1.层数增减深度学习神经网络训练方法,其特征在于:所述方法包括:通过样本训练当前深度学习神经网络;其中,所述当前深度学习神经网络包括输入层、隐层、分类器和输出层;
将训练输入数据输入当前深度学习神经网络,通过当前深度学习神经网络计算得到第一输出数据;其中,所述训练输入数据为人脸训练图像,所述第一输出数据为姓名标签;
判断第一输出数据与训练输入数据对应的预期输出数据是否相同;其中,所述预期输出数据为预期姓名标签;
当第一输出数据与训练输入数据对应的预期输出数据不相同的数量不符合第一预设条件时,在当前深度学习神经网络中分类器之前增加一个隐层,并返回通过样本训练当前深度学习神经网络;
当第一输出数据与训练输入数据对应的预期输出数据不相同的数量符合第一预设条件时,将测试输入数据输入当前深度学习神经网络,通过深度学习神经网络计算得到第二输出数据;
判断第二输出数据与测试输入数据对应的真实结果数据是否相同;其中,所述真实结果数据为真实姓名标签;
当第二输出数据与测试输入数据对应的真实结果数据不相同的数量不符合第二预设条件时,将当前深度学习神经网络中分类器的前一个隐层删除,并返回通过样本训练当前深度学习神经网络;所述将当前深度学习神经网络中分类器的前一个隐层删除,具体为:以倒数第二个隐层的节点为当前深度学习神经网络中分类器的输入节点,所述倒数第二个隐层的节点数大于最后一个隐层的节点数;
当第二输出数据与测试输入数据对应的真实结果数据不相同的数量符合第二预设条件时,输出当前深度学习神经网络。
2.根据权利要求1所述的层数增减深度学习神经网络训练方法,其特征在于:所述在当前深度学习神经网络中分类器之前增加一个隐层,具体为:以最后一个隐层的输出与新插入的隐层的输入通过编解码网络相连,以新插入的隐层的输出作为当前深度学习神经网络中分类器的输入。
3.根据权利要求2所述的层数增减深度学习神经网络训练方法,其特征在于:所述新插入的隐层的节点数小于或等于最后一个隐层的节点数。
4.根据权利要求1‑3任一项所述的层数增减深度学习神经网络训练方法,其特征在于:所述第一预设条件包括:第一输出数据与训练输入数据对应的预期输出数据的误差率小于或等于第一预设阈值;
所述第一输出数据与训练输入数据对应的预期输出数据的误差率的计算过程为:第一输出数据与训练输入数据对应的预期输出数据不相同的数量除以训练输入数据进行测试的总数。
5.根据权利要求1‑3任一项所述的层数增减深度学习神经网络训练方法,其特征在于:所述第二预设条件包括:第二输出数据与测试输入数据对应的真实结果数据的误差率小于或等于第二预设阈值;
所述第二输出数据与测试输入数据对应的真实结果数据的误差率的计算过程为:第二输出数据与测试输入数据对应的真实结果数据不相同的数量除以测试输入数据进行测试的总数。
6.层数增减深度学习神经网络训练系统,其特征在于:所述系统包括:训练模块,用于通过样本训练当前深度学习神经网络;其中,所述当前深度学习神经网络包括输入层、隐层、分类器和输出层;
第一输入模块,用于将训练输入数据输入当前深度学习神经网络,通过当前深度学习神经网络计算得到第一输出数据;其中,所述训练输入数据为人脸训练图像,所述第一输出数据为姓名标签;
第一判断模块,用于判断第一输出数据与训练输入数据对应的预期输出数据是否相同;其中,所述预期输出数据为预期姓名标签;
隐层增加模块,用于当第一输出数据与训练输入数据对应的预期输出数据不相同的数量不符合第一预设条件时,在当前深度学习神经网络中分类器之前增加一个隐层,并返回通过样本训练当前深度学习神经网络;
第二输入模块,用于当第一输出数据与训练输入数据对应的预期输出数据不相同的数量符合第一预设条件时,将测试输入数据输入当前深度学习神经网络,通过深度学习神经网络计算得到第二输出数据;
第二判断模块,用于判断第二输出数据与测试输入数据对应的真实结果数据是否相同;其中,所述真实结果数据为真实姓名标签;
隐层删除模块,用于当第二输出数据与测试输入数据对应的真实结果数据不相同的数量不符合第二预设条件时,将当前深度学习神经网络中分类器的前一个隐层删除,并返回通过样本训练当前深度学习神经网络;所述将当前深度学习神经网络中分类器的前一个隐层删除,具体为:以倒数第二个隐层的节点为当前深度学习神经网络中分类器的输入节点,所述倒数第二个隐层的节点数大于最后一个隐层的节点数;
输出模块,用于当第二输出数据与测试输入数据对应的真实结果数据不相同的数量符合第二预设条件时,输出当前深度学习神经网络。
7.存储介质,存储有程序,其特征在于:所述程序被处理器执行时,实现权利要求1‑5任一项所述的层数增减深度学习神经网络训练方法。
8.计算设备,包括处理器以及用于存储处理器可执行程序的存储器,其特征在于:所述处理器执行存储器存储的程序时,实现权利要求1‑5任一项所述的层数增减深度学习神经网络训练方法。