期望与反期望深度学习模型.PDFVIP

, , 深度学习模型不是万能的 在有些场景或应用中会出现局限性 因此需要提高现有深度 。 : 、 学习模型的适应性 本章给出了两种适应型深度学习模型 期望与反期望深度学习模型 残缺数据深度学习模型。 3.1　期望与反期望深度学习模型 。 深度学习模型通过输入数据和输出数据对深度学习模型进行训练 如果有的输入 ( , 数据在不同场景下能产生属性相反的输出数据 这是有可能的 假如还有影响输出结 , , 果的其他条件数据没有包括在输入数据中 那么就有可能因为其他条件数据的变化 ), , 而产生不同的输出数据 此时就会在训练过程中引起深度学习模型结构的动荡 不利 , , 于深度学习模型的训练 也不利于深度学习模型的使用 因为无法得知输出数据的可 [ , ] 1112 信度是多少 。 , , , 例如 深度学习模型判断一个人是不是男的 输入不同人的人脸特征 同样脸部特 , , 征的人可能是男的 也可能是女的 此时就会在训练过程中引起深度学习模型结构的 动荡。 , 本技术研究并给出了一种新的期望与反期望深度学习方法和神经网络系统 通过输 , 出数据的期望标签和反期望标签构造两个深度学习模型 分别对与期望标签对应的深度 , 学习模型和与反期望标签对应的深度学习模型进行训练 避免了深度学习模型当存在属 , 。 性相反的输出数据时结构动荡的问题 提高了深度学习模型训练的可靠性 　　　49 3.1.1　期望与反期望深度学习方法 , , : 如图 所示 本技术方案提供一种期望与反期望深度学习方法 可包括以下步骤 3-1 图3-1　期望与反期望深度学习方法流程 () , ; , 1 步骤 S1获取训练数据中输出数据的期望标签和反期望标签 其中 反期望标签是 与期望标签的属性相反的标签。 , “ ”, “ ”。 例如 获取输出数据的期望标签 男人 反期望标签 女人 () , , ; 2 步骤 S2初始化