第1章　組合型深度學習模型

將現有技術中單個深度學習模型組合起來，能夠優勢互補，從而實現更為強大的功能或更好的性能。本章介紹了三部分內容：基于類別樹的深度學習模型、基于聯合聚類的深度學習模型的數據識別、基于深度學習模型的身份識別。基于類別樹的深度學習模型，通過多級深度學習模型的逐層訓練和逐層應用，降低了輸入項數和輸出類別數，從而降低了各級深度學習模型的結構復雜性及訓練和應用難度，降低了深度學習模型的計算復雜度，同時提高了深度學習模型的準確率。基于聯合聚類深度學習模型的數據識別方法，步驟如下：①獲取N類數據樣本集及對應的標簽集并進行預處理，同時獲取數據預設格式、標簽預設格式；②對深度學習模型進行訓練；③將每一類任一測試數據轉化為該類數據預設格式后作為該類深度學習模型的輸入，得到對應的測試輸出標簽；④根據測試輸出標簽所在標簽集的元素個數及數據集之間的相似度計算，確定可能輸出標簽及最優輸出標簽；⑤計算各類輸出標簽一致和不一致的概率；⑥將可能、最優輸出標簽及上步中的概率輸出。本技術通過相似度計算彌補了深度學習模型輸出標簽數量多而輸入樣本量不足時輸出準確性低的不足，進而提高輸出的準確性。基于深度學習模型的身份識別方法，步驟為：①獲取N類輸入數據；②初始化對應的N類深度學習模型；③訓練N類深度學習模型；④根據采集成本從低到高對類別進行排序；⑤初始化i、最優輸出標簽L、最大相似度相對比值U；⑥計算T_i類測試輸出標簽L_i，并判斷L是否與L_i相同；⑦獲取T_i類相似度相對比值U_i，并根據上一步的結果判別是身份識別失敗還是執行下一步；⑧更新L和U；⑨根據U與預設最大相似度相對比值c的關系、i與N的關系，判別身份是否識別成功、是否需要將i加1繼續循環執行。本技術優先選擇低成本測試數據，并逐漸增加測試輸入類型，在最低成本的情況下能夠取得最高的判別準確率。