第1章　组合型深度学习模型

将现有技术中单个深度学习模型组合起来，能够优势互补，从而实现更为强大的功能或更好的性能。本章介绍了三部分内容：基于类别树的深度学习模型、基于联合聚类的深度学习模型的数据识别、基于深度学习模型的身份识别。基于类别树的深度学习模型，通过多级深度学习模型的逐层训练和逐层应用，降低了输入项数和输出类别数，从而降低了各级深度学习模型的结构复杂性及训练和应用难度，降低了深度学习模型的计算复杂度，同时提高了深度学习模型的准确率。基于联合聚类深度学习模型的数据识别方法，步骤如下：①获取N类数据样本集及对应的标签集并进行预处理，同时获取数据预设格式、标签预设格式；②对深度学习模型进行训练；③将每一类任一测试数据转化为该类数据预设格式后作为该类深度学习模型的输入，得到对应的测试输出标签；④根据测试输出标签所在标签集的元素个数及数据集之间的相似度计算，确定可能输出标签及最优输出标签；⑤计算各类输出标签一致和不一致的概率；⑥将可能、最优输出标签及上步中的概率输出。本技术通过相似度计算弥补了深度学习模型输出标签数量多而输入样本量不足时输出准确性低的不足，进而提高输出的准确性。基于深度学习模型的身份识别方法，步骤为：①获取N类输入数据；②初始化对应的N类深度学习模型；③训练N类深度学习模型；④根据采集成本从低到高对类别进行排序；⑤初始化i、最优输出标签L、最大相似度相对比值U；⑥计算T_i类测试输出标签L_i，并判断L是否与L_i相同；⑦获取T_i类相似度相对比值U_i，并根据上一步的结果判别是身份识别失败还是执行下一步；⑧更新L和U；⑨根据U与预设最大相似度相对比值c的关系、i与N的关系，判别身份是否识别成功、是否需要将i加1继续循环执行。本技术优先选择低成本测试数据，并逐渐增加测试输入类型，在最低成本的情况下能够取得最高的判别准确率。