CN112418404A - 一种人工智能会计神经网络深度学习训练方法 - Google Patents

一种人工智能会计神经网络深度学习训练方法 Download PDF

Info

Publication number
CN112418404A
CN112418404A CN202011376425.4A CN202011376425A CN112418404A CN 112418404 A CN112418404 A CN 112418404A CN 202011376425 A CN202011376425 A CN 202011376425A CN 112418404 A CN112418404 A CN 112418404A
Authority
CN
China
Prior art keywords
training
module
neural network
accounting
difficulty
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
Application number
CN202011376425.4A
Other languages
English (en)
Inventor
黄云峰
曹武
陈志军
唐丽娟
刘杨
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Cela Artificial Intelligence Technology Yunnan Co ltd
Original Assignee
Cela Artificial Intelligence Technology Yunnan Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Cela Artificial Intelligence Technology Yunnan Co ltd filed Critical Cela Artificial Intelligence Technology Yunnan Co ltd
Priority to CN202011376425.4A priority Critical patent/CN112418404A/zh
Publication of CN112418404A publication Critical patent/CN112418404A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种人工智能会计神经网络深度学习训练方法，包括以下步骤：操作者通过控制模块发起目标任务提交请求时，系统从深度学习框架中的人工智能网络数据存储系统中获取所提交目标任务的环境运行包，利用环境运行包组建符合目标任务网络配置的人工智能会计神经网络，并通过所运行的深度学习框架对人工智能会计神经网络生成分阶段训练任务的指令。该人工智能会计神经网络深度学习训练方法，通过设置简单难度训练模块、一般难度训练模块和资深难度训练模块，每个难度的训练内均设置有递进式训练分类章节，且完成每个递进式训练章节后都出现合格或者不合格弹窗，在训练时能够将训练的原始数据进行分层次训练，提高了训练的效果。

Description

一种人工智能会计神经网络深度学习训练方法
技术领域
本发明涉及深度学习技术领域，尤其涉及一种人工智能会计神经网络深度学习训练方法。
背景技术
深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据，深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。
人工智能会计神经网络深度学习训练方法大多是采用深度学习框架进行学习训练，但是在学习训练的过程中数据比较庞大，导致学习训练不彻底，效果不明显，学习训练过后存在较大误差，而且在学习训练完成后，系统无法根据此次训练过程中的不足再次进行训练。
因此，本发明提出了一种人工智能会计神经网络深度学习训练方法。
发明内容
本发明的目的是为了解决现有技术中存在的缺点，而提出的一种人工智能会计神经网络深度学习训练方法。
为了实现上述目的，本发明采用了如下技术方案：一种人工智能会计神经网络深度学习训练方法，包括以下步骤：
操作者通过控制模块发起目标任务提交请求时，系统从深度学习框架中的人工智能网络数据存储系统中获取所提交目标任务的环境运行包，利用环境运行包组建符合目标任务网络配置的人工智能会计神经网络，并通过所运行的深度学习框架对人工智能会计神经网络生成分阶段训练任务的指令，操作者通过控制模块选择人工智能会计神经网络已划分的简单难度训练模块，此时人工智能会计神经网络进入到简单难度训练模块内的一个递进式分类训练章节模块进行训练，人工智能会计神经网络在简单难度训练模块中的一个递进式分类训练章节模块学习训练完毕时，系统会自动弹出合格或者不合格的弹窗，当人工智能会计神经网络完成一个递进式分类训练章节模块学习训练并合格时，人工智能会计神经网络自动进入到下一个递进式分类训练章节模块进行学习训练，当人工智能会计神经网络在简单难度训练模块中的每一个递进式分类训练章节模块均学习训练完成并合格后，人工智能会计神经网络自动进入到一般难度训练模块中的递进式分类训练章节模块进行学习训练，当人工智能会计神经网络在一般难度训练模块中的每一个递进式分类训练章节模块均学习训练完成并合格后，人工智能会计神经网络自动进入到资深难度训练模块中的递进式分类训练章节模块进行学习训练，当人工智能会计神经网络在资深难度训练模块中的内一个递进式分类训练章节模块均学习训练完毕并合格后，系统会自动出现人工智能会计神经网络在每个递进式训练章节模块训练时所花费的时间以及历史错误，并存储在系统存储模块中，当人工智能会计神经网络在完成简单难度训练模块、一般难度训练模块和资深难度训练模块中的递进式分类训练章节模块，但是结果弹出不合格弹窗时，人工智能会计神经网络自动重新对该递进式分类训练章节模块重新学习，直至学习训练合格，操作者根据系统存储模块中人工智能会计神经网络在每个递进式训练章节模块训练时所花费的时间以及历史错误进行归纳和总结，再次对人工智能会计神经网络进行学习训练。
优选地，所述控制模块包括任务发起模块和深度学习框架。
优选地，所述人工智能会计神经网络包括分阶段任务生成模块。
优选地，所述分阶段人物生成模块包括简单难度训练模块、一般难度训练模块和资深难度训练模块，所述简单难度训练模块、一般难度训练模块和资深难度训练模块的内部均设置有若干个递进式分类训练章节模块。
本发明具有以下有益效果：
1、该人工智能会计神经网络深度学习训练方法，通过设置简单难度训练模块、一般难度训练模块和资深难度训练模块，每个难度的训练内均设置有递进式训练分类章节，且完成每个递进式训练章节后都出现合格或者不合格弹窗，当出现合格弹窗时，人工智能会计神经网络将自动进行下一个递进式训练分类章节进行训练，当出现不合格弹窗时，人工智能会计神经网络将继续在该递进式训练章节中再次进行训练，直至训练合格，以此循环，直至完成资深难度训练模块，该人工智能会计神经网络深度学习训练方法，在训练时能够将训练的原始数据进行分层次训练，避免了人工智能会计神经网络对庞大的数据进行一次性学习训练，提高了训练的效果。
2、该人工智能会计神经网络深度学习训练方法，通过设置系统存储模块，使人工智能会计神经网络在训练结束后，系统会对此次训练中，人工智能会计神经网络在每个递进式训练章节训练时所花费的时间以及历史错误，并存储在系统存储模块中，为操作者再次对人工智能会计神经网络进行训练时提供重点依据。
附图说明
图1为本发明人工智能会计神经网络深度学习训练方法模块示意图；
图2为本发明人工智能会计神经网络深度学习训练方法训练步骤示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
在本发明的描述中，需要理解的是，术语“上”、“下”、“前”、“后”、“左”、“右”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
实施例
参照图1-2，一种人工智能会计神经网络深度学习训练方法，包括以下步骤：
S1：操作者通过控制模块发起目标任务提交请求时，系统从深度学习框架中的人工智能网络数据存储系统中获取所提交目标任务的环境运行包；
S2：利用环境运行包组建符合目标任务网络配置的人工智能会计神经网络，并通过所运行的深度学习框架对人工智能会计神经网络生成分阶段训练任务的指令；
S3：操作者通过控制模块选择人工智能会计神经网络已划分的简单难度训练模块，此时人工智能会计神经网络进入到简单难度训练模块内的一个递进式分类训练章节模块进行训练；
S4：人工智能会计神经网络在简单难度训练模块中的一个递进式分类训练章节模块学习训练完毕时，系统会自动弹出合格或者不合格的弹窗；
S5：当人工智能会计神经网络完成一个递进式分类训练章节模块学习训练并合格时，人工智能会计神经网络自动进入到下一个递进式分类训练章节模块进行学习训练；
S6：当人工智能会计神经网络在简单难度训练模块中的每一个递进式分类训练章节模块均学习训练完成并合格后，人工智能会计神经网络自动进入到一般难度训练模块中的递进式分类训练章节模块进行学习训练；
S7：当人工智能会计神经网络在一般难度训练模块中的每一个递进式分类训练章节模块均学习训练完成并合格后，人工智能会计神经网络自动进入到资深难度训练模块中的递进式分类训练章节模块进行学习训练；
S8：当人工智能会计神经网络在资深难度训练模块中的内一个递进式分类训练章节模块均学习训练完毕并合格后，系统会自动出现人工智能会计神经网络在每个递进式训练章节模块训练时所花费的时间以及历史错误，并存储在系统存储模块中；
S9：当人工智能会计神经网络在完成简单难度训练模块、一般难度训练模块和资深难度训练模块中的递进式分类训练章节模块，但是结果弹出不合格弹窗时，人工智能会计神经网络自动重新对该递进式分类训练章节模块重新学习，直至学习训练合格。
S10：操作者根据系统存储模块中人工智能会计神经网络在每个递进式训练章节模块训练时所花费的时间以及历史错误进行归纳和总结，再次对人工智能会计神经网络进行学习训练。
控制模块包括任务发起模块和深度学习框架。
人工智能会计神经网络包括分阶段任务生成模块。
分阶段人物生成模块包括简单难度训练模块、一般难度训练模块和资深难度训练模块，简单难度训练模块、一般难度训练模块和资深难度训练模块的内部均设置有若干个递进式分类训练章节模块。
本实施例中，通过设置简单难度训练模块、一般难度训练模块和资深难度训练模块，每个难度的训练内均设置有递进式训练分类章节，且完成每个递进式训练章节后都出现合格或者不合格弹窗，当出现合格弹窗时，人工智能会计神经网络将自动进行下一个递进式训练分类章节进行训练，当出现不合格弹窗时，人工智能会计神经网络将继续在该递进式训练章节中再次进行训练，直至训练合格，以此循环，直至完成资深难度训练模块，该人工智能会计神经网络深度学习训练方法，在训练时能够将训练的原始数据进行分层次训练，避免了人工智能会计神经网络对庞大的数据进行一次性学习训练，提高了训练的效果。
同时该人工智能会计神经网络深度学习训练方法，通过设置系统存储模块，使人工智能会计神经网络在训练结束后，系统会对此次训练中，人工智能会计神经网络在每个递进式训练章节训练时所花费的时间以及历史错误，并存储在系统存储模块中，为操作者再次对人工智能会计神经网络进行训练时提供重点依据。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (4)

1.一种人工智能会计神经网络深度学习训练方法，其特征在于：包括以下步骤：
S1：操作者通过控制模块发起目标任务提交请求时，系统从深度学习框架中的人工智能网络数据存储系统中获取所提交目标任务的环境运行包；
S2：利用环境运行包组建符合目标任务网络配置的人工智能会计神经网络，并通过所运行的深度学习框架对人工智能会计神经网络生成分阶段训练任务的指令；
S3：操作者通过控制模块选择人工智能会计神经网络已划分的简单难度训练模块，此时人工智能会计神经网络进入到简单难度训练模块内的一个递进式分类训练章节模块进行训练；
S4：人工智能会计神经网络在简单难度训练模块中的一个递进式分类训练章节模块学习训练完毕时，系统会自动弹出合格或者不合格的弹窗；
S5：当人工智能会计神经网络完成一个递进式分类训练章节模块学习训练并合格时，人工智能会计神经网络自动进入到下一个递进式分类训练章节模块进行学习训练；
S6：当人工智能会计神经网络在简单难度训练模块中的每一个递进式分类训练章节模块均学习训练完成并合格后，人工智能会计神经网络自动进入到一般难度训练模块中的递进式分类训练章节模块进行学习训练；
S7：当人工智能会计神经网络在一般难度训练模块中的每一个递进式分类训练章节模块均学习训练完成并合格后，人工智能会计神经网络自动进入到资深难度训练模块中的递进式分类训练章节模块进行学习训练；
S8：当人工智能会计神经网络在资深难度训练模块中的内一个递进式分类训练章节模块均学习训练完毕并合格后，系统会自动出现人工智能会计神经网络在每个递进式训练章节模块训练时所花费的时间以及历史错误，并存储在系统存储模块中；
S9：当人工智能会计神经网络在完成简单难度训练模块、一般难度训练模块和资深难度训练模块中的递进式分类训练章节模块，但是结果弹出不合格弹窗时，人工智能会计神经网络自动重新对该递进式分类训练章节模块重新学习，直至学习训练合格；
S10：操作者根据系统存储模块中人工智能会计神经网络在每个递进式训练章节模块训练时所花费的时间以及历史错误进行归纳和总结，再次对人工智能会计神经网络进行学习训练。
2.根据权利要求1所述的一种人工智能会计神经网络深度学习训练方法，其特征在于：所述控制模块包括任务发起模块和深度学习框架。
3.根据权利要求1所述的一种人工智能会计神经网络深度学习训练方法，其特征在于：所述人工智能会计神经网络包括分阶段任务生成模块。
4.根据权利要求1所述的一种人工智能会计神经网络深度学习训练方法，其特征在于：所述分阶段人物生成模块包括简单难度训练模块、一般难度训练模块和资深难度训练模块，所述简单难度训练模块、一般难度训练模块和资深难度训练模块的内部均设置有若干个递进式分类训练章节模块。
CN202011376425.4A 2020-12-01 2020-12-01 一种人工智能会计神经网络深度学习训练方法 Pending CN112418404A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011376425.4A CN112418404A (zh) 2020-12-01 2020-12-01 一种人工智能会计神经网络深度学习训练方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011376425.4A CN112418404A (zh) 2020-12-01 2020-12-01 一种人工智能会计神经网络深度学习训练方法

Publications (1)

Publication Number Publication Date
CN112418404A true CN112418404A (zh) 2021-02-26

Family

ID=74829041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011376425.4A Pending CN112418404A (zh) 2020-12-01 2020-12-01 一种人工智能会计神经网络深度学习训练方法

Country Status (1)

Country Link
CN (1) CN112418404A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415687A (zh) * 2022-12-29 2023-07-11 江苏东蓝信息技术有限公司 一种基于深度学习的人工智能网络优化训练系统及方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180330238A1 (en) * 2017-05-09 2018-11-15 Neurala, Inc. Systems and methods to enable continual, memory-bounded learning in artificial intelligence and deep learning continuously operating applications across networked compute edges
CN109496320A (zh) * 2016-01-27 2019-03-19 伯尼塞艾公司 具有架构师模块的人工智能引擎
CN109597748A (zh) * 2017-09-30 2019-04-09 北京国双科技有限公司 代码缺陷预警方法及装置
CN111143207A (zh) * 2019-12-19 2020-05-12 北京智能工场科技有限公司 一种在移动端查看模型训练通知和训练日志的方法
CN111191675A (zh) * 2019-12-03 2020-05-22 深圳市华尊科技股份有限公司 行人属性识别模型实现方法及相关装置
CN111353868A (zh) * 2020-03-14 2020-06-30 策拉人工智能科技(云南)有限公司 一种人工智能记账系统及其计算方法
CN111767228A (zh) * 2020-06-30 2020-10-13 平安国际智慧城市科技股份有限公司 基于人工智能的界面测试方法、装置、设备和介质
US20200327409A1 (en) * 2017-11-16 2020-10-15 Samsung Electronics Co., Ltd. Method and device for hierarchical learning of neural network, based on weakly supervised learning

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109496320A (zh) * 2016-01-27 2019-03-19 伯尼塞艾公司 具有架构师模块的人工智能引擎
US20180330238A1 (en) * 2017-05-09 2018-11-15 Neurala, Inc. Systems and methods to enable continual, memory-bounded learning in artificial intelligence and deep learning continuously operating applications across networked compute edges
CN109597748A (zh) * 2017-09-30 2019-04-09 北京国双科技有限公司 代码缺陷预警方法及装置
US20200327409A1 (en) * 2017-11-16 2020-10-15 Samsung Electronics Co., Ltd. Method and device for hierarchical learning of neural network, based on weakly supervised learning
CN111191675A (zh) * 2019-12-03 2020-05-22 深圳市华尊科技股份有限公司 行人属性识别模型实现方法及相关装置
CN111143207A (zh) * 2019-12-19 2020-05-12 北京智能工场科技有限公司 一种在移动端查看模型训练通知和训练日志的方法
CN111353868A (zh) * 2020-03-14 2020-06-30 策拉人工智能科技(云南)有限公司 一种人工智能记账系统及其计算方法
CN111767228A (zh) * 2020-06-30 2020-10-13 平安国际智慧城市科技股份有限公司 基于人工智能的界面测试方法、装置、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
陈鹏: "有限训练样本条件下的分类器构建与应用", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116415687A (zh) * 2022-12-29 2023-07-11 江苏东蓝信息技术有限公司 一种基于深度学习的人工智能网络优化训练系统及方法
CN116415687B (zh) * 2022-12-29 2023-11-21 江苏东蓝信息技术有限公司 一种基于深度学习的人工智能网络优化训练系统及方法

Similar Documents

Publication Publication Date Title
CN109003624B (zh) 情绪识别方法、装置、计算机设备及存储介质
KR102659892B1 (ko) 객체 인식 장치, 이를 포함하는 전자 장치 및 객체 인식 방법
CN106570464A (zh) 一种快速处理人脸遮挡的人脸识别方法及装置
NL8104217A (nl) Woordherkenning.
CN112331183B (zh) 基于自回归网络的非平行语料语音转换方法及系统
CN111639744A (zh) 学生模型的训练方法、装置及电子设备
CN109754789A (zh) 语音音素的识别方法及装置
CN112418404A (zh) 一种人工智能会计神经网络深度学习训练方法
CN112016462A (zh) 一种基于深度学习模型的回收瓶分类方法
EP4020336A1 (en) Ai-based pre-training model determination system, and ai-based vision inspection management system using same for product production lines
CN114092742A (zh) 一种基于多角度的小样本图像分类装置和方法
WO2023130915A1 (zh) 一种表格识别方法及装置
CN111833313A (zh) 基于深度主动学习的工业产品表面缺陷检测方法及系统
CN114677687A (zh) 一种融合ViT与卷积神经网络的毛笔字体类型快速识别方法
CN114169389A (zh) 一种类别扩增的目标检测模型训练方法和存储设备
Asyrofi et al. Can differential testing improve automatic speech recognition systems?
CN115240259A (zh) 一种基于yolo深度网络的课堂环境下人脸检测方法及其检测系统
Chen et al. Multi-layer recurrent neural network based offline Arabic handwriting recognition
CN108573275B (zh) 一种在线分类微服务的构建方法
CN116682090A (zh) 一种基于改进YOLOv3算法的车辆目标检测方法
CN114170461B (zh) 基于特征空间重整化的师生架构含噪声标签图像分类方法
CN111461116B (zh) 一种船牌文本识别模型结构、其建模方法及其训练方法
CN115019371A (zh) 异常状态确定方法、装置、设备、介质及产品
CN103793720A (zh) 一种眼睛定位方法和系统
CN111368898B (zh) 一种基于长短时记忆网络变体的图像描述生成方法

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210226

WD01 Invention patent application deemed withdrawn after publication