本發(fā)明涉及網(wǎng)絡(luò)正則化，特別涉及一種雙正則化網(wǎng)絡(luò)訓(xùn)練方法。

背景技術(shù)：

1、近年來，隨著人工智能和機器學(xué)習(xí)技術(shù)的快速發(fā)展，深度神經(jīng)網(wǎng)絡(luò)(dnn)在圖像識別、自然語言處理、語音識別等多個領(lǐng)域取得了顯著成果。然而，神經(jīng)網(wǎng)絡(luò)的高效訓(xùn)練和部署仍面臨諸多挑戰(zhàn)，其中之一就是如何在不影響模型性能的前提下，減少模型的復(fù)雜度和存儲需求。特別是在資源受限的存內(nèi)計算電路上部署神經(jīng)網(wǎng)絡(luò)時，模型的權(quán)重位寬限制和存儲瓶頸成為一個關(guān)鍵問題。

2、傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法通常采用固定位寬的權(quán)重表示，這在硬件實現(xiàn)中容易受到物理限制，導(dǎo)致權(quán)重精度不足或硬件資源占用過多。同時，過多的模型參數(shù)還可能導(dǎo)致模型過擬合，使得在訓(xùn)練數(shù)據(jù)上表現(xiàn)良好的模型在測試數(shù)據(jù)上表現(xiàn)不佳。為了克服這些問題，研究人員提出了各種正則化技術(shù)，如l1正則化和l2正則化，以控制模型的復(fù)雜性和提高其泛化能力。

3、l1正則化通過對模型權(quán)重的絕對值施加懲罰，促使部分權(quán)重收斂至零，從而實現(xiàn)稀疏化和特征選擇；而l2正則化則通過對權(quán)重的平方施加懲罰，使權(quán)重保持較小但不為零，以平滑模型并防止過擬合。然而，在實際應(yīng)用中，尤其是在處理復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型時，單一正則化方法的效果往往受限，難以同時滿足權(quán)重稀疏化和平滑收斂的需求。

技術(shù)實現(xiàn)思路

1、本發(fā)明提供一種雙正則化網(wǎng)絡(luò)訓(xùn)練方法，適用于在限制權(quán)重位寬的存算電路上部署高效的神經(jīng)網(wǎng)絡(luò)模型，同時提高模型的泛化能力和抗過擬合能力。

2、本發(fā)明實施例提供一種雙正則化網(wǎng)絡(luò)訓(xùn)練方法，包括以下步驟：

3、通過前向傳播和反向傳播對網(wǎng)絡(luò)權(quán)重分組，得到第一權(quán)重組和第二權(quán)重組，其中，所述第一權(quán)重組包含卷積核權(quán)重位寬限制范圍外的權(quán)重，所述第二權(quán)重組包含已滿足卷積核權(quán)重位寬限制范圍標(biāo)準(zhǔn)的權(quán)重；

4、對所述第一權(quán)重組中的權(quán)重進行權(quán)重絕對值的l1正則化，將l1正則化后所述第一權(quán)重組中滿足卷積核權(quán)重位寬限制范圍標(biāo)準(zhǔn)的權(quán)重轉(zhuǎn)移至第二權(quán)重組，對所述第二權(quán)重分組進行基于權(quán)重平方的l2正則化，使得所述第一權(quán)重組和所述第二權(quán)重組均收斂。

5、可選地，在本發(fā)明的一個實施例中，所述第一權(quán)重組包含位于卷積核kernel[4n]范圍外且不在0到3之間的權(quán)重。

6、可選地，在本發(fā)明的一個實施例中，所述前向傳播包括權(quán)重輸入w、位置分類possplit、閾值分類thresh?split、所述第一權(quán)重組、所述第二權(quán)重組、卷積層、雙正則化模塊和損失函數(shù)，其中，位置分類pos?split的條件為權(quán)重是否處于卷積核kernel[4n]的位置，閾值分類thresh?split的條件為權(quán)重值是否處于0到3的范圍，所述第一權(quán)重組表示權(quán)重位寬限制范圍外的權(quán)重，即數(shù)值在0到3范圍以外，所述第二權(quán)重組表示已滿足標(biāo)準(zhǔn)的權(quán)重，即數(shù)值在0到3范圍以內(nèi)。

7、可選地，在本發(fā)明的一個實施例中，前向傳播具體處理過程：

8、1)輸入的權(quán)重w通過卷積層進行初步處理；

9、2)通過位置分類pos?split和閾值分類thresh?split將權(quán)重分為所述第一權(quán)重組和所述第二權(quán)重組；

10、3)所述第一權(quán)重組通過l1正則化進行處理，使其快速收斂至0；

11、4)所述第二權(quán)重組通過l2正則化進行平滑收斂；

12、5)經(jīng)過正則化處理的所述第一權(quán)重組和所述第二權(quán)重組再通過卷積層輸出，輸出值與目標(biāo)值進行比較，并計算損失函數(shù)。

13、可選地，在本發(fā)明的一個實施例中，所述反向傳播包括卷積層、雙正則化模塊、所述第一權(quán)重組、所述第二權(quán)重組、權(quán)重合并模塊和權(quán)重輸出；反向傳播具體處理過程為：

14、1)前向傳播中已經(jīng)滿足標(biāo)準(zhǔn)的所述第一權(quán)重組中的權(quán)重通過合并操作移至所述第二權(quán)重組；

15、2)對所述第一權(quán)重組進行l(wèi)1正則化處理，l1正則化通過懲罰權(quán)重的絕對值，使得權(quán)重值趨向于零，促使模型稀疏化；

16、3)對所述第二權(quán)重組則繼續(xù)進行l(wèi)2正則化處理，限制權(quán)重平方值；

17、4)所述第一權(quán)重組和所述第二權(quán)重組通過卷積層進行計算并生成梯度，更新模型的參數(shù)；

18、5)更新所述第一權(quán)重組和所述第二權(quán)重組的權(quán)重值以最小化損失函數(shù)。

19、本發(fā)明實施例的雙正則化網(wǎng)絡(luò)訓(xùn)練方法，旨在解決存算電路中權(quán)重位寬限制的問題。該方法結(jié)合了l1和l2正則化的優(yōu)點，通過將網(wǎng)絡(luò)權(quán)重分為兩組，分別進行不同的正則化處理，以實現(xiàn)對權(quán)重的精細(xì)控制。具體而言，位于限制范圍外的wa權(quán)重通過l1正則化快速收斂至零，減少不必要的權(quán)重，降低模型復(fù)雜度；而滿足標(biāo)準(zhǔn)的wb權(quán)重則通過l2正則化進行平滑收斂，保持模型的穩(wěn)定性和精度。該方法通過前向傳播和反向傳播的協(xié)同作用，有效地控制了權(quán)重的收斂速度和大小，適用于在限制權(quán)重位寬的存算電路上部署高效神經(jīng)網(wǎng)絡(luò)模型，同時提高模型的泛化能力和抗過擬合能力。

20、本發(fā)明附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。

技術(shù)特征：

1.一種雙正則化網(wǎng)絡(luò)訓(xùn)練方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述第一權(quán)重組包含位于卷積核kernel[4n]范圍外且不在0到3之間的權(quán)重。

3.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述前向傳播包括權(quán)重輸入w、位置分類pos?split、閾值分類thresh?split、所述第一權(quán)重組、所述第二權(quán)重組、卷積層、雙正則化模塊和損失函數(shù)，其中，位置分類pos?split的條件為權(quán)重是否處于卷積核kernel[4n]的位置，閾值分類thresh?split的條件為權(quán)重值是否處于0到3的范圍，所述第一權(quán)重組表示權(quán)重位寬限制范圍外的權(quán)重，即數(shù)值在0到3范圍以外，所述第二權(quán)重組表示已滿足標(biāo)準(zhǔn)的權(quán)重，即數(shù)值在0到3范圍以內(nèi)。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，前向傳播具體處理過程：

5.根據(jù)權(quán)利要求4所述的方法，其特征在于，所述反向傳播包括卷積層、雙正則化模塊、所述第一權(quán)重組、所述第二權(quán)重組、權(quán)重合并模塊和權(quán)重輸出；反向傳播具體處理過程為：

技術(shù)總結(jié)
本發(fā)明公開了一種雙正則化網(wǎng)絡(luò)訓(xùn)練方法，屬于網(wǎng)絡(luò)正則化領(lǐng)域，該方法采用基于權(quán)重絕對值的L1歸一化和基于權(quán)重平方的L2歸一化，L1歸一化促使權(quán)重快速收斂至0，而L2歸一化則實現(xiàn)較慢的收斂，該方法將所有權(quán)重被分為第一權(quán)重組和第二權(quán)重組組，第一權(quán)重組包含卷積核權(quán)重位寬限制范圍外的權(quán)重，第二權(quán)重組包含已滿足標(biāo)準(zhǔn)的權(quán)重。在雙正則化網(wǎng)絡(luò)訓(xùn)練過程中，第一權(quán)重組中的權(quán)重進行L1歸一化并快速收斂至滿足0到3范圍內(nèi)的標(biāo)準(zhǔn)，并轉(zhuǎn)移到第二權(quán)重組并進行L2歸一化。本發(fā)明可以消除超過99.994％的誤差點，并產(chǎn)生接近全精度的結(jié)果，解決了存內(nèi)計算電路中權(quán)重位寬限制的影響，具有顯著的應(yīng)用價值。

技術(shù)研發(fā)人員：司鑫,張彥琦,郭安,陳禧,董方圓,張兆陽
受保護的技術(shù)使用者：東南大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19