[发明专利]一种深度学习图像分类方法

权利要求书

1.一种深度学习图像分类方法，其特征在于，包括以下步骤：

S1、构建用于图像分类的训练集；

S2、采用训练集训练图像分类模型，得到训练完成的图像分类模型；

S3、采用训练完成的图像分类模型对待分类图像进行处理，得到待分类图像的类型。

2.根据权利要求1所述的深度学习图像分类方法，其特征在于，所述步骤S2中图像分类模型包括依次连接的6层神经网络，前5层神经网络为全连接层，第6层神经网络为softmax层。

3.根据权利要求2所述的深度学习图像分类方法，其特征在于，所述步骤S2包括以下分步骤：

S21、设置迭代次数k的初始值为1；

S22、将训练集中的第k张图像输入到图像分类模型中，得到图像分类模型第k次迭代输出的分类概率；

S23、根据图像分类模型第k次迭代输出的分类概率和对应的期望概率，计算损失值；

S24、判断损失值是否小于阈值，若是，则得到训练完成的图像分类模型，若否，则跳转至步骤S25；

S25、根据图像分类模型第k次迭代输出的分类概率和对应的期望概率，计算概率误差；

S26、根据概率误差，逐层调节神经网络权重，得到更新后的图像分类模型，k自加1，并跳转至步骤S22中。

4.根据权利要求3所述的深度学习图像分类方法，其特征在于，所述步骤S23中损失值的计算公式为：

其中，L为损失值，y_i,k为第k次迭代第i个分类的期望概率，p_i,k为第k次迭代第i个分类的分类概率，为第k次迭代第i个分类的第6层神经网络的输出，j为叠加变量。

5.根据权利要求3所述的深度学习图像分类方法，其特征在于，所述步骤S25中概率误差的公式为：

e_i,k＝y_i,k-p_i,k

其中，e_i,k为第k次迭代第i个分类的概率误差，y_i,k为第k次迭代第i个分类的期望概率，p_i,k为第k次迭代第i个分类的分类概率。

6.根据权利要求3所述的深度学习图像分类方法，其特征在于，所述步骤S26中逐层调节图像分类模型权重包括以下步骤：

A1、将第k次迭代的所有分类类型的概率误差e_i,k，构建为第k次迭代的概率误差矩阵e(k)；

A2、根据第k次迭代的概率误差矩阵e(k)，计算第k次迭代的第6层神经网络的局部梯度和调节权重

A3、根据第k次迭代的第6层神经网络的局部梯度计算第k次迭代的第5层神经网络的局部梯度和调节权重

A4、根据第k次迭代的第5层神经网络的局部梯度计算第k次迭代的第4层神经网络的局部梯度并基于局部梯度计算第k次迭代的第4层神经网络的调节权重

A5、根据第k次迭代的第5层神经网络的局部梯度计算第k次迭代的第5层神经网络的归一化局部梯度

A6、根据第k次迭代的第5层神经网络的归一化局部梯度计算第k次迭代的第4层神经网络的归一化局部梯度

A7、根据第k次迭代的第4层神经网络的归一化局部梯度计算第k次迭代的第3层神经网络的局部梯度和调节权重

A8、根据第k次迭代的第3层神经网络的局部梯度计算第k次迭代的第2层神经网络的局部梯度基于局部梯度计算第k次迭代的第2层神经网络的调节权重

A9、根据第k次迭代的第4层神经网络的归一化局部梯度计算第k次迭代的第3层神经网络的归一化局部梯度

A10、根据第k次迭代的第3层神经网络的归一化局部梯度计算第k次迭代的第2层神经网络的归一化局部梯度

A11、根据第k次迭代的第2层神经网络的归一化局部梯度计算第k次迭代的第1层神经网络的局部梯度并基于局部梯度计算第k次迭代的第1层神经网络的调节权重

A12、采用第k次迭代的第1至6层神经网络的调节权重更新对应层神经网络的权重，完成第k次迭代后对权重的调节。