基于大数据的深度学习方法技术

本发明专利技术提供了一种基于大数据的深度学习方法，包括以下步骤：建立深度学习模型，所述深度学习模型包括多层神经元模型；选取预选图像的部分区域图像作为一神经元模型的输入；对该输入进行卷积求和、添加偏移量经过激活函数之后输出的特征映射图作为下一层神经元模型的输入；每一层神经元模型的输出作为下一层神经元模型的输入；提取每一层输入的特征映射图的局部显著特征并存储。本发明专利技术极大地减少了参数的数量，可以防止过拟合，提升运算的效率。

【技术实现步骤摘要】
基于大数据的深度学习方法
本专利技术涉及人工智能
，具体而言，涉及一种基于大数据的深度学习方法。
技术介绍
深度学习是近十年来人工智能领域取得的最重要的突破之一，通过建立类似于人脑的分层模型结构对输入数据逐级提取从底层到高层的特征从而能很好地建立从底层信号到高层语义的映射关系。神经网络是对生物上大脑学习方式进行建模。当你尝试进行一个新任务时，一系列特定的神经元集合会被激活。你观察到结果，接下来利用反馈来调整哪些神经元应该被激活，以此来训练大脑。多次之后，一些神经元之间的联系将变强而另外一些则变弱，这就形成了记忆的基础。传统的神经网络具有很强的非线性能力，但是非常明显的缺点是参数数量多、收敛速度慢、容易过拟合等，20世纪计算机的计算能力比较薄弱，而且支持向量机等机器学习方法的兴起，导致神经网络(ArtificialNeuralNetwork)并没有得到重视。
技术实现思路
本专利技术的目的在于提供一种基于大数据的深度学习方法，以减少参数的数量，防止过拟合，达到提升运算效率的效果。本专利技术是这样实现的：本专利技术提供一种基于大数据的深度学习方法，所述基于大数据的深度学习方法包括以下步骤：建立深度学习模型，所述深度学习模型包括多层神经元模型；选取预选图像的部分区域图像作为一神经元模型的输入；对该输入进行卷积求和、添加偏移量经过激活函数之后输出的特征映射图作为下一层神经元模型的输入；每一层神经元模型的输出作为下一层神经元模型的输入；提取每一层输入的特征映射图的局部显著特征并存储。进一步地，所述深度学习模型采用稀疏链接。进一步地，每一层所述神经元模型采用相同的卷积操作。进一步地，在提取每一层输入的特征映射图的局部显著特征之后还包括：对所述局部显著特征划分不重叠的矩形，对于每个矩形进行池化函数操作。进一步地，所述提取每一层输入的特征映射图的局部显著特征包括：对每一层输入的特征映射图进行采样计算得到局部显著特征。进一步地，所述神经元模型包括链接矩阵。进一步地，所述方法还包括：计算每一层神经元模型的误差敏感项，依据每一层神经元模型的误差敏感项对每一层神经元模型的链接矩阵进行更新。进一步地，所述方法还包括：通过GPU加速、数据并行、模型并行的方式对所述深度学习模型加速。相对现有技术，本专利技术具有以下有益效果：本专利技术提供的一种基于大数据的深度学习方法，通过建立深度学习模型，深度学习模型包括多层神经元模型；对神经元模型的输入进行卷积求和、添加偏移量经过激活函数，之后输出的特征映射图作为下一层神经元模型的输入，提取每一层输入的特征映射图的局部显著特征并存储。极大地减少了参数的数量，可以防止过拟合，提升运算的效率。为使本专利技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。附图说明为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。图1示出了本专利技术所提供的一种基于大数据的深度学习方法的应用环境示意图。图2示出了本专利技术所提供的一种服务器的示意图。图3示出了本专利技术所提供的一种基于大数据的深度学习方法的步骤图。图4示出了本专利技术所提供的一种神经元模型之间的稀疏链接示意图。图5示出了本专利技术所提供的一种池化过程示意图。具体实施方式下面将结合本专利技术实施例中附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例所提供的基于大数据的深度学习方法可应用于如图1所示的应用环境中。如图1所示，服务器100、客户端200位于网络400中，客户端200与服务器100通过该网络400进行数据交互。所述客户端200可以获取预选图像300，所述客户端200通过所述网络400访问所述服务器100后，可通过所述网络400将预选图像300发送至服务器100。本专利技术实施例提出的基于大数据的深度学习方法可适用于服务器100。该服务器100可以是数据库服务器。该客户端200可以是，但不限于智能手机、个人电脑(personalcomputer，PC)、平板电脑、个人数字助理(personaldigitalassistant，PDA)、移动上网设备(mobileInternetdevice，MID)等。所述客户端200的操作系统可以是，但不限于，安卓(Android)系统、IOS(iPhoneoperatingsystem)系统、Windowsphone系统、Windows系统等。如图2所示，是服务器100的方框示意图。服务器100包括存储器101、存储控制器102及处理器103。所述存储器101、存储控制器102及处理器103，各元件相互之间直接或间接地电性连接，以实现数据的传输或交互。例如，这些元件相互之间可通过一条或多条通讯总线或信号线实现电性连接。服务器100可以建立深度学习模型，深度学习模型包括至少一个可以软件或固件(firmware)的形式存储于所述存储器101中的程序模块。所述处理器103用于执行存储器101中存储的可执行程序模块。其中，存储器101可以是，但不限于，随机存取存储器101(RandomAccessMemory，RAM)，只读存储器ReadOnlyMemory，ROM)，可编程只读存储器(ProgrammableRead-OnlyMemory，PROM)，可擦除只读存储器(ErasableProgrammableRead-OnlyMemory，EPROM)，电可擦除只读存储器(ElectricErasableProgrammableRead-OnlyMemory，EEPROM)等。其中，存储器101用于存储程序，所述处理器103在接收到执行指令后，执行所述程序，前述本专利技术实施例任一实施例揭示的流过程定义的服务器100所执行的方法可以应用于处理器103中，或者由处理器103实现。处理器103可能是一种集成电路芯片，具有信号的处理能力。上述的处理器103可以是通用处理器103，包括中央处理器103(CentralProcessingUnit，简称CPU)、网络处理器103(NetworkProcessor，简称NP)等；还可以是数字信号处理器103(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发本文档来自技高网...

【技术保护点】
一种基于大数据的深度学习方法，其特征在于，所述基于大数据的深度学习方法包括以下步骤：建立深度学习模型，所述深度学习模型包括多层神经元模型；选取预选图像的部分区域图像作为一神经元模型的输入；对该输入进行卷积求和、添加偏移量经过激活函数之后输出的特征映射图作为下一层神经元模型的输入；每一层神经元模型的输出作为下一层神经元模型的输入；提取每一层输入的特征映射图的局部显著特征并存储。

【技术特征摘要】
1.一种基于大数据的深度学习方法，其特征在于，所述基于大数据的深度学习方法包括以下步骤：建立深度学习模型，所述深度学习模型包括多层神经元模型；选取预选图像的部分区域图像作为一神经元模型的输入；对该输入进行卷积求和、添加偏移量经过激活函数之后输出的特征映射图作为下一层神经元模型的输入；每一层神经元模型的输出作为下一层神经元模型的输入；提取每一层输入的特征映射图的局部显著特征并存储。2.如权利要求1所述的基于大数据的深度学习方法，其特征在于，所述深度学习模型采用稀疏链接。3.如权利要求1所述的基于大数据的深度学习方法，其特征在于，每一层所述神经元模型采用相同的卷积操作。4.如权利要求1至3任一项所述的基于大数据的深度学习方法，其特征在于，在提取每一层输入的特征映...

【专利技术属性】
技术研发人员：代强，
申请(专利权)人：南京中蓝数智信息技术有限公司，
类型：发明
国别省市：江苏,32