NEC開發了深度學習自動優化技術、更易於提高識別精度

近日，NEC宣佈開發了更易於提高識別精度的深度學習自動優化技術。

以往進行深度學習時,很難基於神經網路構造(注1)進行調整,所以無法在整個網路進行最優化的學習, 因而無法充分發揮其識別性。此次開發的技術, 可以基於其結構自動優化神經網路學習的進度,從而輕鬆實現比以往更加精準的識別。

此技術的出現，使得應用了影像識別及聲音識別等深度學習技術的各個領域，均有望實現識別精度的進一步提高。例如，人臉識別和行為分析等視訊監控識別精度的提高、基礎設施等點檢工作效率的提高，實現自動檢測災害、事故和災難等。

一、背景

近年來，深度學習的研究取得了飛躍性的進展。在影像識別、聲音識別等廣泛領域內得到了應用。深度學習使用具備深層構造的神經網路, 學習事先準備好的資料來實現高精度化。但是，如果資料被過度地學習，則會出現“過學習（注2）”的現象，即只能高精度地識別學習過的資料，而未用於學習的資料的識別精度則降低。為了避免這種情況的發生，就需要使用“正則化（注3）”技術進行調整。

由於神經網路的學習過程因其結構而複雜多變，所以過去只能對整個網路使用相同的正則化技術。結果出現了網路各層有的過度學習，有的學習停滯等問題，因而很難充分發揮原有的識別效能。另外，由於手動調整各層的學習進度極為困難，所以對於逐層自動調整學習進度的需求呼聲很高。

此次開發的技術是基於神經網路的結構，逐層預測學習進度，並自動配置適合各層進展的正則化技術。通過此技術，在整個網路中學習被優化，並且可以將識別錯誤率降低約20％，改善識別

精度。

【圖】各層神經網路中正則化技術自動設定示意圖

二、新技術的優點

1、根據神經網路結構的自動學習優化

基於神經網路的結構，我們預測每層的學習進度，並逐層自動設定適合於各層進展的正則化。據此，整個網路的學習進度就得到了優化，解決了過去各層過度學習和學習停滯的問題。在使用該技術的手寫數字資料的識別實驗中，識別錯誤率降低了約20％，識別精準度已經得到明顯改善。

2、與以往相同的計算量下，輕鬆實現高精度

該技術僅在學習神經網路前實施一次，即可在與以往同等的學習計算量下輕鬆地實現高精度。

NEC集團致力於在全球範圍內推進社會解決方案，提供安心、安全、高效、公平的社會價值，將先進的ICT技術與知識相融合，為實現更加光明、更加豐富多彩的高效社會盡一份力量。

(注1) 神經網路：由人造神經細胞（神經元）組成的神經網路。

(注2) 過學習：對給定資料過度學習，而對未學習的資料的

識別精度度下降的現象。

(注3) 正則化：通過對模型的複雜性加以約束，來抑制過學習的方法。

本文出處：暢享網

本文來自雲棲社群合作伙伴暢享網，瞭解相關資訊可以關注vsharing.com網站。