CN109165736A - 应用于卷积神经网络的信息处理方法和装置 - Google Patents
应用于卷积神经网络的信息处理方法和装置 Download PDFInfo
- Publication number
- CN109165736A CN109165736A CN201810896363.6A CN201810896363A CN109165736A CN 109165736 A CN109165736 A CN 109165736A CN 201810896363 A CN201810896363 A CN 201810896363A CN 109165736 A CN109165736 A CN 109165736A
- Authority
- CN
- China
- Prior art keywords
- layer
- parameter
- neural networks
- convolutional
- convolutional neural
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 121
- 230000010365 information processing Effects 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000010606 normalization Methods 0.000 claims abstract description 45
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000013139 quantization Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000003475 lamination Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 9
- 241000208340 Araliaceae Species 0.000 description 7
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 7
- 235000003140 Panax quinquefolius Nutrition 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 235000008434 ginseng Nutrition 0.000 description 7
- 230000006854 communication Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000007667 floating Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000005291 magnetic effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例公开了应用于卷积神经网络的信息处理方法和装置。该方法的一具体实施方式包括：将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换所述归一化层的初始参数和所述卷积层的初始参数的目标参数，将所述目标参数作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数；对卷积层的参数和全连接层的参数进行量化，得到量化后的卷积神经网络。本申请实施例提供的方法能够通过合并步骤，减少卷积神经网络中的参数，进而减小卷积神经网络处理数据时的计算量，提高卷积神经网络的运算速度。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及互联网技术领域，尤其涉及应用于卷积神经网络的信息处理方法和装置。
背景技术
随着人工智能的发展，卷积神经网络越来越得到广泛的应用，比如，语音识别、图像识别等等。随着功能的日益增加，在运行速度等诸多方面对卷积神经网络也提出了更高的要求。
发明内容
本申请实施例提出了应用于卷积神经网络的信息处理方法和装置。
第一方面，本申请实施例提供了一种应用于卷积神经网络的信息处理方法，方法包括：将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换归一化层的初始参数和卷积层的初始参数的目标参数，将目标参数作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数；对卷积层的参数和全连接层的参数进行量化，得到量化后的卷积神经网络。
在一些实施例中，对卷积层的参数和全连接层的参数进行量化，包括：将卷积层的浮点型参数和全连接层的浮点型参数转化为包括整数型参数与系数的表达式，其中，在表达式中，系数与整数型参数相乘，或者系数为整数型参数的指数。
在一些实施例中，在对卷积层的参数和全连接层的参数进行量化之前，方法还包括：对于卷积层和全连接层的各层，获取至少两个待选的系数，确定各待选的系数对应的、该层的整数型参数；利用该层的整数型参数，确定各待选的系数对应的该层的损失值；将该层的最小的损失值所对应的待选的系数确定为该层的系数，其中，该层的系数的数量为至少一个。
在一些实施例中，在得到量化后的卷积神经网络之后，方法还包括：将指定对象输入量化后的卷积神经网络，得到从卷积神经网络输出的指定对象所对应的处理结果。
在一些实施例中，在将指定对象输入量化后的卷积神经网络之后，方法还包括：对于卷积层和全连接层的各层，基于该层的整数型参数得到该层的初始结果；基于初始结果与该层的系数，利用表达式中整数型参数与该层的系数的运算规则确定该层的结果。
在一些实施例中，方法还包括：确定卷积神经网络的总损失值；利用总损失值在卷积神经网络反向传播，对量化后的卷积神经网络中的参数进行参数调整。
第二方面，本申请实施例提供了一种应用于卷积神经网络的信息处理装置，装置包括：合并单元，被配置成将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换归一化层的初始参数和卷积层的初始参数的目标参数，将目标参数作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数；量化单元，被配置成对卷积层的参数和全连接层的参数进行量化，得到量化后的卷积神经网络。
在一些实施例中，量化单元，进一步被配置成：将卷积层的浮点型参数和全连接层的浮点型参数转化为包括整数型参数与系数的表达式，其中，在表达式中，系数与整数型参数相乘，或者系数为整数型参数的指数。
在一些实施例中，装置还包括：确定单元，被配置成对于卷积层和全连接层的各层，获取至少两个待选的系数，确定各待选的系数对应的、该层的整数型参数；利用该层的整数型参数，确定各待选的系数对应的该层的损失值；将该层的最小的损失值所对应的待选的系数确定为该层的系数，其中，该层的系数的数量为至少一个。
在一些实施例中，装置还包括：运行单元，被配置成将指定对象输入量化后的卷积神经网络，得到从卷积神经网络输出的指定对象所对应的处理结果。
在一些实施例中，运行单元，进一步被配置成：对于卷积层和全连接层的各层，基于该层的整数型参数得到该层的初始结果；基于初始结果与该层的系数，利用表达式中整数型参数与该层的系数的运算规则确定该层的结果。
在一些实施例中，装置还包括：损失确定单元，被配置成确定卷积神经网络的总损失值；参数调整单元，被配置成利用总损失值在卷积神经网络反向传播，对量化后的卷积神经网络中的参数进行参数调整。
第三方面，本申请实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如应用于卷积神经网络的信息处理方法中任一实施例的方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如应用于卷积神经网络的信息处理方法中任一实施例的方法。
本申请实施例提供的应用于卷积神经网络的信息处理方案，首先，将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换归一化层的初始参数和卷积层的初始参数的目标参数，将目标参数作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数。之后，对卷积层的参数和全连接层的参数进行量化，得到量化后的卷积神经网络。本申请实施例提供的方法能够通过合并步骤，减少卷积神经网络中的参数，进而减小卷积神经网络处理数据时的计算量，提高卷积神经网络的运算速度。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请可以应用于其中的示例性系统架构图；
图2是根据本申请的应用于卷积神经网络的信息处理方法的一个实施例的流程图；
图3是根据本申请的应用于卷积神经网络的信息处理方法的一个应用场景的示意图；
图4是根据本申请的应用于卷积神经网络的信息处理方法的又一个实施例的流程图；
图5是根据本申请的应用于卷积神经网络的信息处理装置的一个实施例的结构示意图；
图6是适于用来实现本申请实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的应用于卷积神经网络的信息处理方法或应用于卷积神经网络的信息处理装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如图像识别应用、语音识别应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
这里的终端101、102、103可以是硬件，也可以是软件。当终端101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103提供支持的后台服务器。后台服务器可以对初始参数等数据进行分析等处理，并将处理结果(例如量化后的卷积神经网络的输出结果)反馈给终端设备。
需要说明的是，本申请实施例所提供的应用于卷积神经网络的信息处理方法一般由服务器105执行，相应地，应用于卷积神经网络的信息处理装置可以设置于服务器105中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的应用于卷积神经网络的信息处理方法的一个实施例的流程200。该应用于卷积神经网络的信息处理方法，包括以下步骤：
步骤201，将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换归一化层的初始参数和卷积层的初始参数的目标参数，将目标参数作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数。
在本实施例中，应用于卷积神经网络(Convolutional Neural Network，CNN)的信息处理方法的执行主体(例如图1所示的服务器)可以将卷积神经网络中的归一化层合并到卷积层中。具体地，上述执行主体可以将归一化层的初始参数与卷积层的初始参数合并，以得到可以替换归一化层的初始参数和卷积层的初始参数的目标参数。合并后，卷积层的参数包括目标参数。初始参数为合并前卷积神经网络的参数。在归一化层和卷积层中可以存在多个函数关系式，归一化层的初始参数和卷积层的初始参数可以分别存在于不同的函数关系式中。可以通过不同的函数关系式所属的层之间的关系建立联系，从而得到归一化层的初始参数和卷积层的初始参数之间的函数关系。比如，可以确定卷积层的函数关系式的计算结果，并将该计算结果作为一个变量，带入归一化层的函数关系式中。在合并前，卷积神经网络可以包括卷积层、归一化层和全连接层。在合并后，卷积神经网络中不存在归一化层。
在这里，一个目标参数可以替代归一化层的至少一个初始参数和卷积层的至少一个初始参数。举例来说，可以使用目标参数d替代归一化层的初始参数a和卷积层的初始参数b、初始参数c。
在实践中，归一化层的初始参数的数量一般小于卷积层的初始参数的数量。对于每个归一化层的初始参数，存在与该初始参数对应的目标参数。在合并后，在卷积层中可以存在未参与合并的参数。
步骤202，对卷积层的参数和全连接层的参数进行量化，得到量化后的卷积神经网络。
在本实施例中，上述执行主体可以对合并后的卷积层的参数进行量化，并对全连接层的参数进行量化，得到量化后的卷积神经网络。具体地，对卷积神经网络中的参数进行量化，即是将浮点型的参数，转化为整数型(也即定点型)的参数。在量化后，一些在量化前数值相近却不同的参数会量化为相同参数。
在本实施例的一些可选的实现方式中，在步骤202之后，该方法还可以包括：
确定卷积神经网络的总损失值；利用总损失值在卷积神经网络反向传播，对量化后的卷积神经网络中的参数进行参数调整。
在这些可选的实现方式中，上述执行主体可以利用量化后的卷积神经网络的总损失值，进行反向传播，以对其中的参数进行参数调整。具体地，总损失值可以是通过预先设定的损失函数计算得到的。这些实现方式可以提高卷积神经网络的准确度。
继续参见图3，图3是根据本实施例的应用于卷积神经网络的信息处理方法的应用场景的一个示意图。在图3的应用场景中，执行主体301将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换归一化层的初始参数α302和卷积层的初始参数β303的目标参数Ω304，将目标参数Ω作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数。执行主体301对包括Ω的卷积层的参数和全连接层的参数305进行量化，得到量化后的卷积神经网络306。
本申请的上述实施例提供的方法能够通过合并步骤，减少卷积神经网络中的参数，进而减小卷积神经网络处理数据时的计算量，提高卷积神经网络的运算速度。
进一步参考图4，其示出了应用于卷积神经网络的信息处理方法的又一个实施例的流程400。该应用于卷积神经网络的信息处理方法的流程400，包括以下步骤：
步骤401，将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换归一化层的初始参数和卷积层的初始参数的目标参数，将目标参数作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数。
在本实施例中，应用于卷积神经网络的信息处理方法的执行主体(例如图1所示的服务器)可以将卷积神经网络中的归一化层合并到卷积层中。具体地，上述执行主体可以将归一化层的初始参数与卷积层的初始参数合并，以得到可以替换归一化层的初始参数和卷积层的初始参数的目标参数。合并后，卷积层的参数包括目标参数。初始参数为合并前卷积神经网络的参数。
步骤402，对于卷积层和全连接层的各层，获取至少两个待选的系数，确定各待选的系数对应的、该层的整数型参数；利用该层的整数型参数，确定各待选的系数对应的该层的损失值；将该层的最小的损失值所对应的待选的系数确定为该层的系数，其中，该层的系数的数量为至少一个。
上述步骤402包括三个子步骤：步骤4021、步骤4022和步骤4023。
步骤4021，对于卷积层和全连接层的各层，获取至少两个待选的系数，确定各待选的系数对应的、该层的整数型参数。
在本实施例中，对于卷积层的各层和全连接层的各层，上述执行主体可以获取至少两个待选的系数，确定各待选的系数对应的、该层的整数型参数。待选的系数为有待于选择的用于量化的系数。所获取的待选的系数可以是预先设定好的。
具体地，量化过程可以是将浮点型参数转化为包括整数型参数与系数的表达式。该表达式用以表达整数型参数与系数之间的关系，这里的关系是利用运算规则建立的。在表达式中，整数型参数与系数之间关系可以是各种运算的关系或者运算的关系之间的组合，比如，相乘、指数等等。
举例来说，在整数型参数与系数的关系是相乘关系的情况下，卷积神经网络可以包括参数1.21、1.43、1.76、1.95、2.35、2.49、2.86。预先设定了系数为a，可以分别将参数量化为1a、1a、2a、2a、2a、2a、3a。为了从至少两个待选的系数中选取系数，可以确定在使用各个待选的系数的情况下，该层的整数型参数。
步骤4022，利用该层的整数型参数，确定各待选的系数对应的该层的损失值。
在本实施例中，上述执行主体可以利用该层的整数型参数，确定各待选的系数对应的该层的损失值。可以对于每个待选的系数，使用该待选的系数所对应的整数型参数所构成的该层进行数据处理，并利用预设的损失函数，确定该待选的系数所对应的该层的损失值。
步骤4023，将该层的最小的损失值所对应的待选的系数确定为该层的系数，其中，该层的系数的数量为至少一个。
在本实施例中，上述执行主体可以比较该层的各个待选的系数所对应的损失值，并将其中最小的损失值所对应的待选的系数确定为该层系数。不同层的系数可以是不尽相同的，可以针对每一层选择系数。
在本实施例的一些可选的实现方式中，每层的系数为至少两个。
在这些实现方式中，参与量化的参数的精度往往会受到损失。为了减小该损失，可以采用两个以上的不同的系数对一层中的参数进行量化，使量化前后的参数的数值尽可能接近。举例来说，卷积神经网络包括参数1.21、1.43、1.76、1.95、2.35、2.49、2.86。预先设定了系数为a和b，可以分别将参数量化为1a、1b、2a、2a、3b、3b、3a。
步骤403，将卷积层的浮点型参数和全连接层的浮点型参数转化为包括整数型参数与系数的表达式，其中，在表达式中，系数与整数型参数相乘，或者系数为整数型参数的指数。
在这些可选的实现方式中，上述执行主体可以对合并后的卷积层和全连接层进行处理，即是将其中的浮点型参数转化为包括整数型参数与系数的表达式。
本实施例可以从至少两个待选的系数中，确定损失值最小的系数作为该层的系数。这样可以提高卷积层和全连接层的各层的量化准确度，减少量化所损失的精度，进而提高量化后的卷积神经网络的准确度。
在本申请的应用于卷积神经网络的信息方法上述任一实施例的一些可选的实现方式中，在得到量化后的卷积神经网络之后，该应用于卷积神经网络的信息方法还包括以下步骤：
将指定对象输入量化后的卷积神经网络，得到从卷积神经网络输出的指定对象所对应的处理结果。
在这些可选的实现方式中，上述执行主体可以将指定对象输入量化后的卷积神经网络，得到从该网络输出的处理结果。具体的，指定对象可以是图像或者语音等等。卷积神经网络可以对指定对象进行识别，得到处理结果。
在这些实现方式的一些可选的应用场景中，在将指定对象输入量化后的卷积神经网络之后，该方法还可以包括：
对于卷积层和全连接层的各层，基于该层的整数型参数得到该层的初始结果；基于初始结果与该层的系数，利用表达式中整数型参数与该层的系数的运算规则确定该层的结果。
在这些应用场景中，对于卷积层和全连接层的各层，在卷积神经网络运行的过程中，上述执行主体可以利用整数型参数获得该层的初始结果。之后，将初始结果与系数利用表达式中的关系进行运算，得到该层的结果。之后，可以将该结果输入卷积神经网络中的下一层。
在这些应用场景中，可以在卷积层和全连接层计算的过程中，仅使用整数型参数参与计算，能够减少计算量，加快卷积神经网络的运行速度。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种应用于卷积神经网络的信息处理装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的应用于卷积神经网络的信息处理装置500包括：合并单元501和量化单元502。其中，合并单元501，被配置成将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换归一化层的初始参数和卷积层的初始参数的目标参数，将目标参数作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数；量化单元502，被配置成对卷积层的参数和全连接层的参数进行量化，得到量化后的卷积神经网络
在一些实施例中，应用于卷积神经网络的信息处理装置500的合并单元501可以将卷积神经网络中的归一化层合并到卷积层中。具体地，上述执行主体可以将归一化层的初始参数与卷积层的初始参数合并，以得到可以替换归一化层的初始参数和卷积层的初始参数的目标参数。合并后，卷积层的参数包括目标参数。初始参数为合并前卷积神经网络的参数。在归一化层和卷积层中可以存在多个函数关系式，归一化层的初始参数和卷积层的初始参数可以分别存在于不同的函数关系式中。
在一些实施例中，量化单元502可以对合并后的卷积层的参数进行量化，和对全连接层的参数进行量化，得到量化后的卷积神经网络。具体地，对卷积神经网络中的参数进行量化，即是将浮点型的参数，转化为整数型(也即定点型)的参数。在量化后，一些在量化前数值相近却不同的参数会量化为相同参数。
在本实施例的一些可选的实现方式中，量化单元，进一步被配置成：将卷积层的浮点型参数和全连接层的浮点型参数转化为包括整数型参数与系数的表达式，其中，在表达式中，系数与整数型参数相乘，或者系数为整数型参数的指数。
在本实施例的一些可选的实现方式中，装置还包括：确定单元，被配置成对于卷积层和全连接层的各层，获取至少两个待选的系数，确定各待选的系数对应的、该层的整数型参数；利用该层的整数型参数，确定各待选的系数对应的该层的损失值；将该层的最小的损失值所对应的待选的系数确定为该层的系数，其中，该层的系数的数量为至少一个。
在本实施例的一些可选的实现方式中，装置还包括：运行单元，被配置成将指定对象输入量化后的卷积神经网络，得到从卷积神经网络输出的指定对象所对应的处理结果。
在本实施例的一些可选的实现方式中，运行单元，进一步被配置成：对于卷积层和全连接层的各层，基于该层的整数型参数得到该层的初始结果；基于初始结果与该层的系数，利用表达式中整数型参数与该层的系数的运算规则确定该层的结果。
在本实施例的一些可选的实现方式中，装置还包括：损失确定单元，被配置成确定卷积神经网络的总损失值；参数调整单元，被配置成利用总损失值在卷积神经网络反向传播，对量化后的卷积神经网络中的参数进行参数调整。
下面参考图6，其示出了适于用来实现本申请实施例的电子设备的计算机系统600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元(CPU)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储部分608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
以下部件连接至I/O接口605：包括键盘、鼠标等的输入部分606；包括诸如阴极射线管(CRT)、液晶显示屏(LCD)等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元(CPU)601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括合并单元和量化单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，量化单元还可以被描述为“对卷积层的参数和全连接层的参数进行量化，得到量化后的卷积神经网络的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换归一化层的初始参数和卷积层的初始参数的目标参数，将目标参数作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数；对卷积层的参数和全连接层的参数进行量化，得到量化后的卷积神经网络。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (14)
1.一种应用于卷积神经网络的信息处理方法，所述方法包括：
将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换所述归一化层的初始参数和所述卷积层的初始参数的目标参数，将所述目标参数作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数；
对卷积层的参数和全连接层的参数进行量化，得到量化后的卷积神经网络。
2.根据权利要求1所述的方法，其中，所述对卷积层的参数和全连接层的参数进行量化，包括：
将卷积层的浮点型参数和全连接层的浮点型参数转化为包括整数型参数与系数的表达式，其中，在所述表达式中，所述系数与所述整数型参数相乘，或者所述系数为所述整数型参数的指数。
3.根据权利要求2所述的方法，其中，在所述对卷积层的参数和全连接层的参数进行量化之前，所述方法还包括：
对于卷积层和全连接层的各层，获取至少两个待选的系数，确定各待选的系数对应的、该层的整数型参数；利用该层的整数型参数，确定各待选的系数对应的该层的损失值；将该层的最小的损失值所对应的待选的系数确定为该层的系数，其中，该层的系数的数量为至少一个。
4.根据权利要求2所述的方法，其中，在所述得到量化后的卷积神经网络之后，所述方法还包括：
将指定对象输入所述量化后的卷积神经网络，得到从卷积神经网络输出的指定对象所对应的处理结果。
5.根据权利要求4所述的方法，其中，在所述将指定对象输入所述量化后的卷积神经网络之后，所述方法还包括：
对于卷积层和全连接层的各层，基于该层的整数型参数得到该层的初始结果；基于所述初始结果与该层的系数，利用表达式中整数型参数与该层的系数的运算规则确定该层的结果。
6.根据权利要求1所述的方法，其中，所述方法还包括：
确定所述卷积神经网络的总损失值；
利用所述总损失值在所述卷积神经网络反向传播，对量化后的卷积神经网络中的参数进行参数调整。
7.一种应用于卷积神经网络的信息处理装置，所述装置包括：
合并单元，被配置成将卷积神经网络中的归一化层合并到卷积层中，合并的步骤包括：基于归一化层的初始参数和卷积层的初始参数之间的函数关系，确定替换所述归一化层的初始参数和所述卷积层的初始参数的目标参数，将所述目标参数作为卷积层的参数，其中，卷积神经网络中的参数包括浮点型参数；
量化单元，被配置成对卷积层的参数和全连接层的参数进行量化，得到量化后的卷积神经网络。
8.根据权利要求7所述的装置，其中，所述量化单元，进一步被配置成：
将卷积层的浮点型参数和全连接层的浮点型参数转化为包括整数型参数与系数的表达式，其中，在所述表达式中，所述系数与所述整数型参数相乘，或者所述系数为所述整数型参数的指数。
9.根据权利要求8所述的装置，其中，所述装置还包括：
确定单元，被配置成对于卷积层和全连接层的各层，获取至少两个待选的系数，确定各待选的系数对应的、该层的整数型参数；利用该层的整数型参数，确定各待选的系数对应的该层的损失值；将该层的最小的损失值所对应的待选的系数确定为该层的系数，其中，该层的系数的数量为至少一个。
10.根据权利要求8所述的装置，其中，所述装置还包括：
运行单元，被配置成将指定对象输入所述量化后的卷积神经网络，得到从卷积神经网络输出的指定对象所对应的处理结果。
11.根据权利要求10所述的装置，其中，所述运行单元，还被配置成：
对于卷积层和全连接层的各层，基于该层的整数型参数得到该层的初始结果；基于所述初始结果与该层的系数，利用表达式中整数型参数与该层的系数的运算规则确定该层的结果。
12.根据权利要求7所述的装置，其中，所述装置还包括：
损失确定单元，被配置成确定所述卷积神经网络的总损失值；
参数调整单元，被配置成利用所述总损失值在所述卷积神经网络反向传播，对量化后的卷积神经网络中的参数进行参数调整。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810896363.6A CN109165736B (zh) | 2018-08-08 | 2018-08-08 | 应用于卷积神经网络的信息处理方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810896363.6A CN109165736B (zh) | 2018-08-08 | 2018-08-08 | 应用于卷积神经网络的信息处理方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109165736A true CN109165736A (zh) | 2019-01-08 |
| CN109165736B CN109165736B (zh) | 2023-12-12 |
Family
ID=64895065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810896363.6A Active CN109165736B (zh) | 2018-08-08 | 2018-08-08 | 应用于卷积神经网络的信息处理方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109165736B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009021A (zh) * | 2019-03-26 | 2019-07-12 | 深兰科技（上海）有限公司 | 一种目标识别方法及设备 |
| CN110009101A (zh) * | 2019-04-11 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于生成量化神经网络的方法和装置 |
| CN110096968A (zh) * | 2019-04-10 | 2019-08-06 | 西安电子科技大学 | 一种基于深度模型优化的超高速静态手势识别方法 |
| CN111695671A (zh) * | 2019-03-12 | 2020-09-22 | 北京地平线机器人技术研发有限公司 | 训练神经网络的方法及装置、电子设备 |
| WO2020207174A1 (zh) * | 2019-04-11 | 2020-10-15 | 北京字节跳动网络技术有限公司 | 用于生成量化神经网络的方法和装置 |
| CN114723032A (zh) * | 2022-06-02 | 2022-07-08 | 浙江芯昇电子技术有限公司 | 一种长短期记忆神经网络硬件加速方法与计算系统 |
| WO2022184011A1 (zh) * | 2021-03-04 | 2022-09-09 | 维沃移动通信有限公司 | 信息处理方法、装置、通信设备及可读存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017049496A1 (en) * | 2015-09-23 | 2017-03-30 | Intel Corporation | Apparatus and method for local quantization for convolutional neural networks (cnns) |
| EP3154000A2 (en) * | 2015-10-08 | 2017-04-12 | VIA Alliance Semiconductor Co., Ltd. | Neural network unit with plurality of selectable output functions |
| WO2017121297A1 (zh) * | 2016-01-12 | 2017-07-20 | 腾讯科技（深圳）有限公司 | Cnn的处理方法和装置 |
| CN107256422A (zh) * | 2017-06-06 | 2017-10-17 | 上海兆芯集成电路有限公司 | 数据量化方法及装置 |
| CN107292382A (zh) * | 2016-03-30 | 2017-10-24 | 中国科学院声学研究所 | 一种神经网络声学模型激活函数定点量化方法 |
| CN107402905A (zh) * | 2016-05-19 | 2017-11-28 | 北京旷视科技有限公司 | 基于神经网络的计算方法及装置 |
| WO2018053835A1 (en) * | 2016-09-26 | 2018-03-29 | Intel Corporation | Method and apparatus for reducing parameter density of deep neural network (dnn) |
| US20180107925A1 (en) * | 2016-10-19 | 2018-04-19 | Samsung Electronics Co., Ltd. | Method and apparatus for neural network quantization |
| CN108009634A (zh) * | 2017-12-21 | 2018-05-08 | 美的集团股份有限公司 | 一种卷积神经网络的优化方法、装置及计算机存储介质 |
| WO2018140294A1 (en) * | 2017-01-25 | 2018-08-02 | Microsoft Technology Licensing, Llc | Neural network based on fixed-point operations |
-
2018
- 2018-08-08 CN CN201810896363.6A patent/CN109165736B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017049496A1 (en) * | 2015-09-23 | 2017-03-30 | Intel Corporation | Apparatus and method for local quantization for convolutional neural networks (cnns) |
| EP3154000A2 (en) * | 2015-10-08 | 2017-04-12 | VIA Alliance Semiconductor Co., Ltd. | Neural network unit with plurality of selectable output functions |
| WO2017121297A1 (zh) * | 2016-01-12 | 2017-07-20 | 腾讯科技（深圳）有限公司 | Cnn的处理方法和装置 |
| CN107292382A (zh) * | 2016-03-30 | 2017-10-24 | 中国科学院声学研究所 | 一种神经网络声学模型激活函数定点量化方法 |
| CN107402905A (zh) * | 2016-05-19 | 2017-11-28 | 北京旷视科技有限公司 | 基于神经网络的计算方法及装置 |
| WO2018053835A1 (en) * | 2016-09-26 | 2018-03-29 | Intel Corporation | Method and apparatus for reducing parameter density of deep neural network (dnn) |
| US20180107925A1 (en) * | 2016-10-19 | 2018-04-19 | Samsung Electronics Co., Ltd. | Method and apparatus for neural network quantization |
| WO2018140294A1 (en) * | 2017-01-25 | 2018-08-02 | Microsoft Technology Licensing, Llc | Neural network based on fixed-point operations |
| CN107256422A (zh) * | 2017-06-06 | 2017-10-17 | 上海兆芯集成电路有限公司 | 数据量化方法及装置 |
| CN108009634A (zh) * | 2017-12-21 | 2018-05-08 | 美的集团股份有限公司 | 一种卷积神经网络的优化方法、装置及计算机存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 叶子;肖诗斌;: "卷积神经网络模型压缩在图像分类中的应用", 北京信息科技大学学报(自然科学版), no. 03, pages 55 - 59 * |
| 吴晨;易本顺;章云港;黄松;冯雨;: "基于改进卷积神经网络的视网膜血管图像分割", 光学学报, no. 11, pages 133 - 139 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111695671A (zh) * | 2019-03-12 | 2020-09-22 | 北京地平线机器人技术研发有限公司 | 训练神经网络的方法及装置、电子设备 |
| CN111695671B (zh) * | 2019-03-12 | 2023-08-08 | 北京地平线机器人技术研发有限公司 | 训练神经网络的方法及装置、电子设备 |
| CN110009021A (zh) * | 2019-03-26 | 2019-07-12 | 深兰科技（上海）有限公司 | 一种目标识别方法及设备 |
| CN110096968A (zh) * | 2019-04-10 | 2019-08-06 | 西安电子科技大学 | 一种基于深度模型优化的超高速静态手势识别方法 |
| CN110096968B (zh) * | 2019-04-10 | 2023-02-07 | 西安电子科技大学 | 一种基于深度模型优化的超高速静态手势识别方法 |
| CN110009101A (zh) * | 2019-04-11 | 2019-07-12 | 北京字节跳动网络技术有限公司 | 用于生成量化神经网络的方法和装置 |
| WO2020207174A1 (zh) * | 2019-04-11 | 2020-10-15 | 北京字节跳动网络技术有限公司 | 用于生成量化神经网络的方法和装置 |
| WO2022184011A1 (zh) * | 2021-03-04 | 2022-09-09 | 维沃移动通信有限公司 | 信息处理方法、装置、通信设备及可读存储介质 |
| CN114723032A (zh) * | 2022-06-02 | 2022-07-08 | 浙江芯昇电子技术有限公司 | 一种长短期记忆神经网络硬件加速方法与计算系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109165736B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109165736A (zh) | 应用于卷积神经网络的信息处理方法和装置 | |
| CN112561078B (zh) | 分布式的模型训练方法及相关装置 | |
| CN107330715B (zh) | 选择图片广告素材的方法和装置 | |
| CN108595628A (zh) | 用于推送信息的方法和装置 | |
| CN111862984B (zh) | 一种信号输入方法、装置、电子设备和可读存储介质 | |
| CN109981787B (zh) | 用于展示信息的方法和装置 | |
| CN109961141A (zh) | 用于生成量化神经网络的方法和装置 | |
| CN109960650A (zh) | 基于大数据的应用程序评估方法、装置、介质及电子设备 | |
| CN109086780A (zh) | 用于检测电极片毛刺的方法和装置 | |
| CN108182472A (zh) | 用于生成信息的方法和装置 | |
| CN109829164A (zh) | 用于生成文本的方法和装置 | |
| CN109785072A (zh) | 用于生成信息的方法和装置 | |
| CN114612290A (zh) | 图像编辑模型的训练方法和图像编辑方法 | |
| CN109190123A (zh) | 用于输出信息的方法和装置 | |
| CN110826706A (zh) | 用于神经网络的数据处理方法和装置 | |
| CN108509179B (zh) | 用于检测人脸的方法、用于生成模型的装置 | |
| CN109977905B (zh) | 用于处理眼底图像的方法和装置 | |
| CN110288625A (zh) | 用于处理图像的方法和装置 | |
| CN113965313A (zh) | 基于同态加密的模型训练方法、装置、设备以及存储介质 | |
| CN112381074A (zh) | 图像识别方法、装置、电子设备和计算机可读介质 | |
| CN111915689A (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
| CN110046670A (zh) | 特征向量降维方法和装置 | |
| CN109977011A (zh) | 测试脚本的自动生成方法、装置、存储介质及电子设备 | |
| CN110351435A (zh) | 通话黑名单设置方法及装置 | |
| CN109840072A (zh) | 信息处理方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |