买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜北京大学申请的专利基于深度学习优化器的大规模图像分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115170879B 。

龙图腾网通过国家知识产权局官网在2025-04-18发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210814527.2，技术领域涉及：G06V10/764；该发明授权基于深度学习优化器的大规模图像分类方法是由林宙辰;谢星宇设计研发完成，并于2022-07-12向国家知识产权局提交的专利申请。

本基于深度学习优化器的大规模图像分类方法在说明书摘要公布了：本发明公布了一种基于深度学习优化器的大规模图像分类方法，通过构建新的深度学习优化器，利用图像训练数据和构建的深度学习优化器训练深度神经网络模型，得到训练好的图像分类深度神经网络模型；再将待分类的包含预定义类别的彩色图像输入到训练好的图像分类深度神经网络模型，模型的输出为图像的类别标签，由此实现大规模图像分类。采用本发明方法进行大规模图像分类，可避免在外推点计算梯度而带来的额外计算和内存的开销，对数据量的批大小具有极大的耐受性，能够提高大规模图像分类的效率及图像分类精度。

本发明授权基于深度学习优化器的大规模图像分类方法在权利要求书中公布了：1.一种基于深度学习优化器的大规模图像分类方法，其特征是，构建新的深度学习优化器，利用图像训练数据和构建的深度学习优化器训练深度神经网络模型，得到训练好的图像分类深度神经网络模型；再将待分类的包含预定义类别的彩色图像输入到训练好的图像分类深度神经网络模型，模型的输出为图像的类别标签，由此实现大规模图像分类；包括如下步骤：1进行图像预处理，分别得到训练图像数据和待分类图像数据；2构建新的深度学习优化器，深度学习优化器的输入是单张彩色图像或批量彩色图像，输出为图像的类别标签；构建深度学习优化器包括如下过程：21对Nesterov加速算法进行改进，设计基于Nesterov加速算法改进的动量估计方法，表示为式1： 其中，k为迭代次数；gk和gk-1是第k次和第k-1次迭代的随机的梯度估计；是损失函数f·，·对网络参数θk取一阶微分；训练数据ζ采样自任意分布ξk是均值为0的随机噪声；mk是第k次迭代的一阶动量；η＞0是基础学习率；β1是一阶动量的累积系数，取值为区间0-1；θ是可学习的网络参数；θk表示第k次迭代的网络参数；22通过新的动量估计方法与深度优化器中的自适应梯度方法，构建得到新的深度学习优化器；将式1的改进动量估计方法用于深度学习优化器中的自适应梯度更新方法中的一阶动量与二阶动量，并为梯度差分项引入单独的累积系数β2，进一步建立深度学习优化器，表示为式3： 其中，mk，nk分别为第k次迭代的一阶动量和二阶动量；vk为第k次迭代的彩色图像的随机梯度差分动量；ηk是第k次迭代的广义学习率；最后一行的公式用于参数更新；向量的平方为按维度分别平方；是Hadamard内积；ε＞0是光滑参数；β1,β2和β3分别是一阶动量、梯度差分动量和二阶动量的累积系数，取值为区间0-1；3利用训练图像数据和构建的深度学习优化器，训练深度神经网络模型，得到训练好的图像分类深度神经网络模型；将训练图像数据输入深度学习优化器，输出为图像的类别标签；设置随机深度机制对深度神经网络模型进行训练；训练损失函数设置为交叉熵损失函数；在训练过程中采用余弦学习率衰减法衰减广义学习率的大小；4将待分类的包含预定义类别的彩色图像输入到训练好的图像分类深度神经网络模型，即可输出图像的类别标签；通过上述步骤，实现基于深度学习优化器的大规模图像分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人北京大学，其通讯地址为：100871 北京市海淀区颐和园路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。