一种基于任务级注意力的深度神经网络持续学习方法及系统

本发明涉及人工智能与机器学习技术领域，具体涉及一种基于任务级注意力的深度神经网络持续学习方法及系统，包括全局经验池构建、分层特征增强网络、指数移动平均模型，通过任务流接收、分任务序贯训练及动态推理等步骤，通过在分任务序贯训练及动态推理步骤中融合任务注意力模块组与经验回放等核心机制，实现不同任务特征的高效筛选、存储与利用；结合优化的分层特征增强网络及动态特征融合设计，显著提升模型持续学习综合性能。本发明兼顾新任务的高效学习能力与旧任务的记忆保留效果，为深度神经网络在多任务持续学习环境中的应用提供了全新解决方案。