一种基于牛顿共轭梯度法的深度学习网络架构

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。