1.一种基于AdaRW算法的海洋目标检测深度学习模型训练方法，其特征在于，AdaRW自适应梯度训练算法采用限定窗口进行历史梯度累积，采用Δθt平方根代替AdaGrad算法中的超参数η，限定梯度累积子窗口是从当前t时刻向前推演到历史时刻tm的窗口；同时，设计了多核并行OIPA架构，对海洋目标检测深度学习模型采用AdaRW算法进行并行训练；最终，利用训练后的OceanTDA9_AdaRW模型对洋疑似目标进行检测；

AdaRW自适应梯度训练算法的迭代更新公式如下：Δθt＝λΔθt‑1+(1‑λ)gt′⊙gt′                     (5)式中，θ为参数，t为当前时刻，tm为第m个历史时刻，λ为超参数，0≤λ＜1；ε取一个很小值防止分母为0；gt为损失函数J(θ)的小批量随机梯度；

OIPA架构由1个中心节点Chief和若干子节点Node组成，中心节点Chief与每个子节点Node成星型联结，所有子节点在逻辑上成闭环联结；

OIPA架构的每个节点都由1个参数服务单元PServer和1个计算服务单元Worker组成；

每个子节点Worker中的数据集不同，分别用Worker_DS0、Worker_DS1、Worker_DS2、Worker_DS3区分；所有子节点Worker_DS中的数据集的和等于训练数据集，中心节点Worker_DS中的数据集是完整的数据集；参数服务单元PServer由若干CPU组成，只负责传递存储数据，不负责计算；计算服务单元Worker_DS由若干GPU组成，只负责计算，不负责传递数据；

基于OIPA架构的训练过程为：

(1)子节点Node0中的参数服务单元中的CPU0根据集群中节点的总数从数据集中取出分摊到本节点的数据集DS0，根据本节点GPU数及训练批次准备2个Batch训练数据集，分发给Worker_DS0中的2个GPU训练，将训练后的梯度ΔP传给本节点的参数服务单元PServer中的CPU1，CPU1用聚合后的梯度更新模型的参数后继续训练；

(2)本节点的Worker_DS0完成指定步数的训练后，将最后一步的梯度传递给集群中主节点Chief0的模型参数文件夹中，并从主节点Chief0的模型参数文件夹中提取最优模型参数，保存到本节点的模型参数文件夹中，更新参数进行新一轮的迭代，随后将最优模型参数分发给与本节点相连的上下游节点Node1和Node2的参数服务单元；

(3)Node1和Node2的参数服务单元验证参数的最新性后，将最新的模型参数保存到本节点的模型参数文件夹中，为本节点新一轮的训练提供最新模型参数；

(4)主节点Chief0的PServer中的CPU1监听模型参数文件夹，及时读取集群中各节点传递的参数，传递给本节点的Worker_DS测试评估模型参数，并将最优模型参数保存在模型参数文件夹中，供各节点读取模型文件夹中的模型继续训练。

2.根据权利要求1所述的一种基于AdaRW算法的海洋目标检测深度学习模型训练方法，其特征在于，该方法包括如下步骤：

S1.提出AdaRW自适应梯度训练算法，推导出该算法更新公式；

S2.设计最优交错并行式架构OIPA；

S3.采用所设计的OIPA架构对所提出的AdaRW算法进行并行训练，得到海洋目标检测深度学习模型OceanTDA9_AdaRW；

S4.利用训练后的OceanTDA9_AdaRW模型检测海洋区域疑似目标。

3.根据权利要求1所述的一种基于AdaRW算法的海洋目标检测深度学习模型训练方法，其特征在于，AdaRW算法包括如下步骤：(1)确定损失函数，采用交叉熵损失函数，如下：其中，θ是参数，y‑i是第i个样本的输入值，hθ(xi)是第i个样本x的输出值；

(2)初始化算法相关参数，初始化超参数λ,梯度累积窗口大小，θ0,θ1,...,θn的值；

(3)计算当前位置损失函数的梯度，并保存tm时刻的梯度；

(4)计算当前位置下降的距离di，采用步长乘以梯度得到；

(5)判断梯度下降的距离是否小于算法终止距离r或是否达到训练次数n，如果是则算法终止，否则转到第(6)步；

(6)更新所有的θ，转入第(1)步，更新函数如下；

(7)算法结束输出结果。