[發明專利]一種光學神經網絡訓練方法、裝置、設備及介質

有效

• 申請號: 202210292442.2
• 申請日: 2022-03-24
• 公開（公告）號: CN114399038B
• 公開（公告）日: 2023-04-07
• 發明（設計）人: 陳靜靜;吳睿振;王凜;黃萍
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06N3/067
• 分類號: G06N3/067;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 柳虹

1.一種光學神經網絡訓練方法，其特征在于，包括：

獲取包含圖像樣本和相應標簽的訓練集，并確定初始光學神經網絡；

從所述初始光學神經網絡中篩選出包含目標分光器的目標光學運算模塊；所述目標分光器為由于自身制造誤差而引起分光比偏差的分光器；

分別為所述初始光學神經網絡中的每個所述目標光學運算模塊均配置相應的能夠進行移相操作的誤差補償器，以得到優化后光學神經網絡；所述誤差補償器為冗余MZI；每個冗余MZI的輸入端均直接與其對應的原始MZI的輸出端串接，并且每個冗余MZI的輸出端連接方式與其對應的原始MZI在原始FFTNet拓撲結構中的輸出端連接方式均保持一致；

利用所述訓練集對所述優化后光學神經網絡進行訓練，并在訓練過程中利用所述誤差補償器對相應的所述目標光學運算模塊中的所述目標分光器進行誤差補償，以得到訓練后光學神經網絡模型。

2.根據權利要求1所述的光學神經網絡訓練方法，其特征在于，所述確定初始光學神經網絡，包括：

選取基于GridNet拓撲結構或FFTNet拓撲結構的并采用兩層全連接層的光學神經網絡，以得到初始光學神經網絡。

3.根據權利要求1所述的光學神經網絡訓練方法，其特征在于，所述從所述初始光學神經網絡中篩選出包含目標分光器的目標光學運算模塊，分別為所述初始光學神經網絡中的每個所述目標光學運算模塊均配置相應的能夠進行移相操作的誤差補償器，以得到優化后光學神經網絡，包括：

從所述初始光學神經網絡中篩選出包含目標分光器的所有的馬赫曾德爾干涉儀，以得到各目標光學運算模塊，并分別為所述初始光學神經網絡中的每個所述馬赫曾德爾干涉儀均配置相應的能夠進行移相操作的誤差補償器，得到優化后光學神經網絡。

4.根據權利要求3所述的光學神經網絡訓練方法，其特征在于，所述分別為所述初始光學神經網絡中的每個所述目標光學運算模塊均配置相應的能夠進行移相操作的誤差補償器之前，還包括：

將馬赫曾德爾干涉儀作為用于對所述目標光學運算模塊中的所述目標分光器進行誤差補償的器件，以得到所述誤差補償器；

相應的，所述在訓練過程中利用所述誤差補償器對相應的所述目標光學運算模塊中的所述目標分光器進行誤差補償，包括：

在訓練過程中通過對作為所述誤差補償器的馬赫曾德爾干涉儀的相位進行自動配置，以完成對所述目標分光器的誤差補償。

5.根據權利要求1至4任一項所述的光學神經網絡訓練方法，其特征在于，所述利用所述訓練集對所述優化后光學神經網絡進行訓練之前，還包括：

為所述優化后光學神經網絡設置包含批量大小、學習率、梯度下降方式、動量、分光器噪聲的標準差σ以及訓練輪數的超參數；

并且，所述在訓練過程中利用所述誤差補償器對相應的所述目標光學運算模塊中的所述目標分光器進行誤差補償，包括：

確定出所有所述目標光學運算模塊的所有所述目標分光器對應的實際分光比偏差均值，以及確定出與所述實際分光比偏差均值對應的誤差補償器的移相值，然后控制所有所述誤差補償器均按照所述移相值進行同樣的相位調整操作。

6.根據權利要求5所述的光學神經網絡訓練方法，其特征在于，所述獲取包含圖像樣本和相應標簽的訓練集，包括：

分別按照第一樣本選取比例和第二樣本選取比例，對預設數據集中攜帶有相應標簽的圖像樣本進行選取，以得到相應的訓練集和測試集；

相應的，所述利用所述訓練集對所述優化后光學神經網絡進行訓練之后，還包括：

利用所述測試集分別對與不同所述分光器噪聲對應的各所述訓練后光學神經網絡模型進行測試，以確定各所述訓練后光學神經網絡模型的準確率。

7.根據權利要求5所述的光學神經網絡訓練方法，其特征在于，所述批量大小為100，所述學習率為0.15，所述梯度下降方式為隨機梯度下降法，所述分光器噪聲服從均值為0、方差為σ²的高斯分布，所述訓練輪數為10。