[发明专利]基于非校验集预测图像识别模型泛化误差的方法及系统

权利要求书

1.一种基于非校验集预测图像识别模型泛化误差的方法，其特征在于，包括以下步骤：

(1)在每一个训练回合结束后，随机采样K组训练图片，使用模型优化器计算所述K组训练图片对应的图像识别模型的参数更新量；

(2)利用所述参数更新量，得到对应的K个更新后的模型，并记录所述K个更新后的模型对各张训练图片的输出；

(3)计算所述各张训练图片的输出的方差值，使用输出模长对所述方差值进行归一化，得到输出相对方差；以所述输出相对方差预测所述图像识别模型的泛化误差在训练过程中的变化趋势；

所述输出相对方差RV表示为：

其中，n为图片样本数，i＝1,2,……,n，j＝1,2,……,K，f表示图像识别模型。

2.如权利要求1所述的基于非校验集预测图像识别模型泛化误差的方法，其特征在于，所述图像识别模型的参数更新量为参数更新梯度。

3.如权利要求1所述的基于非校验集预测图像识别模型泛化误差的方法，其特征在于，所述模型优化器包括ADAM优化器、SGD优化器。

4.一种基于非校验集预测图像识别模型泛化误差的系统，其特征在于，包括：

第一计算模块，用于在每一个训练回合结束后，随机采样K组训练图片，使用模型优化器计算所述K组训练图片对应的图像识别模型的参数更新量；

更新模块，用于利用所述参数更新量，得到对应的K个更新后的模型，并记录所述K个更新后的模型对各张训练图片的输出；

第二计算模块，用于计算所述各张训练图片的输出的方差值，使用输出模长对所述方差值进行归一化，得到输出相对方差；以所述输出相对方差预测所述图像识别模型的泛化误差在训练过程中的变化趋势；

所述输出相对方差RV表示为：

其中，n为图片样本数，i＝1,2,……,n，j＝1,2,……,K，f表示图像识别模型。

5.如权利要求4所述的基于非校验集预测图像识别模型泛化误差的系统，其特征在于，所述图像识别模型的参数更新量为参数更新梯度。

6.如权利要求4所述的基于非校验集预测图像识别模型泛化误差的系统，其特征在于，所述模型优化器包括ADAM优化器、SGD优化器。