NEC开发了深度学习自动优化技术、更易于提高识

  NEC开发了深度学习自动优化技术,更容易提高识别的准确性

  最近,NEC宣布开发了一种深度学习自动优化技术,可以更容易地提高识别的准确性。过去,根据神经网络结构,深度学习难以调整(注1)。因此,在整个网络上进行优化学习是不可能的,因此不能充分认识到这一点。该技术的发展,在其结构的基础上,可以自动优化神经网络学习的进展,可以比以往更容易达到更准确的。这种技术的出现使得可以进一步提高图像识别和语音识别等深度学习技术在所有应用领域的识别精度。例如视频监控等人脸识别与行为分析,提高识别的准确性,基础设施等检查工作效率,提高灾害事故和灾害的自动检测能力。一,背景近年来,深度学习研究取得了突飞猛进的发展。在图像识别,语音识别等领域得到了应用。深度学习使用深度结构的神经网络来学习预先准备好的数据以实现高精度。但是,如果数据被过度地学习,就会出现“逾期学习(注2)”的现象,其中只有学习数据能够被高精度地识别,并且减少了未用于学习的数据的识别准确度。为了避免这种情况,您需要使用正则化(注3)进行调整。由于神经网络学习过程复杂多变,相同的正则化技术只能用于整个网络。导致网络各个层面学习过度,学习停滞等问题出现,难以充分发挥原有的认知绩效。另外,由于手动调整每个楼层的学习进度是非常困难的,因此需要逐步自动调整学习。该技术的发展是基于神经网络的结构,逐层预测学习进展,并自动配置适合各层进展的正则化技术。利用这种技术,整个网络的学习都得到了优化,识别错误率可以降低20%左右,提高了识别的准确性。图2新技术的优点1,根据神经网络结构的自动学习优化神经网络结构,我们预测每一层学习的进度,并自动设置适当的逐层正则化进度水平。相应地,整个网络的学习进度得到了优化,以解决过去各级过度学习和学习停滞的问题。在使用该技术的手写数字数据的识别实验中,识别错误率已经降低了大约20%,并且识别准确度已经显着提高。 【图】相对于学习数据量的识别错误率的变化2,以相同的计算量,容易实现高精度该技术只实现一次学习神经网络,可以在过去用相同数量的计算学习轻松实现高精度。 NEC集团致力于推进全球社会解决方案,提供安全,可靠,高效和公平的社会价值观,将先进的ICT技术与知识相结合,为建设更加美好,更加丰富多彩和高效的社会作出贡献。 (注1)神经网络:由人造神经细胞(神经元)组成的神经网络。 (注2)过度学习:过度学习给定的数据,但不识别未识别的数据。 (注3)规范化:通过限制模型的复杂性来抑制过度学习。