[发明专利]一种光电混合深度卷积神经网络方法

说明书

深度学习是增长最快的机器学习方法之一，光学机器学习在功率效率，可扩展性和计算速度方面具有优势。已经引入了基于衍射深度神经网络(D2NN)的光学机器学习方法来执行功能，因为输入光通过使用计算机的深度学习设计的无源层衍射。我们通过改变训练损失函数并减少误差反向传播步骤中消失梯度的影响来介绍D2NN的改进。除了创建低功耗和高帧率无处不在的机器学习平台之外，这种基于D2NN的混合神经网络将在智能光学成像器和传感器设计中得到应用。本方法的目的是提供光电混合深度神经网络的方法，该方法操作简单，并且能够提高识别图像的准确率。

技术领域

本发明属于光学深度学习领域，特别涉及一种光电混合深度卷积神经网络方法。

背景技术

深度学习是增长最快的机器学习方法之一，它使用在计算机中实现的多层人工神经网络工程来数字化学习数据代表和抽象，并执行高级任务，可比较甚至优于人类专家的表现。最近深度学习在机器学习方面取得重大进展的例子包括医学图像分析，语音识别，语言翻译，图像分类等。除了这些主流应用之外，深度学习方法也可以用于解决逆成像问题。

光学机器学习在功率效率，可扩展性和计算速度方面具有优势。近来，已经引入了基于衍射深度神经网络(D2NN)的光学机器学习方法来执行功能，因为输入光通过使用计算机的深度学习设计的无源层衍射。在这里，我们通过改变训练损失函数并减少误差反向传播步骤中消失梯度的影响来介绍D2NN的改进。使用五个仅相位衍射层，有报告关于D2NN与电子神经网络的集成，以创建混合分类器，使用具有几个波长的层到层距离的超紧凑前端D2NN，显着减少进入电子网络的输入像素数量，还降低了连续电子网络的复杂性。使用与单个全连接电子层联合优化的5层仅相位D2NN。此外，有报告关于D2NN与电子神经网络的集成，以创建混合分类器，使用具有几个波长的层到层距离的超紧凑前端D2NN，显着减少进入电子网络的输入像素数量，还降低了连续电子网络的复杂性。我们使用5层仅相位D2NN与单个完全连接的电子层联合优化。此外，对电子网络的输入被压缩7.8倍至10×10像素，减少了联合优化的混合分类系统的电子部分的存储器和计算能量需求。除了创建低功耗和高帧率无处不在的机器学习平台之外，这种基于D2NN的混合神经网络将在智能光学成像器和传感器设计中得到应用。

发明内容

本发明的目的在于克服现有技术的缺点，提供一种光电混合深度卷积神经网络方法，该方法操作简单，并且能够提高识别图像的准确率，增加装置的适用性。

为解决上述技术问题，本发明采用的技术方案是：一种光电混合深度卷积神经网络方法，所述方法包括以下步骤：步骤a、通过演示全光学衍射深度神经网络构架执行机器学习；步骤b、创建3D打印的基于衍射深度神经网络，实现手写数字和时尚产品图像的分类；步骤c、用全光学进行图像分析、特征检测和对象分类；步骤d、通过全光学深度学习框架统计学习功能；步骤e、基于由期望函数确定的关于目标输出的计算误差，使用误差反向传播算法优化网络结构及其神经元相位值。

优选的，所述全光学深度学习框架中，神经网络由多层衍射表面物理地形成。

优选的，所述误差反向传播算法元相位值，该算法基于传统深度学习中使用的随机梯度下降方法。

与现有技术相比，本发明的有益效果在于：

本方法的目的是提供光电混合深度神经网络的方法，该方法操作简单，并且能够提高识别图像的准确率。

应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当用作对本发明所要求保护内容的限制。

附图说明

参考随附的附图，本发明更多的目的、功能和优点将通过本发明实施方式的如下描述得以阐明，其中：

图1示意性示出了本发明光栅衍射神经元示意图；

图2示意性示出了本发明测试集准确率示意图；

图3示意性示出了本发明输出效果图。