摘要
本申请涉及一种忆阻贝叶斯深度神经网络在线学习方法及装置，其中，方法包括：在数字计算机上，利用训练数据集进行离线训练，得到初始BDNN模型，并将训练好的网络权重写入忆阻器中，得到实际BDNN模型；利用实际BDNN模型预测未标记数据集中每个数据样本的数据类别，并计算每个数据样本的预测不确定性值；基于预测不确定性值确定未标记数据集中的目标数据样本，并将目标数据样本加入至训练数据集中，以得到新训练数据集，并利用新训练数据集进行在线训练，以更新忆阻器的电导值，直至满足预设停止条件，得到满足预设性能条件的忆阻BDNN模型。由此，解决了相关技术中，确定性计算平台在计算过程中存在巨大的延迟和能耗，难以满足贝叶斯深度神经网络学习的高速、高效计算的需求的技术问题。
