[发明专利]数据模型选择优化方法、装置、计算机装置及存储介质

说明书

本发明提供一种数据模型选择优化方法、数据模型选择优化装置、计算机装置及存储介质，所述方法包括，获取数据信息，根据所述数据信息选取至少两个数据模型；使用所述数据信息对所述至少两个数据模型分别进行训练；获取所述至少两个数据模型的准确率，确定准确率最高的数据模型；选择所述准确率最高的数据模型并进行优化。通过本发明可以使数据模型的选择和优化更加准确、快速。

技术领域

本发明涉及数据模型选择优化技术领域，具体涉及一种数据模型选择优化方法、数据模型选择优化装置、计算机装置及存储介质。

背景技术

CNN(Convolutional Neural Network，卷积神经网络)经常作为工具用在计算器视觉领域上。虽然针对任何一个数据库都可以在卷积神经网络中选择合适的CNN模型，该CNN模型可以用于训练数据库中的样本，从而得到数据库中的样本与样本的标签之间的联系。然而，选择和调整CNN模型需要专业的背景，而且，模型的选择对数据的输出影响很大，所以需要一种快速、准确的选择模型的方法。

发明内容

鉴于以上内容，有必要提出一种数据模型选择优化方法、数据模型选择优化装置、计算机装置及存储介质，使得数据模型的选择和优化更准确、快速。

本申请的第一方面提供一种数据模型选择优化方法，所述方法包括：

获取数据信息，根据所述数据信息选取至少两个数据模型；

使用所述数据信息对所述至少两个数据模型分别进行训练；

获取所述至少两个数据模型的准确率，确定准确率最高的数据模型；

选择所述准确率最高的数据模型并进行优化。

优选地，优化所述准确率最高的数据模型方法包括：按照预设比例在数据模型中删减每层神经元的数量。

优选地，使用所述数据信息对所述至少两个数据模型分别进行训练的步骤包括：

将所述数据信息分为训练集和验证集；

选择第一数据模型，利用所述训练集对所述第一数据模型进行训练；

利用所述验证集对训练后的第一数据模型进行验证，根据验证结果得到第一数据模型的准确率；

选择第二数据模型，利用所述训练集对所述第二数据模型进行训练；

利用所述验证集对训练后的第二数据模型进行验证，并根据验证结果得到第二数据模型的准确率。

优选地，所述方法还包括：

判断优化后的数据模型的准确率是否大于优化前的数据模型的准确率；

若大于，则将优化后的数据模型进行输出；

若不大于，则对优化后的数据模型进行第二次优化。

优选地，所述对优化后的数据模型进行第二次优化的步骤包括：

获取优化后的数据模型中每一层神经元之间连接的权重；

判断每一层神经元之间连接的权重是否符合高斯分布；

若符合，则保留这一层神经元；

若不符合，则对权重不符合高斯分布的一层神经元进行调整。

优选地，所述对权重不符合高斯分布的一层神经元进行调整的步骤包括：

查找权重不符合高斯分布的这一层神经元对应的数据模型所在层数；

在未经过优化的数据模型中，获取所述层数中的神经元之间的权重；

按照所述权重对神经元进行排序，并按照预设比例删除权重小的神经元。