1.递进监督深度学习神经网络训练方法,其特征在于:所述方法包括:建立初始深度学习神经网络;其中,所述初始深度学习神经网络包括输入层、隐层、分类器和输出层;
将初始深度学习神经网络的分类器层作为当前待监督训练层;
将带标签训练输入数据作为初始深度学习神经网络的输入数据,对当前待监督训练层进行自顶向下的监督训练;
当监督训练失败后,将当前待监督训练层及其前一个隐层作为当前待监督训练层,对当前待监督训练层进行自顶向下的监督训练;
当监督训练成功后,输出当前深度学习神经网络。
2.根据权利要求1所述的递进监督深度学习神经网络训练方法,其特征在于:所述对当前待监督训练层进行自顶向下的监督训练,具体包括:将带标签训练输入数据作为初始深度学习神经网络的输入数据,通过初始深度学习神经网络的计算得到输出结果数据;
当输出结果数据不符合预设条件时,根据不符合预设条件的情况,决定是对分类器的网络权值进行调整,还是输出监督训练失败;
当输出结果数据符合预设条件时,输出监督训练成功。
3.根据权利要求2所述的递进监督深度学习神经网络训练方法,其特征在于:所述输出结果数据包括顶层概念和实际输出标签;
所述预设条件包括:所有实际输出标签与带标签训练输入数据对应的预期输出标签的残差小于或等于残差阈值,且训练总次数小于或等于次数阈值;
所述根据不符合预设条件的情况,决定对分类器的网络权值进行调整,还是输出监督训练失败,具体包括:当实际输出标签与带标签训练输入数据对应的预期输出标签的残差大于残差阈值,且训练总次数小于或等于次数阈值时,根据残差对分类器的网络权值进行调整,并将顶层概念作为分类器的输入,通过分类器计算得到新的实际输出标签;
当实际输出标签与带标签训练输入数据对应的预期输出标签的残差大于残差阈值,且训练总次数大于次数阈值时,输出监督训练失败。
4.根据权利要求1-3任一项所述的递进监督深度学习神经网络训练方法,其特征在于:所述建立初始深度学习神经网络,具体包括:
获取无标签训练输入数据;
将无标签训练输入数据作为深度神经网络的输入数据,进行自下而上的无监督训练,得到初始深度学习神经网络。
5.递进监督深度学习神经网络训练系统,其特征在于:所述系统包括:建立模块,用于建立初始深度学习神经网络;其中,所述初始深度学习神经网络包括输入层、隐层、分类器和输出层;
获取模块,用于将初始深度学习神经网络的分类器层作为当前待监督训练层;
第一监督训练模块,用于将带标签训练输入数据作为初始深度学习神经网络的输入数据,对当前待监督训练层进行自顶向下的监督训练;
第二监督训练模块,用于当监督训练失败后,将当前待监督训练层及其前一个隐层作为当前待监督训练层,对当前待监督训练层进行自顶向下的监督训练;
输出模块,用于当监督训练成功后,输出当前深度学习神经网络。
6.根据权利要求5所述的递进监督深度学习神经网络训练系统,其特征在于:所述对当前待监督训练层进行自顶向下的监督训练,具体包括:将带标签训练输入数据作为初始深度学习神经网络的输入数据,通过初始深度学习神经网络的计算得到输出结果数据;
当输出结果数据不符合预设条件时,根据不符合预设条件的情况,决定是对分类器的网络权值进行调整,还是输出监督训练失败;
当输出结果数据符合预设条件时,输出监督训练成功。
7.根据权利要求6所述的递进监督深度学习神经网络训练系统,其特征在于:所述输出结果数据包括顶层概念和实际输出标签;
所述预设条件包括:所有实际输出标签与带标签训练输入数据对应的预期输出标签的残差小于或等于残差阈值,且训练总次数小于或等于次数阈值;
所述根据不符合预设条件的情况,决定对分类器的网络权值进行调整,还是输出监督训练失败,具体包括:当实际输出标签与带标签训练输入数据对应的预期输出标签的残差大于残差阈值,且训练总次数小于或等于次数阈值时,根据残差对分类器的网络权值进行调整,并将顶层概念作为分类器的输入,通过分类器计算得到新的实际输出标签;
当实际输出标签与带标签训练输入数据对应的预期输出标签的残差大于残差阈值,且训练总次数大于次数阈值时,输出监督训练失败。
8.根据权利要求5-7任一项所述的递进监督深度学习神经网络训练系统,其特征在于:所述建立模块,具体包括:
获取单元,用于获取无标签训练输入数据;
无监督训练单元,用于将无标签训练输入数据作为深度神经网络的输入数据,进行自下而上的无监督训练,得到初始深度学习神经网络。
9.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1-4任一项所述的递进监督深度学习神经网络训练方法。
10.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1-4任一项所述的递进监督深度学习神经网络训练方法。