一种基于梯度正则化的高效深度批量主动学习方法及系统

本发明公开了一种基于梯度正则化的高效深度批量主动学习方法及系统，涉及机器学习与人工智能技术领域，包括：获取未标记样本，将未标记样本输入至预先建立的深度神经网络模型内，输出得到输出概率向量和倒数第二层的特征向量；根据输出概率向量和倒数第二层的特征向量对未标记样本分配伪标签，基于伪标签计算输出层每个类别的梯度块，对梯度块进行正则化处理，保留预设输出概率的类别对应的梯度块，其余梯度块置零，生成稀疏梯度矩阵；基于稀疏梯度矩阵进行类别级和样本级分层距离计算，得到样本级距离，依据样本级距离执行多样性采样，用k‑means++聚类算法选择代表性样本进行标注，实现深度批量主动学习中样本选择的加速与性能优化。