[发明专利]神经网络模型的训练装置和训练方法

说明书

本公开提供了一种神经网络模型的训练装置和训练方法，其中训练方法包括：取得数据集合；根据数据集合完成多次人工智能模型训练以产生分别对应于多次人工智能模型训练的多个模型；根据第一限制条件从多个模型中选出第一模型集合；以及根据第二限制条件从第一模型集合中选出神经网络模型。

技术领域

本公开是有关于一种神经网络模型的训练装置和训练方法。

背景技术

在产业应用人工智能进行自动光学检测(automated optical inspection，AOI)时，往往会因为训练数据中的瑕疵影像数量远小于正常影像数量而导致所训练出的神经网络的效能不佳。另一方面，当存在多个类别的瑕疵时，每种瑕疵影像的数量分布极不均衡也会导致所训练出的神经网络无法准确地辨识出各个类别的瑕疵。

现行神经网络的训练方法往往只依照单一限制条件来筛选适当的模型，例如，根据对应于验证数据集合(validation set)的最小错误率(error rate)来决定最佳的神经网络模型。这种训练方法并无法有效地解决上述之议题。据此，提出一种能从众多神经网络模型中筛选出最适当之神经网络模型的方法，是本领域人员致力的目标之一。

公开内容

本公开提出一种神经网络的训练装置和训练方法，可在训练数据集合中各类瑕疵影像的数量分布极不均衡时，通过多重限制条件筛选出最适合(例如：对各类别瑕疵之辨识的平均效能为最佳的)之模型以作为最终被使用的神经网络模型。

本公开的神经网络模型的训练装置，包括处理器、储存媒体以及收发器。储存媒体储存多个模块。处理器耦接储存媒体和收发器，并且存取和执行多个模块，其中多个模块包括数据收集模块以及训练模块。数据收集模块通过收发器取得数据集合。训练模块根据数据集合完成多次人工智能模型训练以产生分别对应于多次人工智能模型训练的多个模型，根据第一限制条件从多个模型中选出第一模型集合，并且根据第二限制条件从第一模型集合中选出神经网络模型。

本公开的神经网络模型的训练方法，包括：取得数据集合；根据数据集合完成多次人工智能模型训练以产生分别对应于多次人工智能模型训练的多个模型；根据第一限制条件从多个模型中选出第一模型集合；以及根据第二限制条件从第一模型集合中选出神经网络模型。

基于上述，当数据集各类影像的数量分布极不均衡时，通过本公开提出的多重限制条件筛选方法所筛选出的模型的辨识效能将比仅依照单一限制条件筛选而得到模型的辨识效能为佳。

附图说明

图1为根据本公开的一实施例绘示神经网络模型的训练装置的示意图。

图2为根据本公开的一实施例绘示神经网络模型的训练方法的流程图。

附图标记说明

100：训练装置

110：处理器

120：储存媒体

121：数据收集模块

122：训练模块

130：收发器

140：图形用户界面

S201、S202、S203、S204：步骤

具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

现将详细参考本公开的实施例，并在图式中说明所述实施例的实例。另外，凡可能之处，在图式及实施方式中使用相同标号的组件/构件代表相同或类似部分。