一种深度学习网络模型图形化开发方法技术

本发明专利技术公开一种深度学习网络模型图形化开发方法

【技术实现步骤摘要】
一种深度学习网络模型图形化开发方法、系统及电子设备


[0001]本专利技术涉及神经网络领域，特别是涉及一种深度学习网络模型图形化开发方法
、
系统及电子设备
。

技术介绍

[0002]近年来，随着深度学习理论的发展，深度学习成为机器学习研究中的一个热点领域
。
深度学习通过多隐含层的神经网络，无监督地从输入数据中学习出更多隐含的特征，避免人工特征选取的困难，不但可以很好的过滤噪声，还能提取出数据中的细微故障特征
。
由于深度学习具有良好的特征表征能力，已被广泛应用到图像处理
、
人脸识别
、
自然语言处理
、
故障诊断等领域，并获得了很好的效果
。
[0003]深度学习虽然具有很强的优势，但其模型构建十分繁琐，虽然目前已有很多深度学习框架可使用，但对使用人员的编程能力
、
深度学习理论及框架的掌握水平有很高的要求
。
由于缺乏图形化
、
可视化的开发方法及系统，导致开发效率低
、
开发人员的工作量大，在一定程度上限制了深度学习理论及模型的应用
。

技术实现思路

[0004]本专利技术的目的是提供一种深度学习网络模型图形化开发方法
、
系统及电子设备，能够提高深度学习模型的开发效率
、
降低开发人员的工作强度
。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种深度学习网络模型图形化开发方法，所述开发方法包括：
[0007]根据深度学习网络模型的原理构建网络层控件图层；所述网络层控件图层为输入层
、
卷积层
、
池化层
、
上采样层
、
展平层
、
全连接层
、
分类层或者输出层；所述网络层控件图层的属性值包括属性名称
、
默认值及待选属性值；所述属性名称包括输入参数
、
输出参数和中间参数以及输出参数与所述输入参数和所述中间参数的关系式；
[0008]根据待图形化的深度学习网络模型的结构，选择所需的网络层控件图形，并将所述所需的网络层控件图形进行连接，以及设置所述网络层控件图形的属性值，得到图形化后的深度学习网络模型
。
[0009]可选地，所述根据深度学习网络模型的原理构建网络层控件图层，具体包括：
[0010]根据深度学习网络模型的原理，将深度学习网络模型中所有的
Layer
层
、
激活函数
、
损失函数及预训练网络模型转化为相应的功能网络层控件图层，并将所述功能网络层控件图层保存在模型库中
。
[0011]可选地，根据待图形化的深度学习网络模型的结构，选择所需的网络层控件图形，并将所述所需的网络层控件图形进行连接，以及设置所述网络层控件图形的属性值，得到图形化后的深度学习网络模型，具体包括：
[0012]根据待图形化的深度学习网络模型的结构，从所述模型库中选择所需的网络层控件图形，并将所述所需的网络层控件图形进行连接，得到控件图层模型；
[0013]对所述控件图层模型中的网络层控件图形的属性值进行设置，并将设置属性值后的控件图层模型作为图形化后的深度学习网络模型
。
[0014]可选地，所述开发方法还包括：
[0015]判断所述图形化后的深度学习网络模型是否有效
。
[0016]可选地，判断所述图形化后的深度学习网络模型是否有效，具体包括：
[0017]判断图形化后的深度学习网络模型的输入层
、
输出层和连接环路的个数；
[0018]当所述输入层和所述输出层的数量均为1个且所述连接环路的个数为0个时，所述图形化后的深度学习网络模型有效；
[0019]否则，所述图形化后的深度学习网络模型无效
。
[0020]一种深度学习网络模型图形化开发系统，应用于上述的深度学习网络模型图形化开发方法，所述开发系统包括：
[0021]构建模块，用于根据深度学习网络模型的原理构建网络层控件图层；所述网络层控件图层为输入层
、
卷积层
、
池化层
、
上采样层
、
展平层
、
全连接层
、
分类层或者输出层；所述网络层控件图层的属性值包括属性名称
、
默认值及待选属性值；所述属性名称包括输入参数
、
输出参数和中间参数以及输出参数与所述输入参数和所述中间参数的关系式；
[0022]转换模块，用于根据待图形化的深度学习网络模型的结构，选择所需的网络层控件图形，并将所述所需的网络层控件图形进行连接，以及设置所述网络层控件图形的属性值，得到图形化后的深度学习网络模型
。
[0023]一种电子设备，包括存储器及处理器，所述存储器用于存储计算机程序，所述处理器运行所述计算机程序以使所述电子设备执行上述的深度学习网络模型图形化开发方法
。
[0024]可选地，所述存储器为可读存储介质
。
[0025]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0026]本专利技术提供了提供一种深度学习网络模型图形化开发方法
、
系统及电子设备，采用图形化
、
可视化的开发方法，能有效地降低深度学习技术人员对编程水平和目前深度学习框架的熟练程度，提高深度学习模型的开发效率和易用性且具有很大的灵活性
。
附图说明
[0027]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图
。
[0028]图1为本专利技术深度学习网络模型图形化开发方法流程图
。
[0029]图2为本专利技术深度学习网络模型可视化开发实际操作系统示意图
。
[0030]图3为本专利技术中深度学习模型可视化创建方法流程图
。
[0031]图4为本专利技术中控件图层
CLayer
构建方法示意图
。
[0032]图5为本专利技术中控件图层模型转化为深度学习模型方法示意图
。
[0033]图7为本专利技术构建可视化图层模型图
。
[0034]图6为本专利技术构建存在环的可视化图层模型图
。
[0035]图8为本专利技术构建的深度学习模型迭代次数与分类精度曲线图
。
[0036]图9为本专利技术构建的深度学习模型迭代次数与损失率曲线图
。
...

【技术保护点】

【技术特征摘要】
1.
一种深度学习网络模型图形化开发方法，其特征在于，所述开发方法包括：根据深度学习网络模型的原理构建网络层控件图层；所述网络层控件图层为输入层
、
卷积层
、
池化层
、
上采样层
、
展平层
、
全连接层
、
分类层或者输出层；所述网络层控件图层的属性值包括属性名称
、
默认值及待选属性值；所述属性名称包括输入参数
、
输出参数和中间参数以及输出参数与所述输入参数和所述中间参数的关系式；根据待图形化的深度学习网络模型的结构，选择所需的网络层控件图形，并将所述所需的网络层控件图形进行连接，以及设置所述网络层控件图形的属性值，得到图形化后的深度学习网络模型
。2.
根据权利要求1所述的深度学习网络模型图形化开发方法，其特征在于，所述根据深度学习网络模型的原理构建网络层控件图层，具体包括：根据深度学习网络模型的原理，将深度学习网络模型中所有的
Layer
层
、
激活函数
、
损失函数及预训练网络模型转化为相应的功能网络层控件图层，并将所述功能网络层控件图层保存在模型库中
。3.
根据权利要求2所述的深度学习网络模型图形化开发方法，其特征在于，根据待图形化的深度学习网络模型的结构，选择所需的网络层控件图形，并将所述所需的网络层控件图形进行连接，以及设置所述网络层控件图形的属性值，得到图形化后的深度学习网络模型，具体包括：根据待图形化的深度学习网络模型的结构，从所述模型库中选择所需的网络层控件图形，并将所述所需的网络层控件图形进行连接，得到控件图层模型；对所述控件图层模型中的网络层控件图形的属性值进行设置，并将设置属性值后的控件图层模型作为图形化后的深度学习网络模型

【专利技术属性】
技术研发人员：杨大炼，管成林，熊国政，陶洁，
申请(专利权)人：湖南科技大学，
类型：发明
国别省市：