，得到融合后的网络参数；

将所述融合后的网络参数赋给第二神经网络模型，得到具有所述融合后的网络参数的神经网络模型，所述第二神经网络模型的网络结构与所述第一神经网络模型的网络结构相同。

2.根据权利要求1所述的方法，其特征在于，所述将所述多个神经网络模型的网络参数融合，得到融合后的网络参数，包括：

根据加权平均法将所述多个神经网络模型的网络参数融合，得到所述融合后的网络参数。

3.根据权利要求2所述的方法，其特征在于，所述根据加权平均法将所述多个神经网络模型的网络参数融合，得到所述融合后的网络参数，包括：

设定所述验证集的基础性能指标；

确定每个选择的神经网络模型的性能指标与所述基础性能指标之间差值，得到性能指标差值；

确定各个性能指标差值之间的和，得到性能指标差值和；

对于每个选择的神经网络模型，确定所述选择的神经网络模型对应的性能指标差值与所述性能指标差值和之间的商，得到所述选择的神经网络模型在进行网络参数融合时对应的权重值；

将每个所述选择的神经网络模型的网络参数与对应的权重值的乘积相加，得到所述融合后的网络参数。

4.根据权利要求1至3任一所述的方法，其特征在于，所述从所述m轮次迭代训练得到的神经网络模型中选择确定出的性能指标达到融合标准的多个神经网络模型，包括：

将m次迭代轮次按照迭代顺序划分得到k个迭代轮次区间，所述k为小于或等于所述m的正整数；

在所述k个迭代轮次区间的每个迭代轮次区间中，确定验证集的性能指标最高的神经网络模型，得到k个神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述m次迭代轮次是经所述验证集验证的训练后的神经网络模型的性能指标与最高性能指标的差值小于或等于预设差值的迭代轮次，所述最高性能指标是指经所述验证集验证的各个训练后的神经网络模型的性能指标中的最大值。

6.根据权利要求1至3任一所述的方法，其特征在于，所述具有所述融合后的网络参数的神经网络模型用于对开车时是否在打电话进行网络预测。

7.根据权利要求1至3任一所述的方法，其特征在于，所述基于所述训练得到的神经网络模型所应用的场景确定出对应的性能指标，包括：

所述训练得到的神经网络模型所应用的场景为分类识别场景时，确定所述性能指标为准确率；

或者，

所述训练得到的神经网络模型所应用的场景为检测识别场景时，所述性能指标为精确率或召回率。