基于逐块随机梯度下降法在线训练CNN的方法与系统

摘要

本发明公开了一种基于逐块随机梯度下降法在线训练CNN的方法，将ResNet‑50之中的卷积层分为5个块，构成ResNet‑50的50层结构的CNN网络模型，生成并筛选训练数据，利用所述训练数据，对所述分为5个块后的ResNet‑50的CNN网络模型逐块进行在线学习和更新，直到满足预设停止条件，得到训练后的CNN网络模型；计算一批图片的训练损失函数，判断是否启动下一次在线学习和更新进程训练新的CNN网络模型。本发明使CNN在有限的训练数据条件下可以取得更好的深度预测结果，并且减少了算法的空间复杂度，增强了CNN的泛化能力；并且选择性的训练和更新，使得算法的时间复杂度大大降低，并且提高了系统的精确度和鲁放性。本发明还提供了相应的基于逐块随机梯度下降法在线训练CNN的系统。