一种基于牛顿共轭梯度法的深度学习网络架构

发明专利有效专利

申请号：
CN202010130876.3
IPC分类号：G06N3/04G06N3/08G06V10/82G06V40/16
申请日期：
2020-02-28
申请人：
之江实验室

基础信息

权利要求

说明书

PDF全文

法律信息

引证文献

著录项信息

专利名称	一种基于牛顿共轭梯度法的深度学习网络架构
申请号	CN202010130876.3	申请日期	2020-02-28
法律状态	授权	申报国家	中国
公开/公告日	2020-07-31	公开/公告号	CN111476346A
优先权	暂无	优先权号	暂无
主分类号	G06N3/04 ? IPC结构图谱： G 物理 G0 仪器 G06 计算；推算；计数 G06N 基于特定计算模型的计算机系统〔7〕 G06N3/00 基于生物学模型的计算机系统（仿真生物的功能方面的模拟计算机入G06G 7/60）〔7〕 G06N3/02 采用神经网络模型（用于自适应控制的入G05B 13/00；用于图像模式匹配的入G06K 9/00；用于图像数据处理的入G06T 1/40；用于语音模式匹配的入G10L 15/16）〔7〕 G06N3/04 体系结构，例如，互连拓扑〔7〕	IPC分类号	G06N3/04;G06N3/08;G06V10/82;G06V40/16查看分类表>
申请人	之江实验室	申请人地址	浙江省杭州市余杭区文一西路1818号人工智能小镇1*** 变更专利地址、主体等相关变化，请及时变更，防止失效
权利人	之江实验室	当前权利人	之江实验室
发明人	林宙辰;沈铮阳;杨一博
代理机构	杭州求是专利事务所有限公司	代理人	邱启旺

摘要

本发明公开了一种基于牛顿共轭梯度法的深度学习网络架构，本发明首先把神经网络的迭代运算看成是用简单拟牛顿法来求解一个优化问题的过程，然后把求解过程换成更精确的牛顿法，其Hessian矩阵的逆和梯度的乘积用若干步共轭梯度法来近似，最后把整个计算过程用网络结构表达出来，得到相应的深度神经网络。可应用于人工智能、计算机视觉等应用领域。采用本发明技术方案，从优化算法出发设计神经网络结构，能够改进传统的依靠经验、实验尝试搜索的设计方式，得到更高效的神经网络结构，从而节省大量的时间与计算资源。本发明用优化算法中的牛顿法来启发深度神经网络结构设计，可以得到性能优越的深度神经网络。