CN110533170A - 一种图形化编程的深度学习神经网络搭建方法 - Google Patents
一种图形化编程的深度学习神经网络搭建方法 Download PDFInfo
- Publication number
- CN110533170A CN110533170A CN201910812261.6A CN201910812261A CN110533170A CN 110533170 A CN110533170 A CN 110533170A CN 201910812261 A CN201910812261 A CN 201910812261A CN 110533170 A CN110533170 A CN 110533170A
- Authority
- CN
- China
- Prior art keywords
- neural network
- deep learning
- learning neural
- building method
- graphic programming
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 76
- 238000013135 deep learning Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012800 visualization Methods 0.000 claims abstract description 11
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000003032 molecular docking Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 230000005284 excitation Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Stored Programmes (AREA)
Abstract
本发明提供了一种图形化编程的深度学习神经网络搭建方法，包括步骤：步骤1，将深度学习神经网络模块化为多个组件，对各个组件进行封装可视化；步骤2，确定数据输入输出格式；步骤3，通过对组件的拖拽或对现有的深度学习神经网络进行应用更改完成整个深度学习神经网络的搭建以及可视化；步骤4，调整已经搭建好的深度神经网络组件的各个接口参数，使各个组件对接完成。本发明可以通过用户操作完成对输入输出数据的格式化操作，确保输入输出数据的规范性；通过将深度学习神经网络搭建所需组件进行封装并将其可视化为用户所能理解的组件，完成整个神经网络组件的可视化。
Description
技术领域
本发明属于电子信息技术领域，特别涉及一种图形化编程的深度学习神经网络搭建方法。
背景技术
伴随着计算机领域的蓬勃发展，机器学习的发展越来越迅速，深度学习作为机器学习领域的一个新的研究方向，近年来在学术和工业等领域都取得了突破性的进展。
深度学习的定义最早是由多伦多大学的Hinton教授提出的，Hinton主要提出了两个主要的观点，第一个观点是利用计算机模拟人类大脑的神经元工作，形成的神经网络模型能够很好地学习数据的特征；第二个观点是可以采用逐层训练的方法对神经网络的参数进行训练，也就是通过无监督学习的方法使深度学习网络达到最佳的参数。
从2006年深度学习泰斗Hinton教授提出无监督深度置信网络的训练方法，到2013年深度学习位列10大突破性科技之首，到2016年3月Alpha-GO打败人类围棋大师，这十几年来深度学习不断发展创新，研究价值和应用潜力都不断被挖掘发现。现在的深度学习最广泛应用于语音识别、图像识别和自然语言处理三个方面，其应用成果不断有新的突破，并受到了各国相关领域人员的重视。
此处对传统的深度学习神经网络搭建过程进行描述，传统的神经网络搭建一般需要以下四个步骤：1.准备数据集，提取特征，并将数据集输入到神经网络中；2.前向传播过程中，需要定义好整个神经网络模型以及输入、输出格式以及神经网络参数如权重、偏置、激励函数等；3.反向传播过程，主要定义训练所需的损失函数、反向传播方法以及学习率等，反向传播算法一般包括梯度下降、momentum优化器等；4.最后生成会话，完成整个模型的搭建。
虽然搭建过程简单明了，但是对于以上的深度学习神经网络来说，仍然存在着几个问题。首先是编程困难的问题，完成一个普通的神经网络搭建，通常需要几百行的代码来实现，这对于只需要将神经网络作为工具而没有学过编程语言的人来说，是一件十分困难的事情。然后是可视化的问题，传统的神经网络虽然搭建完成，但是并不能将整个网络模型可视化，对于非专业的用户来说，不能看到整个神经网络的结构图，便无法针对现有的网络结构进行改进以适应自身需求，上手难度过高。
发明内容
本发明的目的在于提供一种图形化编程的深度学习神经网络搭建方法，以解决现有技术中的问题。
为实现上述目的，本发明采用如下技术方案：
一种图形化编程的深度学习神经网络搭建方法，包括以下步骤：
步骤1，将深度学习神经网络模块化为多个组件，对各个组件进行封装可视化；
步骤2，确定数据输入输出格式；
步骤3，通过对组件的拖拽或对现有的深度学习神经网络进行应用更改完成整个深度学习神经网络的搭建以及可视化；
步骤4，调整已经搭建好的深度神经网络组件的各个接口参数，使各个组件对接完成。
进一步的，步骤1中，根据现有深度学习网络模型和算法将深度学习神经网络模块化为多个组件。
进一步的，步骤1中，根据监督学习、半监督学习或者无监督学习类型算法模型的支持，将深度学习神经网络模块化为多个组件。
进一步的，步骤1中，利用python语言将网络模型中的各个组件进行封装可视化。
进一步的，步骤1中，将深度学习神经网络模块化后的组件为：隐藏层、输入层、输出层、全连接层、卷积层、池化层、权重、偏置和激励函数。
进一步的，步骤2中，选择一维矩阵或三维矩阵，将自定义数据输入矩阵，确定数据输入的batchsize，将自定义数据进行格式规范化。
进一步的，更改输入层的输入数据结构和输出层的输出数据结构与用户规定格式相匹配，完成整个数据输入输出格式规范化。
进一步的，步骤3中，对用户拖拽、添加的组件进行建议。
进一步的，步骤3中，对搭建的深度学习神经网络进行完整性检验。
进一步的，步骤4中，根据python语言的变量参数设置，调整已经搭建好的深度神经网络组件的各个接口参数，使各个组件对接完成，保持各个组件数据格式一致。
本发明具有以下优点：
1、本发明可以通过用户操作完成对输入输出数据的格式化操作，确保输入输出数据的规范性。
2、本发明通过将深度学习神经网络搭建所需组件进行封装并将其可视化为用户所能理解的组件，完成整个神经网络组件的可视化。
3、用户只需要通过拖拽神经网络组件便能完成整个神经网络的搭建，不需要读写代码能力，只需要对神经网络有了解，便能根据自身需求完成从数据输入到模型搭建的图形拖拽化操作，同时解决传统神经网络搭建的编程困难及可视化问题，操作方便，上手性强。
4、通过用户操作连接起来的各个神经网络组件具有自动调参的功能，保证各个组件的对接正确，无需用户检验即可自动完成神经网络的校验，确保神经网络正常运行。
5、兼容已有的深度学习神经网络，用户可以根据自身需求直接调用已有的深度学习神经网络或者在此基础上进行修改。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明图形化编程的深度学习神经网络搭建流程图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
一种图形化编程的深度学习神经网络搭建方法，包括以下步骤：
步骤1，将深度学习神经网络模块化为多个组件，对各个组件进行封装可视化；
步骤2，确定数据输入输出格式；
步骤3，通过对组件的拖拽或对现有的深度学习神经网络进行应用更改完成整个深度学习神经网络的搭建以及可视化；
步骤4，调整已经搭建好的深度神经网络组件的各个接口参数，使各个组件对接完成。
进一步的，步骤1中，根据现有深度学习网络模型和算法将深度学习神经网络模块化为多个组件。
进一步的，步骤1中，根据监督学习、半监督学习或者无监督学习类型算法模型的支持，将深度学习神经网络模块化为多个组件。
进一步的，步骤1中，利用python语言将网络模型中的各个组件进行封装可视化。
进一步的，步骤1中，将深度学习神经网络模块化后的组件为：隐藏层、输入层、输出层、全连接层、卷积层、池化层、权重、偏置和激励函数。
进一步的，步骤2中，选择一维矩阵或三维矩阵，将自定义数据输入矩阵，确定数据输入的batchsize，将自定义数据进行格式规范化。
进一步的，更改输入层的输入数据结构和输出层的输出数据结构与用户规定格式相匹配，完成整个数据输入输出格式规范化。
进一步的，步骤3中，对用户拖拽、添加的组件进行建议。
进一步的，步骤3中，对搭建的深度学习神经网络进行完整性检验。
进一步的，步骤4中，根据python语言的变量参数设置，调整已经搭建好的深度神经网络组件的各个接口参数，使各个组件对接完成，保持各个组件数据格式一致。
1、根据已有的深度学习网络模型和算法，例如监督学习、半监督学习、无监督学习等多种数据学习类型算法模型的支持，将深度学习神经网络模块化为多个组件，例如将网络模型分为隐藏层、输入层、输出层、全连接层、卷积层、池化层等，将权重、偏置、激励函数等也视为一个组件，用户可以根据自身需求选择合适的激励函数如softmax、relu等。利用python语言，将上述组件封装成包并且可视化，并保留输入输出接口以便模型搭建和参数调整。
2、设置不同格式的输入输出数据，用户可以根据自身需求选择一维矩阵或者三维矩阵，并且根据自身需求自定义数据输入矩阵，确定数据输入的batchsize，根据用户操作对数据进行格式化，并且自动更改输入层输出层的输入输出数据结构以匹配用户规定格式，完成整个数据输入输出格式规范化。
3、用户根据自身需求通过图形拖拽化的方法对已图形化的各个组件进行操作，或者对已有的深度学习神经网络进行应用更改，完成整个深度学习神经网络的搭建以及可视化，在此期间，根据用户的操作提供建议来完善整个神经网络，例如对用户添加组件进行建议，或者对用户搭建的神经网络进行完整性检验，保证神经网络的可运行性。
4、根据python语言的变量参数设置，根据用户搭建完成的神经网络实现各个组件输入输出接口的自动调参，保证数据格式的一致性以保证整个神经网络模型的运行。
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (10)
1.一种图形化编程的深度学习神经网络搭建方法，其特征在于，包括以下步骤：
步骤1，将深度学习神经网络模块化为多个组件，对各个组件进行封装可视化；
步骤2，确定数据输入输出格式；
步骤3，通过对组件的拖拽或对现有的深度学习神经网络进行应用更改完成整个深度学习神经网络的搭建以及可视化；
步骤4，调整已经搭建好的深度神经网络组件的各个接口参数，使各个组件对接完成。
2.根据权利要求1所述的一种图形化编程的深度学习神经网络搭建方法，其特征在于，步骤1中，根据现有深度学习网络模型和算法将深度学习神经网络模块化为多个组件。
3.根据权利要求2所述的一种图形化编程的深度学习神经网络搭建方法，其特征在于，步骤1中，根据监督学习、半监督学习或者无监督学习类型算法模型的支持，将深度学习神经网络模块化为多个组件。
4.根据权利要求1所述的一种图形化编程的深度学习神经网络搭建方法，其特征在于，步骤1中，利用python语言将网络模型中的各个组件进行封装可视化。
5.根据权利要求1所述的一种图形化编程的深度学习神经网络搭建方法，其特征在于，步骤1中，将深度学习神经网络模块化后的组件为：隐藏层、输入层、输出层、全连接层、卷积层、池化层、权重、偏置和激励函数。
6.根据权利要求1所述的一种图形化编程的深度学习神经网络搭建方法，其特征在于，步骤2中，选择一维矩阵或三维矩阵，将自定义数据输入矩阵，确定数据输入的batchsize，将自定义数据进行格式规范化。
7.根据权利要求6所述的一种图形化编程的深度学习神经网络搭建方法，其特征在于，更改输入层的输入数据结构和输出层的输出数据结构与用户规定格式相匹配，完成整个数据输入输出格式规范化。
8.根据权利要求1所述的一种图形化编程的深度学习神经网络搭建方法，其特征在于，步骤3中，对用户拖拽、添加的组件进行建议。
9.根据权利要求1所述的一种图形化编程的深度学习神经网络搭建方法，其特征在于，步骤3中，对搭建的深度学习神经网络进行完整性检验。
10.根据权利要求1所述的一种图形化编程的深度学习神经网络搭建方法，其特征在于，步骤4中，根据python语言的变量参数设置，调整已经搭建好的深度神经网络组件的各个接口参数，使各个组件对接完成，保持各个组件数据格式一致。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910812261.6A CN110533170A (zh) | 2019-08-30 | 2019-08-30 | 一种图形化编程的深度学习神经网络搭建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910812261.6A CN110533170A (zh) | 2019-08-30 | 2019-08-30 | 一种图形化编程的深度学习神经网络搭建方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110533170A true CN110533170A (zh) | 2019-12-03 |
Family
ID=68665350
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910812261.6A Pending CN110533170A (zh) | 2019-08-30 | 2019-08-30 | 一种图形化编程的深度学习神经网络搭建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110533170A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016145676A1 (zh) * | 2015-03-13 | 2016-09-22 | 中国科学院声学研究所 | 基于满足k度稀疏约束的深度学习模型的大数据处理方法 |
| KR101657495B1 (ko) * | 2015-09-04 | 2016-09-30 | (주)한국플랫폼서비스기술 | 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 |
| CN107423817A (zh) * | 2017-04-17 | 2017-12-01 | 星环信息科技（上海）有限公司 | 一种深度学习实现的方法及设备 |
| CN108304915A (zh) * | 2018-01-05 | 2018-07-20 | 大国创新智能科技(东莞)有限公司 | 一种深度学习神经网络的分解与合成方法和系统 |
| CN108319456A (zh) * | 2018-01-29 | 2018-07-24 | 徐磊 | 一种免编程深度学习应用的开发方法 |
| CN109213482A (zh) * | 2018-06-28 | 2019-01-15 | 清华大学天津高端装备研究院 | 基于卷积神经网络的人工智能图形化应用平台及应用方法 |
-
2019
- 2019-08-30 CN CN201910812261.6A patent/CN110533170A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016145676A1 (zh) * | 2015-03-13 | 2016-09-22 | 中国科学院声学研究所 | 基于满足k度稀疏约束的深度学习模型的大数据处理方法 |
| KR101657495B1 (ko) * | 2015-09-04 | 2016-09-30 | (주)한국플랫폼서비스기술 | 딥러닝 분석을 위한 모듈화시스템 및 이를 이용한 영상 인식 방법 |
| CN107423817A (zh) * | 2017-04-17 | 2017-12-01 | 星环信息科技（上海）有限公司 | 一种深度学习实现的方法及设备 |
| CN108304915A (zh) * | 2018-01-05 | 2018-07-20 | 大国创新智能科技(东莞)有限公司 | 一种深度学习神经网络的分解与合成方法和系统 |
| CN108319456A (zh) * | 2018-01-29 | 2018-07-24 | 徐磊 | 一种免编程深度学习应用的开发方法 |
| CN109213482A (zh) * | 2018-06-28 | 2019-01-15 | 清华大学天津高端装备研究院 | 基于卷积神经网络的人工智能图形化应用平台及应用方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104751842B (zh) | 深度神经网络的优化方法及系统 | |
| CN106529503B (zh) | 一种集成卷积神经网络人脸情感识别方法 | |
| CN107015963A (zh) | 基于深度神经网络的自然语言语义分析系统及方法 | |
| CN108197294B (zh) | 一种基于深度学习的文本自动生成方法 | |
| CN107392224A (zh) | 一种基于三通道卷积神经网络的作物病害识别算法 | |
| CN106503654A (zh) | 一种基于深度稀疏自编码网络的人脸情感识别方法 | |
| CN107256393A (zh) | 基于深度学习的一维生理信号的特征提取与状态识别 | |
| CN105678232A (zh) | 一种基于深度学习的人脸图片特征提取与对比方法 | |
| CN105279555A (zh) | 一种基于进化算法的自适应学习神经网络实现方法 | |
| CN110188794B (zh) | 一种深度学习模型的训练方法、装置、设备及存储介质 | |
| CN108509977A (zh) | 生成模型学习方法、生成模型学习装置及程序 | |
| CN107633296A (zh) | 一种卷积神经网络构建方法 | |
| CN112507947B (zh) | 基于多模态融合的手势识别方法、装置、设备及介质 | |
| JPH06509669A (ja) | 改良ニューラル・ネットワーク | |
| CN110934587A (zh) | 一种基于图卷积神经网络的阿尔兹海默症辅助诊断方法 | |
| CN107102727A (zh) | 基于elm神经网络的动态手势学习与识别方法 | |
| CN110070188A (zh) | 一种融合交互式强化学习的增量式认知发育系统及方法 | |
| CN110489567A (zh) | 一种基于跨网络特征映射的节点信息获取方法及其装置 | |
| CN106372729A (zh) | 用于心理分析的深度学习方法及装置 | |
| CN113971367A (zh) | 一种基于混洗蛙跳算法的卷积神经网络框架自动设计方法 | |
| CN110188978B (zh) | 一种基于深度学习的大学生专业推荐方法 | |
| CN110309510A (zh) | 一种基于c-s和gru的看画题诗方法 | |
| CN110533170A (zh) | 一种图形化编程的深度学习神经网络搭建方法 | |
| CN110046709A (zh) | 一种基于双向lstm的多任务学习模型 | |
| CN107967495A (zh) | 一种铜镜文物识别系统和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191203 |
|
| RJ01 | Rejection of invention patent application after publication |