[发明专利]一种光学神经网络训练方法、装置、设备及介质

权利要求书

1.一种光学神经网络训练方法，其特征在于，包括：

获取包含图像样本和相应标签的训练集，并确定初始光学神经网络；

从所述初始光学神经网络中筛选出包含目标分光器的目标光学运算模块；所述目标分光器为由于自身制造误差而引起分光比偏差的分光器；

分别为所述初始光学神经网络中的每个所述目标光学运算模块均配置相应的能够进行移相操作的误差补偿器，以得到优化后光学神经网络；所述误差补偿器为冗余MZI；每个冗余MZI的输入端均直接与其对应的原始MZI的输出端串接，并且每个冗余MZI的输出端连接方式与其对应的原始MZI在原始FFTNet拓扑结构中的输出端连接方式均保持一致；

利用所述训练集对所述优化后光学神经网络进行训练，并在训练过程中利用所述误差补偿器对相应的所述目标光学运算模块中的所述目标分光器进行误差补偿，以得到训练后光学神经网络模型。

2.根据权利要求1所述的光学神经网络训练方法，其特征在于，所述确定初始光学神经网络，包括：

选取基于GridNet拓扑结构或FFTNet拓扑结构的并采用两层全连接层的光学神经网络，以得到初始光学神经网络。

3.根据权利要求1所述的光学神经网络训练方法，其特征在于，所述从所述初始光学神经网络中筛选出包含目标分光器的目标光学运算模块，分别为所述初始光学神经网络中的每个所述目标光学运算模块均配置相应的能够进行移相操作的误差补偿器，以得到优化后光学神经网络，包括：

从所述初始光学神经网络中筛选出包含目标分光器的所有的马赫曾德尔干涉仪，以得到各目标光学运算模块，并分别为所述初始光学神经网络中的每个所述马赫曾德尔干涉仪均配置相应的能够进行移相操作的误差补偿器，得到优化后光学神经网络。

4.根据权利要求3所述的光学神经网络训练方法，其特征在于，所述分别为所述初始光学神经网络中的每个所述目标光学运算模块均配置相应的能够进行移相操作的误差补偿器之前，还包括：

将马赫曾德尔干涉仪作为用于对所述目标光学运算模块中的所述目标分光器进行误差补偿的器件，以得到所述误差补偿器；

相应的，所述在训练过程中利用所述误差补偿器对相应的所述目标光学运算模块中的所述目标分光器进行误差补偿，包括：

在训练过程中通过对作为所述误差补偿器的马赫曾德尔干涉仪的相位进行自动配置，以完成对所述目标分光器的误差补偿。

5.根据权利要求1至4任一项所述的光学神经网络训练方法，其特征在于，所述利用所述训练集对所述优化后光学神经网络进行训练之前，还包括：

为所述优化后光学神经网络设置包含批量大小、学习率、梯度下降方式、动量、分光器噪声的标准差σ以及训练轮数的超参数；

并且，所述在训练过程中利用所述误差补偿器对相应的所述目标光学运算模块中的所述目标分光器进行误差补偿，包括：

确定出所有所述目标光学运算模块的所有所述目标分光器对应的实际分光比偏差均值，以及确定出与所述实际分光比偏差均值对应的误差补偿器的移相值，然后控制所有所述误差补偿器均按照所述移相值进行同样的相位调整操作。

6.根据权利要求5所述的光学神经网络训练方法，其特征在于，所述获取包含图像样本和相应标签的训练集，包括：

分别按照第一样本选取比例和第二样本选取比例，对预设数据集中携带有相应标签的图像样本进行选取，以得到相应的训练集和测试集；

相应的，所述利用所述训练集对所述优化后光学神经网络进行训练之后，还包括：

利用所述测试集分别对与不同所述分光器噪声对应的各所述训练后光学神经网络模型进行测试，以确定各所述训练后光学神经网络模型的准确率。

7.根据权利要求5所述的光学神经网络训练方法，其特征在于，所述批量大小为100，所述学习率为0.15，所述梯度下降方式为随机梯度下降法，所述分光器噪声服从均值为0、方差为σ²的高斯分布，所述训练轮数为10。