dlt利用1million样本用9层的稀疏自编码机进行线下训练的过程暂不讨论。重点放在,当用稀疏自编码机的encoder部分+sigmoid层的几次训练。
1.第一帧时,对encoder+sigmoid层进行初次训练时,自采样110个样本(10个正例样本、100个负例样本),采用前向网络、BP算法、梯度下降算法等进行训练实质:进行批梯度下降算法。学习速率(步长)rate=0.01;梯度的实际求解:利用前向神经网络的输出残差结合BP算法进行求解;10个样本为一批,每次步参数的优化,用110个样本,共进行11次;第一次求sigmoid层200多参数时,设置的迭代次数为20。
2.置信度<0.9时,正例样本进行更新同时重新采集负例样本进行更新训练。学习速率(步长)rate=0.01;梯度的实际求解:利用前向神经网络的输出残差结合BP算法进行求解;10个样本为一批,每次步参数的优化,用110个样本,共进行11次;更新sigmoid层200多参数时,设置的迭代次数为5。
3.置信度>0.9时,直接进行下一帧的measure过程。