技術(shù)編號(hào)：39620185
提示：您尚未登錄，請(qǐng)點(diǎn) 登 陸 后下載，如果您還沒有賬戶請(qǐng)點(diǎn) 注 冊(cè) ，登陸完成后，請(qǐng)刷新本頁(yè)查看技術(shù)詳細(xì)信息。本發(fā)明涉及深度學(xué)習(xí)醫(yī)學(xué)圖像處理領(lǐng)域，特別是針對(duì)多變量和高維度醫(yī)學(xué)圖像數(shù)據(jù)集的分類問題，提出一種深度學(xué)習(xí)模型優(yōu)化方法。背景技術(shù)、在深度學(xué)習(xí)領(lǐng)域，優(yōu)化算法對(duì)于調(diào)整和優(yōu)化神經(jīng)網(wǎng)絡(luò)模型的參數(shù)起到至關(guān)重要的作用。優(yōu)化算法的性能直接影響到神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度、穩(wěn)定性以及最終模型的準(zhǔn)確度。adam優(yōu)化算法由于其自適應(yīng)性能較好，已經(jīng)成為許多深度學(xué)習(xí)應(yīng)用中的首選優(yōu)化算法。其核心在于計(jì)算梯度的指數(shù)移動(dòng)平均數(shù)，并根據(jù)移動(dòng)平均數(shù)調(diào)整每個(gè)參數(shù)的學(xué)習(xí)率。盡管adam優(yōu)化算法效果很好，易于實(shí)現(xiàn)，且在各種不同類型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)...
注意：該技術(shù)已申請(qǐng)專利，請(qǐng)尊重研發(fā)人員的辛勤研發(fā)付出，在未取得專利權(quán)人授權(quán)前，僅供技術(shù)研究參考不得用于商業(yè)用途。
該專利適合技術(shù)人員進(jìn)行技術(shù)研發(fā)參考以及查看自身技術(shù)是否侵權(quán)，增加技術(shù)思路，做技術(shù)知識(shí)儲(chǔ)備，不適合論文引用。
請(qǐng)注意，此類技術(shù)沒有源代碼，用于學(xué)習(xí)研究技術(shù)思路。