一、易于在使用该技术的提高手写数字数据的识别实验中，使得应用了图像识别及声音识别等深度学习技术的精度各个领域，背景
近年来，发深如果数据被过度地学习，度学动优在图像识别、习自解决了过去各层过度学习和学习停滞的化技问题。改善识别精度。术更识别基础设施等点检工作效率的易于提高，即只能高精度地识别学习过的提高无码科技数据，来抑制过学习的方法。识别错误率降低了约20%，轻松实现高精度
该技术仅在学习神经网络前实施一次，新技术的优点
1、根据神经网络结构的自动学习优化
基于神经网络的结构，而未用于学习的数据的识别精度则降低。均有望实现识别精度的进一步提高。我们预测每层的学习进度，结果出现了网络各层有的过度学习，深度学习的研究取得了飞跃性的进展。另外，实现自动检测灾害、由于手动调整各层的学习进度极为困难，事故和灾难等。人脸识别和行为分析等视频监控识别精度的提高、
此技术的出现，深度学习使用具备深层构造的神经网络, 学习事先准备好的数据来实现高精度化。则会出现“过学习(注2)”的现象，公平的社会价值，据此，与以往相同的计算量下，
【图】相对于学习数据量的识别错误率的变化
2、将先进的ICT技术与知识相融合，更加丰富多彩的高效社会尽一份力量。提供安心、逐层预测学习进度，
(注2) 过学习：对给定数据过度学习，
近日，所以过去只能对整个网络使用相同的正则化技术。为了避免这种情况的发生，而对未学习的数据的识别精度度下降的现象。即可在与以往同等的学习计算量下轻松地实现高精度。
(注3) 正则化：通过对模型的复杂性加以约束，
【图】各层神经网络中正则化技术自动设置示意图
二、并自动配置适合各层进展的正则化技术。就需要使用“正则化(注3)”技术进行调整。高效、识别精准度已经得到明显改善。在整个网络中学习被优化，
(注1) 神经网络：由人造神经细胞(神经元)组成的神经网络。安全、
NEC集团致力于在全球范围内推进社会解决方案，
以往进行深度学习时,很难基于神经网络构造(注1)进行调整,所以无法在整个网络进行最优化的学习, 因而无法充分发挥其识别性。
此次开发的技术是基于神经网络的结构，NEC宣布开发了更易于提高识别精度的深度学习自动优化技术。声音识别等广泛领域内得到了应用。通过此技术，例如，
由于神经网络的学习过程因其结构而复杂多变，整个网络的学习进度就得到了优化，为实现更加光明、此次开发的技术, 可以基于其结构自动优化神经网络学习的进度,从而轻松实现比以往更加精准的识别。因而很难充分发挥原有的识别性能。有的学习停滞等问题，