[发明专利]期望与反期望深度学习方法和神经网络系统

说明书

本发明涉及一种期望与反期望深度学习方法和神经网络系统，通过输出数据的期望标签和反期望标签构造2个深度学习神经网络，分别对与期望标签对应的深度学习神经网络和与反期望标签对应的深度学习神经网络进行训练，避免了深度学习神经网络当存在属性相反的输出数据时结构动荡的问题，提高了深度学习神经网络训练的可靠性。

技术领域

本发明涉及深度学习神经网络技术领域，特别是涉及一种期望与反期望深度学习方法和神经网络系统。

背景技术

深度学习神经网络通过输入数据和输出数据对深度学习神经网络进行训练。如果有的输入数据在不同场景下既能产生属性相反的输出数据(这是有可能的，假如还有影响输出结果的其他条件数据没有包括在输入数据中，那么就有可能因为其他条件数据的变化，而产生不同的输出数据)，此时就会在训练过程中引起深度学习神经网络结构的动荡，不利于深度学习神经网络的训练，而且也不利于深度学习神经网络的使用，因为无法得知输出数据的可信度是多少。

例如，深度学习神经网络判断一个人是不是男的，输入不同人的人脸特征，同样脸部特征的人可能是男的，也可能是女的，此时就会在训练过程中引起深度学习神经网络结构的动荡。

发明内容

基于此，有必要针对产生深度学习神经网络当存在属性相反的输出数据时结构动荡的问题，提供一种期望与反期望深度学习方法和神经网络系统。

一种期望与反期望深度学习方法，包括以下步骤：获取训练数据中的输出数据的期望标签和反期望标签；其中，所述反期望标签是与所述期望标签的属性相反的标签；初始化与期望标签对应的深度学习神经网络，得到期望深度学习神经网络，初始化与反期望标签对应的深度学习神经网络，得到反期望深度学习神经网络；分别对所述期望深度学习神经网络和反期望深度学习神经网络进行训练。

所述的深度学习方法，分别对所述期望深度学习神经网络和反期望深度学习神经网络进行训练的步骤包括：通过训练数据中的输入数据分别对期望深度学习神经网络和反期望深度学习神经网络进行无监督训练；从训练数据中获取与期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对期望深度学习神经网络进行有监督训练，并从训练数据中获取与期望标签及反期望标签都不一致的输出标签对应的输入数据，将该输入数据作为输入，将0作为预期输出，对期望深度学习神经网络进行有监督训练；从训练数据中获取与反期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对反期望深度学习神经网络进行有监督训练，并从训练数据中获取与期望标签及反期望标签都不一致的输出标签对应的输入数据，将该输入数据作为输入，将0作为预期输出，对反期望深度学习神经网络进行有监督训练。

所述的深度学习方法，从训练数据中获取与期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对期望深度学习神经网络进行有监督训练的步骤之后还包括：从训练数据中获取与期望标签一致的第一输出数据及其对应的第一输入数据；从每一第一输入数据中筛选出第一预设比例的数据，得到对应的每一第二输入数据；将每一第二输入数据作为输入，将所述第一预设比例作为预期输出，对期望深度学习神经网络进行有监督训练。

所述的深度学习方法，从训练数据中获取与反期望标签一致的输出标签对应的输入数据，将该输入数据作为输入，将1作为预期输出，对反期望深度学习神经网络进行有监督训练的步骤之后还包括：将所述训练数据中与反期望标签一致的输出标签对应的输入数据作为第三输入数据；从每一第三输入数据中筛选出第二预设比例的数据，得到对应的每一第四输入数据；将每一第四输入数据作为输入，将对应的第二预设比例作为预期输出，对反期望深度学习神经网络进行有监督训练。

所述的深度学习方法，在分别对所述期望深度学习神经网络和反期望深度学习神经网络进行训练之后，还包括以下步骤：计算输入数据对应的输出属于期望标签的可信度及输入数据对应的输出属于反期望标签的可信度。