[发明专利]用于提升深度学习网络预测性能的方法、装置及存储介质有效
| 申请号： | 201811149122.1 | 申请日： | 2018-09-29 |
| 公开（公告）号： | CN109376615B | 公开（公告）日： | 2020-12-18 |
| 发明（设计）人： | 刘通;牛群遥;朱林;孙茂芬;章勇;曹李军;吴仁良;杨浩 | 申请（专利权）人： | 苏州科达科技股份有限公司 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/62;G06N3/04;G06N3/08 |
| 代理公司： | 苏州谨和知识产权代理事务所(特殊普通合伙) 32295 | 代理人： | 叶栋 |
| 地址： | 215011 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本申请涉及一种用于提升深度学习网络预测性能的方法、装置及储存介质，属于人工智能及计算机技术领域，该方法包括：利用预先设置的训练集对第一神经网络模型进行m轮次迭代训练；利用预先设置的验证集对训练得到的神经网络模型进行验证；基于训练得到的神经网络模型所应用的场景确定出对应的性能指标；从m轮次迭代训练得到的神经网络模型中选择确定出的性能指标达到融合标准的多个神经网络模型；获取选择的多个神经网络模型的网络参数，将多个神经网络模型的网络参数融合；将融合后的网络参数赋给第二神经网络模型得到具有融合后的网络参数的神经网络模型；不仅未增加训练模型的时间，还可以提高网络预测效率，也可以满足应用场景的不同需求。 | ||
| 搜索关键词： | 用于 提升 深度 学习 网络 预测 性能 方法 装置 存储 介质 | ||
【主权项】：
1.一种用于提升深度学习网络预测性能的方法，其特征在于，所述方法包括：利用预先设置的训练集对第一神经网络模型进行m轮次迭代训练，所述m为正整数；利用预先设置的验证集对训练得到的神经网络模型进行验证，获取每轮训练得到的神经网络模型的多项性能指标；基于所述训练得到的神经网络模型所应用的场景确定出对应的性能指标；从所述m轮次迭代训练得到的神经网络模型中选择确定出的性能指标达到融合标准的多个神经网络模型；获取选择的多个神经网络模型的网络参数，将所述多个神经网络模型的网络参数融合，得到融合后的网络参数；将所述融合后的网络参数赋给第二神经网络模型，得到具有所述融合后的网络参数的神经网络模型，所述第二神经网络模型的网络结构与所述第一神经网络模型的网络结构相同。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于苏州科达科技股份有限公司，未经苏州科达科技股份有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811149122.1/，转载请声明来源钻瓜专利网。
