CN109886392B

CN109886392B - 数据处理方法和装置、电子设备和存储介质

Info

Publication number: CN109886392B
Application number: CN201910139050.0A
Authority: CN
Inventors: 罗平; 吴凌云; 彭章琳; 张瑞茂; 任家敏; 邵文琪
Original assignee: Shenzhen Sensetime Technology Co Ltd
Current assignee: Shenzhen Sensetime Technology Co Ltd
Priority date: 2019-02-25
Filing date: 2019-02-25
Publication date: 2021-04-27
Anticipated expiration: 2039-02-25
Also published as: TW202032416A; US20210312289A1; JP2022516452A; SG11202106254TA; CN109886392A; KR20210090691A; WO2020172979A1; TWI721603B

Abstract

本公开涉及一种数据处理方法和装置、电子设备和存储介质，所述方法包括：将输入数据输入至神经网络模型中，获取神经网络模型中网络层当前输出的特征数据；根据神经网络模型的变换参数，确定与特征数据相匹配的归一化方式，其中，变换参数用于调整特征数据的统计量的统计范围，统计范围用于表征归一化方式；根据确定的归一化方式对特征数据进行归一化处理，得到归一化后的特征数据。本公开实施例可实现在没有人为干预的情况下为神经网络模型的每个归一化层自主学习出相匹配的归一化方式的目的。

Description

数据处理方法和装置、电子设备和存储介质

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种数据处理方法和装置、电子设备和存储介质。

背景技术

在自然语言处理、语音识别、计算机视觉等具有挑战性的任务中，各种归一化技术成为深度学习必不可少的模块。其中，归一化技术指的是对神经网络中的输入数据进行归一化处理，使数据变为均值为0，标准差为1的分布或者是范围在0—1的分布，以使神经网络更易于收敛。相关技术中，需要针对特定任务或特定模型人为设计具体的归一化方式，这就使得神经网络的归一化方式适应性较差。

发明内容

本公开提出了一种数据处理方法和装置、电子设备和存储介质，可以在没有人为干预的情况下为神经网络模型的每个归一化层自主学习出相匹配的归一化方式的目的。

根据本公开的一方面，提供了一种数据处理方法，包括：

将输入数据输入至神经网络模型中，获取所述神经网络模型中网络层当前输出的特征数据；

根据所述神经网络模型的变换参数，确定与所述特征数据相匹配的归一化方式，其中，所述变换参数用于调整所述特征数据的统计量的统计范围，所述统计范围用于表征归一化方式；

根据确定的所述归一化方式对所述特征数据进行归一化处理，得到归一化后的特征数据。

在一种可能的实现方式中，还包括：

基于所述神经网络模型中设置的可学习的门控参数，获取相应的多个子矩阵；

对多个所述子矩阵进行内积运算，得到所述变换参数。

在一种可能的实现方式中，基于所述神经网络模型中设置的可学习的门控参数，获取相应的多个子矩阵，包括：

采用符号函数对所述门控参数进行处理，得到二值化向量；

采用置换矩阵将所述二值化向量中的元素置换产生二值化门控向量；

基于所述二值化门控向量、第一基础矩阵和第二基础矩阵，得到多个所述子矩阵。

在一种可能的实现方式中，所述变换参数包括第一变换参数、第二变换参数、第三变换参数和第四变换参数；

所述第一变换参数的维度和所述第三变换参数的维度基于所述特征数据的批尺寸维度，所述第二变换参数的维度和所述第四变换参数的维度基于所述特征数据的通道维度；

其中，所述批尺寸维度为所述特征数据所在的数据批次内的数据数量，所述通道维度为所述特征数据的通道数。

在一种可能的实现方式中，所述根据所述神经网络中的变换参数，确定与所述特征数据相匹配的归一化方式，包括：

确定所述特征数据的统计量的统计范围为第一范围，其中，所述统计量包括均值和标准差；

根据所述第一变换参数和所述第二变换参数，将所述均值的统计范围由所述第一范围调整至第二范围；

根据所述第三变换参数和所述第四变换参数，将所述标准差的统计范围由所述第一范围调整至第三范围；

基于所述第二范围和所述第三范围，确定所述归一化方式。

在一种可能的实现方式中，所述第一范围为所述特征数据的每个样本特征数据的每个通道范围。

在一种可能的实现方式中，根据确定的所述归一化方式对所述特征数据进行归一化处理，得到归一化后的特征数据，包括：

按照所述第一范围，获取所述特征数据的统计量；

基于所述统计量、所述第一变换参数、所述第二变换参数、所述第三变换参数和所述第四变换参数，对所述特征数据进行归一化处理，得到归一化后的特征数据。

在一种可能的实现方式中，基于所述统计量、所述第一变换参数、所述第二变换参数、所述第三变换参数和所述第四变换参数，对所述特征数据进行归一化处理，得到归一化后的特征数据，包括：

基于所述均值、所述第一变换参数和所述第二变换参数，得到第一归一化参数；

基于所述标准差、所述第三变换参数和所述第四变换参数，得到第二归一化参数；

根据所述特征数据、所述第一归一化参数和所述第二归一化参数，对所述特征数据进行归一化处理，得到归一化后的特征数据。

在一种可能的实现方式中，所述变换参数包括二值化矩阵，所述二值化矩阵内的每个元素的取值为0或1。

在一种可能的实现方式中，所述门控参数为具有连续数值的向量；

其中，所述门控参数中的数值的个数与所述子矩阵的数量相一致。

在一种可能的实现方式中，所述第一基础矩阵为全1矩阵，第二基础矩阵为单位矩阵。

在一种可能的实现方式中，在将输入数据输入至神经网络模型中，获取所述神经网络模型中网络层当前输出的特征数据之前，还包括：

基于样本数据集对所述神经网络模型进行训练，得到训练后的神经网络模型，

其中，所述样本数据集中各输入数据具有标注信息。

在一种可能的实现方式中，所述神经网络模型包括至少一个网络层和至少一个归一化层；

其中，基于样本数据集对所述神经网络模型进行训练，包括：

所述样本数据集中的各输入数据通过所述网络层进行特征提取，得到各预测特征数据；

各所述预测特征数据通过所述归一化层进行归一化处理，得到归一化后的预测特征数据；

根据各所述预测特征数据和标注信息，获得网络损失；

基于所述网络损失，对所述归一化层中的所述变换参数进行调整。

根据本公开的一方面，还提供了一种数据处理装置，包括：

数据输入模块，用于将输入数据输入至神经网络模型中，获取所述神经网络模型中网络层当前输出的特征数据；

方式确定模块，用于根据所述神经网络模型的变换参数，确定与所述特征数据相匹配的归一化方式，其中，所述变换参数用于调整所述特征数据的统计量的统计范围，所述统计范围用于表征归一化方式；

归一化处理模块，用于根据确定的所述归一化方式对所述特征数据进行归一化处理，得到归一化后的特征数据。

在一种可能的实现方式中，还包括：

子矩阵获取模块，用于基于所述神经网络模型中设置的可学习的门控参数，获取相应的多个子矩阵；

变换参数获取模块，用于对多个所述子矩阵进行内积运算，得到所述变换参数。

在一种可能的实现方式中，所述子矩阵获取模块包括：

参数处理子模块，用于采用符号函数对所述门控参数进行处理，得到二值化向量；

元素置换子模块，用于采用置换矩阵将所述二值化向量中的元素置换产生二值化门控向量；

子矩阵获取子模块，用于基于所述二值化门控向量、第一基础矩阵和第二基础矩阵，得到多个所述子矩阵。

在一种可能的实现方式中，所述方式确定模块包括：

第一确定子模块，用于确定所述特征数据的统计量的统计范围为第一范围，其中，所述统计量包括均值和标准差；

第一调整子模块，用于根据所述第一变换参数和所述第二变换参数，将所述均值的统计范围由所述第一范围调整至第二范围；

第二调整子模块，用于根据所述第三变换参数和所述第四变换参数，将所述标准差的统计范围由所述第一范围调整至第三范围；

方式确定子模块，用于基于所述第二范围和所述第三范围，确定所述归一化方式。

在一种可能的实现方式中，所述归一化处理模块包括：

统计量获取子模块，用于按照所述第一范围，获取所述特征数据的统计量；

归一化处理子模块，用于基于所述统计量、所述第一变换参数、所述第二变换参数、所述第三变换参数和所述第四变换参数，对所述特征数据进行归一化处理，得到归一化后的特征数据。

在一种可能的实现方式中，所述归一化处理子模块包括：

第一参数获取单元，用于基于所述均值、所述第一变换参数和所述第二变换参数，得到第一归一化参数；

第二参数获取单元，用于基于所述标准差、所述第三变换参数和所述第四变换参数，得到第二归一化参数；

数据处理单元，用于根据所述特征数据、所述第一归一化参数和所述第二归一化参数，对所述特征数据进行归一化处理，得到归一化后的特征数据。

在一种可能的实现方式中，还包括：

模型训练模块，用于在所述数据输入模块将输入数据输入至神经网络模型中，获取所述神经网络模型中网络层当前输出的特征数据之前，基于样本数据集对所述神经网络模型进行训练，得到训练后的神经网络模型，

其中，所述样本数据集中各输入数据具有标注信息。

其中，所述模型训练模块包括：

特征提取子模块，用于所述样本数据集中的各输入数据通过所述网络层进行特征提取，得到各预测特征数据；

预测特征数据获取子模块，用于将各所述预测特征数据通过所述归一化层进行归一化处理，得到归一化后的预测特征数据；

网络损失获取子模块，用于根据各所述预测特征数据和标注信息，获得网络损失；

变换参数调整子模块，用于基于所述网络损失，对所述归一化层中的所述变换参数进行调整。

根据本公开的一方面，还提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行前面任一所述的方法。

根据本公开的一方面，还提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前面任一所述的方法。

在本公开实施例中，通过在获取到特征数据后，根据神经网络模型中的变换参数，来确定与特征数据相匹配的归一化方式，进而再根据确定的归一化方式对特征数据进行归一化处理，实现了在没有人为干预的情况下为神经网络模型的每个归一化层自主学习出相匹配的归一化方式的目的，从而在对特征数据进行归一化处理时具有更高的灵活性，这也就有效提高了数据归一化处理的适应性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1a至图1c示出根据本公开实施例的数据处理方法中通过统计量的统计范围表征归一化方式的示意图；

图2示出根据本公开实施例的数据处理方法的流程图；

图3a至图3d示出根据本公开实施例的数据处理方法中变换参数的不同表示方式示意图；

图4示出根据本公开实施例的数据处理装置的框图；

图5示出根据本公开实施例的电子设备的框图；

图6示出根据本公开实施例的电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

首先，需要说明的是，本公开的数据处理方法是对神经网络模型中的特征数据(如：特征图)进行归一化处理的技术方案。其中，在神经网络模型的归一化层中，对特征数据进行归一化处理时，不同的归一化方式可以根据统计量(可以为均值和方差)的统计范围的不同来表征。

举例来说，图1a至图1c示出了统计量的不同统计范围表征不同的归一化方式的示意图。参阅图1a至图1c，在特征数据为神经网络模型中一个4维的隐层特征图时，F∈R^N ^×C×H×W。其中，F为特征数据，R为特征数据的维度。N代表该数据批次内的样本量，C代表特征数据的通道数，H和W则分别代表特征数据的单个通道的高和宽。

在对该特征数据进行归一化处理时，首先需要在该特征数据F上计算统计量均值μ和方差σ²，进行归一化操作后输出相同维度的特征数据

相关技术中，用公式表达为：

其中

其中，∈为一个为防止分母为0的很小的常数，F_ncij∈F是第n个特征数据第c个通道位置在(i,j)的像素点。

参阅图1a，在统计量的统计范围为：Ω＝{(n,i,j)|n∈[1,N],i∈[1,H],j∈[1×W]}，即在特征数据的N个样本特征数据同一通道上计算均值和方差时，此时表征归一化方式为批归一化BN。

参阅图1b，在统计量的统计范围为：Ω＝{(i,j)|i∈[1,H],j∈[1×W]}，即在每个样本特征数据每个通道上计算均值和方差时，表征归一化方式为实例归一化IN。

参阅图1c，在统计量的统计范围为：Ω＝{(c,i,j)|c∈[1,C],i∈[1,H],j∈[1×W]}，即在每个样本特征数据所有通道上计算均值和方差时，表征归一化方式为层归一化LN。

另外，在统计量的统计范围为在每个样本特征数据每c^*个通道为一组计算均值和方差时，表征归一化方式为组归一化GN。其中，组归一化方式为IN和LN的通用形式，即，c^*∈[1,C]且C可以被c^*整除。

图2示出了根据本公开实施例的数据处理方法的流程图。参阅图2，本公开的数据处理方法可以包括：

步骤S100，将输入数据输入至神经网络模型中，获取神经网络模型中网络层当前输出的特征数据。其中，需要指出的是，神经网络模型可以为卷积神经网络(CNN)、循环神经网络(RNN)或长短期记忆网络(LSTM)，或者是实现图像分类(ImaheNet)、目标检测与分割(COCO)、视频识别(Kinetics)、图像风格化和笔记生成等各种视觉任务的神经网络。

同时，本领域技术人员可以理解的是，输入数据可以包括至少一个样本数据。如：输入数据可以包含有多张图片，也可以包含有一张图片。在将输入数据输入至神经网络模型中时，由神经网络模型对输入数据中的各个样本数据进行相应的处理。并且，神经网络模型中的网络层可以为卷积层，通过卷积层对输入数据进行特征提取，获取相应的特征数据。其中，在输入数据包括多个样本数据时，对应的特征数据相应包括有多个样本特征数据。

在获取到神经网络模型中网络层当前输出的特征数据后，可以执行步骤S200，根据神经网络模型的变换参数，确定与特征数据相匹配的归一化方式。其中，变换参数用于调整特征数据的统计量的统计范围，统计量的统计范围表征了归一化方式。此处，需要说明的是，变换参数为神经网络模型中可学习的参数。即，在神经网络模型的训练过程中，可以根据不同的输入数据学习训练出不同取值的变换参数。由此，通过变换参数学习到的不同取值，来实现对统计量的统计范围的不同调整，从而达到不同的输入数据采用不同的归一化方式的目的。

在确定相匹配的归一化方式后，即可执行步骤S300，根据确定的归一化方式对特征数据进行归一化处理，得到归一化后的特征数据。

由此，本公开的数据处理方法，通过在获取到特征数据后，根据神经网络模型中的变换参数，来确定与特征数据相匹配的归一化方式，进而再根据确定的归一化方式对特征数据进行归一化处理，实现了在没有人为干预的情况下为神经网络模型的每个归一化层自主学习出相匹配的归一化方式的目的，从而在对特征数据进行归一化处理时具有更高的灵活性，这也就有效提高了数据归一化处理的适应性。

在一种可能的实现方式中，变换参数可以包括第一变换参数、第二变换参数、第三变换参数和第四变换参数。其中，第一变换参数和第二变换参数用于调整统计量中的均值的统计范围，第三变换参数和第四变换参数用于调整统计量中的标准差的统计范围。并且，第一变换参数的维度和第三变换参数的维度均基于特征数据的批尺寸维度，第二变换参数的维度和第四变换参数的维度均基于特征数据的通道维度。此处，本领域技术人员可以理解的是，批尺寸维度为特征数据所在的数据批次内的数据数量N(即，特征数据的样本特征数据的数量)，通道维度为所述特征数据的通道数C。

相应的，在变换参数包括第一变换参数、第二变换参数、第三变换参数和第四变换参数时，在一种可能的实现方式中，根据神经网络中的变换参数，确定与特征数据相匹配的归一化方式可以通过以下步骤来实现：

首先，确定特征数据的统计量的统计范围为第一范围。此处，需要说明的是，在一种可能的实现方式中，第一范围可以为特征数据的每个样本特征数据的每个通道范围(即，前面所述的实例归一化IN中统计量的统计范围)，也可以为其他归一化方式中统计量的统计范围。

然后，根据第一变换参数和第二变换参数，将均值的统计范围由第一范围调整至第二范围。此处，需要指出的是，第二范围是根据第一变换参数和第二变换参数的取值来确定。不同的取值，表征了不同的统计范围。并根据第三变换参数和第四变换参数，将标准差的统计范围由第一范围调整至第三范围。同理，第三范围是根据第三变换参数和第四变换参数的取值来确定的，不同的取值表征了不同的统计范围。

进而，再基于第二范围和第三范围，确定归一化方式。

举例来说，根据以上所述，可以定义本公开的数据处理方法中，归一化处理方式为：

其中，F代表归一化前的特征数据，

代表归一化后的特征数据，U为第一变换参数，V为第二变换参数。U′为

第三变换参数，V′为第四变换参数。

在一种可能的实现方式中，统计量(均值μ和标准差σ)的统计范围可以采用实例归一化IN中的统计范围，即在特征数据的每个样本特征数据的每个通道上单独计算统计量，维度均为N×C。应当说明的是，根据前面所述，统计量的统计范围也可以采用前面所述的其他归一化方式中的统计范围。此处不进行具体限定。

由此，通过对第一变换参数、第二变换参数和均值进行乘积运算来实现对统计量中的均值的统计范围的调整，并通过第三变换参数、第四变换参数与标准差进行乘积运算来实现对标准差的统计范围的调整，从而达到归一化方式的自适应，调整方式简单，易于实现。

在一种可能的实现方式中，第一变换参数U、第二变换参数V、第三变换参数U’和第四变换参数V’可以为二值化矩阵。其中，二值化矩阵内的每个元素的取值均为0或1。即，V′,V∈{0,1}^C×C与U′,U∈{0,1}^N×N分别为四个可学习的二值化矩阵，其内每个元素要么为0要么为1，由此，UμV和U′σV′即为本公开的数据处理方法中的归一化参数，使用<·>操作将其在H×W维度复制得到与F相同的尺寸，便于矩阵运算。

基于前面所述的第一变换参数的维度、第二变换参数的维度、第三变换参数的维度和第四变换参数的维度可知，U,U′代表了在批尺寸N维度学习的统计方式，V,V′代表了在通道C维度学习的统计方式，U＝U’，V＝V’代表了均值μ和标准差σ分别学习相同的统计方式，U≠U′,V≠V′则代表了均值μ和标准差σ分别学习不同的统计方式。由此，不同的U,U′,V,V′代表不同的归一化方法。

举例来说，参阅图3a至图3c，在U＝U′,V＝V′,μ＝μ^IN,σ＝σ^IN的情况下：

当U和V都为如图3a所示的单位矩阵I时，本公开的数据处理方法中，归一化方式代表在每个N维度每个C维度单独计算统计量的IN，此时：

Uμ^INV＝Iμ^INI＝μ^IN。

当U为全1矩阵1且V为单位矩阵I时，本公开的数据处理方法中，归一化方式代表每个C维度的统计量在N维度平均的BN，此时：

当U为单位矩阵I且V为全1矩阵1时，本公开的数据处理方法中，归一化方式代表每个N维度的统计量在C维度平均的LN，此时：

当U为单位矩阵I且V为图3b或图3c类似的块对角矩阵时，本公开的数据处理方法中，归一化方式代表N维度单独计算统计量而在C维度分组计算统计量的GN。如：当V为图3b所示的块对角矩阵时，分组数为4；当V为图3c所示的块对角矩阵时，分组数为2。与GN固定组数不同的是，本公开的数据处理方法中，归一化方式的分组数量可任意学习。

当U为全1矩阵1且V为全1矩阵1时，本公开的数据处理方法中，归一化方式代表在N和C维度同时平均统计量的“BLN”，即均值与方差在(N,H,W,C)都只有一个唯一的值

此时：

当U与V均为任意块对角矩阵，本公开的数据处理方法中，归一化方式代表在C维度分组计算统计量的同时，在N维度也分组计算统计量。也就是说，本公开的数据处理方法中，归一化方式可以对一个批次内的样本量学习合适的批尺寸来评估统计量。

应当指出的是，在上述实施例中，由于U＝U′,V＝V′，因此基于第一变换参数U和第二变换参数V对均值的统计范围进行调整确定的第二范围，和基于第三变换参数U’和第四变换参数V’对标准差的统计范围进行调整确定的第三范围相同。本领域技术人员可以理解的是，在U≠U′,V≠V′时，此时所得到的第二范围和第三范围是不同的，这也就实现了更加多样化的归一化方式的扩展。并且，还可以包括U≠U′,V＝V′和U＝U′,V≠V′等几种情况，此处不再进行一一列举。

由此可以看出，本公开的数据处理方法中对特征数据进行归一化处理方式，与相关技术中人为设计统计范围的归一化技术不同，本公开的数据处理方法可以自主学习适应当前数据的归一化方式。

即，在本公开的数据处理方法中，通过不同的矩阵来表征变换参数的不同取值(即，变换参数以不同的矩阵来表示)，以实现将特征数据的统计量由初始范围(即，第一范围，如：IN中的统计范围)迁移到不同的统计范围，从而自主学习出一种依赖数据的元归一化操作，这就使得本公开的数据处理方法不仅可以表达出相关技术中所有的归一化技术，而且能拓展出更宽范围的归一化方法，相比以往的归一化技术拥有更加丰富的表达能力。

根据前面所定义的公式(2)，在一种可能的实现方式中，根据确定的归一化方式对特征数据进行归一化处理，得到归一化后的特征数据时，可以包括：

首先，按照第一范围，获取特征数据的统计量。即，在第一范围为实例归一化方式中所定义的统计范围时，按照实例归一化中的统计范围，根据公式：

计算出特征数据的均值后，再根据计算出的均值，按照公式：

计算出特征数据的标准差，从而得到统计量。

基于统计量、第一变换参数、第二变换参数、第三变换参数和第四变换参数，对特征数据进行归一化处理，得到归一化后的特征数据。

其中，在一种可能的实现方式中，基于统计量、第一变换参数和第二变换参数，对特征数据进行归一化处理，得到归一化后的特征数据时，可以通过以下步骤来实现：

首先，基于均值、第一变换参数和第二变换参数，得到第一归一化参数。即，对均值μ、第一变换参数U和第二变换参数V进行乘积运算(即，点乘运算<UμV>)，得到第一归一化参数(<UμV>)。同时，基于标准差、第三变换参数和第四变换参数，得到第二归一化参数。即，对标准差σ、第三变换参数U’和第四变换参数V’进行乘积运算(点乘运算<U′σV′>)，得到第二归一化参数(<U′σV′>)。

最后，再根据特征数据、第一归一化参数和第二归一化参数，对特征数据进行归一化处理，得到归一化后的特征数据。即，按照公式(2)进行运算处理，得到归一化后的特征数据。

另外，还需要指出的是，本公开的数据处理方法中，在根据公式(2)对特征数据进行归一化处理时，将公式(2)所示的归一化方式应用在神经网络模型的每层卷积层之后，即可为神经网络模型的每层特征数据自主学习出各自独立的归一化操作方式。其中，在根据公式(2)对特征数据进行归一化处理时，每层归一化操作方式中均有4个需要学习的二值化对角块矩阵：第一变换参数U、第二变换参数V、第三变换参数U’、第四变换参数V’。为了进一步的减小本公开的数据处理方法中的计算量和参数量，并将参数优化过程变为一种可微分的端到端方式，可以采用多个子矩阵进行内积运算来构造出每一个二值化对角块矩阵。

也就是说，在一种可能的实现方式中，变换参数可以通过多个子矩阵来合成。多个子矩阵则可以通过在神经网络模型中设置可学习的门控参数来实现。即，在本公开的数据处理方法中，还可以包括：基于神经网络模型中设置的可学习的门控参数，获取相应的多个子矩阵。进而再对多个子矩阵进行内积运算，得到变换参数。

此处，需要说明的是，内积运算可以为kronecker内积运算。通过采用kronecker内积运算设计出一种矩阵分解方案，将N×N维的矩阵U,U′和C×C维的矩阵V,V′分解为网络优化过程中可接受的计算量较小的参数。

如：以第二变换参数V为例，对kronecker内积运算进行具体说明。其中，第二变换参数V可以由一系列的子矩阵V_i表达：

其中，每个子矩阵V_i的维度为C_i×C_i,C_i<C且C₁×C₂×…×C_i＝C，

代表kronecker内积运算，为两个任意大小的矩阵间运算，定义为：

由此，在通过上述步骤得到多个子矩阵V_i后，即可按照公式(3)进行运算得到相应的第二变换参数。

通过对多个子矩阵V_i进行内积运算得到第二变换参数，使得第二变换参数V可以分解为一系列拥有连续值的子矩阵V_i，而这些子矩阵V_i可以不用在乎二值约束通过常用优化器学习。也就是说，C×C维的大矩阵V的学习转变成一系列子矩阵V_i的学习，参数量也就从C²减少到∑_iC_i ²。比如，当V为图3b所示8×8矩阵时，V可以分解为三个2×2的子矩阵V_i做kronecker内积运算，即：

此时，参数量由8²＝64减少到3×2²＝12。

由此，通过采用多个子矩阵来合成大矩阵形式的变换参数，实现了将C*C维的大矩阵形式的第二变换参数V变换参数的学习转变成一系列的子矩阵的学习，参数量也就从C²减少到∑_iC_i ²。其中，本领域技术人员可以理解的是，第一变换参数U、第三变换参数U’和第四变换参数V’同样可以通过上述方式来得到，此处不再进行赘述。

由此可见，通过多个子矩阵来分别合成第一变换参数和第二变换参数，有效减少了参数量，使得本公开的数据处理方法更易于实现。

其中，需要说明的是，在公式(3)中，f(·)代表每个子矩阵V_i上的元素级变换。由此，在一种可能的实现方式中，可以设定f(a)为符号函数，即，函数f(a)＝sign(a)，且a≥0,sign(a)＝1；a<0,sign(a)＝0时，二值矩阵V就可以分解为一系列拥有连续值的子矩阵，而这些子矩阵可以不用在乎二值约束通过常用优化器学习，由此来实现将C×C维的大矩阵V的学习转变成一系列子矩阵V_i的学习。但是，在采用上述策略时，仅仅通过sign函数对矩阵中的元素进行变换并不能保证构造出来的变换参数一定是块对角矩阵的结构，这就可能会使得统计量的统计范围不能被顺利的调整。

由此，在一种可能的实现方式中，在基于神经网络模型中设置的可学习的门控参数来获取相应的多个子矩阵时，可以通过以下步骤来实现：

首先，采用符号函数sign对门控参数进行处理，得到二值化向量。

进而再采用置换矩阵将二值化向量中的元素置换产生二值化门控向量。

最后，再基于二值化门控向量、第一基础矩阵和第二基础矩阵，得到多个子矩阵。此处，需要指出的是，第一基础矩阵和第二基础矩阵均为常数矩阵。其中，第一基础矩阵可以为全1矩阵，如：第一基础矩阵为2*2的全1矩阵。第二基础矩阵可以为单位矩阵，如：第二基础矩阵可以为2*2的单位矩阵或2*3的单位矩阵。

举例来说，根据前面所述，变换参数可以包括第一变换参数U、第二变换参数V、第三变换参数U’和第四变换参数V’。其中，第一变换参数U、第二变换参数V、第三变换参数U’和第四变换参数V’的获取方式原理相同或相似，因此为了便于说明，以下以第二变换参数V为例，对采用多个子矩阵合成变换参数的过程进行更加详细的说明。

需要指出的是，设置在神经网络模型中的可学习的门控参数可以用

来表征。在一种可能的实现方式中，门控参数

可以为具有连续数值的向量，该向量中连续数值的个数与所获取到的子矩阵的数量相一致。

其中

参照公式(4)和公式(5)，f(·)为二值化门控函数，用于将子矩阵V_i再参数化。公式(5)中1是2×2的全1矩阵，I是2×2的单位矩阵，任意的

都是一个二值化门控，要么为0要么为1，而

为包含多个

的向量。

在采用上述方式获取变换参数的过程中，首先，参照公式(5)，门控参数

经过sign产生g。其中，sign(a)为符号函数，a≥0时，sign(a)＝1；a＜0时，sign(a)＝0。由此，在采用符号函数sign(a)对门控参数进行处理后，得到的二值化向量g是只有0或1两种值的向量。

然后，继续参照公式(5)，采用置换矩阵P对二值化向量中的元素进行置换以生成二值化门控向量。即，P代表一个恒定的置换矩阵，将g中元素置换产生

中的二值化门控。其中，需要说明的是，P的作用是控制二值化门控向量

中0，1的顺序，保证0一直在1的前面，即保证单位矩阵I一直在全1矩阵1的前面，以表达出的子矩阵V_i为块对角矩阵。比如：当g＝[1,1,0]时，

此时

即可表达出图3c所示的块对角矩阵。

在采用置换矩阵将二值化向量中的元素进行置换生成相应的二值化门控向量

后，即可根据公式(4)，基于二值化门控向量、第一基础矩阵1和第二基础矩阵I按照公式(4)进行运算，得到相应的多个子矩阵V_i。在得到多个子矩阵V_i后，即可根据公式(3)对多个子矩阵V_i进行内积运算，从而得到相应的第二变换参数V。

此处，还应当指出的是，第一基础矩阵和第二基础矩阵的维度并不限于上述实施例所设置的维度。也就是说，第一基础矩阵和第二基础矩阵的维度可以根据实际情况来任意选择。如：第一基础矩阵为2*2的全1矩阵1，第二基础矩阵为2*3的单位矩阵(即，A＝[1,1,0；0,1,1])，其中，A表征第二基础矩阵。由此，

即可表达出图3d所示的具有相互重叠部分的块对角矩阵。

由此，通过采用具有不同维度的常数矩阵(即，第一基础矩阵和第二基础矩阵)能够生成不同的子矩阵，这就使得本公开的数据处理方法中归一化方式能够适应具有不同通道数的归一化层，这也就更进一步的提高了本公开的方法中归一化方式的可扩展性。

同时，通过在神经网络模型中设置可学习的门控参数

使得多个子矩阵的学习转换为对门控参数

的学习，这就使得本公开的数据处理方法中，对特征数据进行归一化操作时，归一化中的参数量从∑_iC_i ²减少到仅有i个参数(比如：神经网络模型中的一个隐藏层的通道数C为1024，对于C*C维的第二变换参数V，其参数量可以减少到10个参数。)，这就更进一步的减少了归一化中的参数量，使得本公开的数据处理方法更易于实现和应用。

为了更加清楚地说明本公开的数据处理方法中，对特征数据进行归一化的具体操作方式，以下以一个实施例对本公开的数据处理方法中归一化的具体运算进行说明。

其中，应当指出的是，在本实施例中，第一变换参数U与第三变换参数U’相同，第二变换参数V与第四变换参数V’相同，因此在得到第三变换参数U’和第四变换参数V’时，可直接采用第一变换参数U对应的第一门控参数

和第二变换参数V对应的第二门控参数

来实现。

由此，在神经网络模型的某一层归一化层中分别设置有第一门控参数

和第二门控参数

第一门控参数

对应第一变换参数U，第二门控参数

对应第二变换参数V。同时，该归一化层中还设置有缩减参数γ和位移参数β。缩减参数γ和位移参数β均用于归一化公式(即，公式(2))中。

在该实施例中，输入(Input)包括：特征数据F∈R^N×C×H×W；可学习的第一门控参数

和第二门控参数

缩减参数γ∈R^C×1；位移参数β∈R^C×1；其中，

γ＝1；β＝0。

输出(Output)：归一化后的特征数据

归一化过程中的运算包括：

根据公式(3)、公式(4)和公式(5)计算得到第一变换参数U和第二变换参数V；

在该实施例中，对特征数据进行归一化时最终所采用的公式：

其中，本领域技术人员可以理解的是，在第一变换参数U与第三变换参数U’不同，第二变换参数V与第四变换参数V’也不同时，设置在神经网络模型中的门控参数

则应当包括第一门控参数

第二门控参数

第三门控参数

和第四门控参数

由此，通过采用门控参数

来获取神经网络模型中的变换参数，实现了将变换参数的学习转换为门控参数

的学习。根据公式(4)和公式(5)，将子矩阵V_i用一系列的全1矩阵1与单位矩阵I来表达，实现了将公式(3)中子矩阵将V_i的学习再参数化转换成连续值向量

的学习，同时将大矩阵形式的变换参数，如：第二变换参数V的参数量从∑_iC_i ²减少到仅有i个参数，从而实现了利用Kronecker(克罗内克积)运算提出一种参数分解及再参数化的目的，这就将本公开的数据处理方法中N×N维的大矩阵形式的第一变换参数U和C×C维的大矩阵形式的第二变换参数V缩减为分别仅有log₂C和log₂N的参数量，以一种可微分的端到端训练方式，使得本公开的数据处理方法计算量少，参数量小，更加易于实现和应用。

另外，还需要说明的是，在本公开的数据处理方法中，还可以包括对神经网络模型的训练过程。即，在将输入数据输入至神经网络模型中，获取神经网络模型中网络层当前输出的特征数据之前，还可以包括：

基于样本数据集对神经网络模型进行训练，得到训练后的神经网络模型。其中，样本数据集中各输入数据具有标注信息。

其中，在一种可能的实现方式中，神经网络模型包括至少一个网络层和至少一个归一化层。基于样本数据集对神经网络模型进行训练时，首先，将样本数据集中的各输入数据通过网络层进行特征提取，得到相应的各预测特征数据。然后，再将各预测特征数据通过归一化层进行归一化处理，得到归一化后的预测特征数据。进而，根据各预测特征数据和标注信息，获得网络损失，从而基于网络损失，对归一化层中的变换参数进行调整。

如：在对神经网络模型进行训练时，输入(Input)包括：训练数据集

网络层中的一系列网络参数Θ(如：权重值)；归一化层中的一系列门控参数Ф(如：第一门控参数和第二门控参数)；以及缩减参数和位移参数

输出(Output)：训练后的神经网络模型(包括各网络层和各归一化层等)。

此处，需要指出的是，在该实施例中，第一变换参数U与第三变换参数U’相同，第二变换参数V与第四变换参数V’也相同，因此归一化层中的一系列门控参数Ф可以只设置第一门控参数和第二门控参数。

其中，训练次数t＝1toT。在每一次的训练过程中，根据上述输入中的各个参数，基于前向传播方式按照前面所述的归一化的运算过程进行归一化层的训练，得到预测特征数据。并根据得到的预测特征数据和标注信息，基于反向传播方式获取相应的网络损失，进而再根据得到的网络损失更新输入中的各项参数：Ф_t、Θ_t以及ψ_t。

在经过多次训练后，即可进行神经网络模型的测试过程。在本公开的数据处理方法中，主要是针对于归一化层的测试。其中，在测试之前，需要计算每层归一化层中的统计量在多批次训练中的平均值，然后再根据计算得到的统计量平均值对相应的归一化层进行测试。即，计算各个归一化层在多批次训练过程中所得到的统计量(均值μ和标准差σ)的平均值

具体的计算过程为：forl＝1to L，for t＝1to T)，

计算得到各个归一化层的统计量的平均值之后，即可进行各个归一化层的测试。其中，在测试过程中，对每一层归一化层可以根据公式：

其中，l表征归一化层的层数。

由此，通过上述过程对神经网络模型进行训练后，使得最终训练得到的神经网络模型中的归一化层中的参数为第一门控参数、第二门控参数、缩减参数和位移参数。其中，不同的训练数据集训练得到的神经网络模型中，归一化层的第一门控参数和第二门控参数的取值不同。这就使得将本公开的数据处理方法中的归一化方式嵌入到神经网络模型后，能够使得神经网络模型应用于各种视觉任务。即，通过对神经网络模型进行训练，将本公开的数据处理方法嵌入到神经网络模型中，利用本公开的数据处理方法在分类、检测、识别和分割等多种视觉任务中能够取得效果优异模型，进行相关任务的结果预测，或将还未进行训练的神经网络模型(预训练模型)迁移到其他视觉任务上，通过微调参数(如：归一化层中的门控参数)，进一步提升其他视觉任务的性能。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

同时，本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

此外，本公开还提供了数据处理装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种数据处理方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图4示出根据本公开实施例的数据处理装置100的框图，如图4所示，所述数据处理装置100，包括：

数据输入模块110，用于将输入数据输入至神经网络模型中，获取所述神经网络模型中网络层当前输出的特征数据；

方式确定模块120，用于根据所述神经网络模型的变换参数，确定与所述特征数据相匹配的归一化方式，其中，所述变换参数用于调整所述特征数据的统计量的统计范围，所述统计范围用于表征归一化方式；

归一化处理模块130，用于根据确定的所述归一化方式对所述特征数据进行归一化处理，得到归一化后的特征数据。

在一种可能的实现方式中，还包括：

在一种可能的实现方式中，所述子矩阵获取模块包括：

在一种可能的实现方式中，所述方式确定模块120包括：

在一种可能的实现方式中，所述归一化处理模块130包括：

在一种可能的实现方式中，所述归一化处理子模块包括：

在一种可能的实现方式中，还包括：

其中，所述样本数据集中各输入数据具有标注信息。

其中，所述模型训练模块包括：

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图5是根据一示例性实施例示出的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图6是根据一示例性实施例示出的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims

1.一种数据处理方法，其特征在于，包括：

将输入数据输入至神经网络模型中，获取所述神经网络模型中网络层当前输出的特征数据，其中，所述输入数据包括图片；

2.根据权利要求1所述的方法，其特征在于，还包括：

对多个所述子矩阵进行内积运算，得到所述变换参数。

3.根据权利要求2所述的方法，其特征在于，基于所述神经网络模型中设置的可学习的门控参数，获取相应的多个子矩阵，包括：

采用符号函数对所述门控参数进行处理，得到二值化向量；

4.根据权利要求1至3任意一项所述的方法，其特征在于，所述变换参数包括第一变换参数、第二变换参数、第三变换参数和第四变换参数；

5.根据权利要求4所述的方法，其特征在于，所述根据所述神经网络中的变换参数，确定与所述特征数据相匹配的归一化方式，包括：

基于所述第二范围和所述第三范围，确定所述归一化方式。

6.根据权利要求5所述的方法，其特征在于，所述第一范围为所述特征数据的每个样本特征数据的每个通道范围。

7.根据权利要求5所述的方法，其特征在于，根据确定的所述归一化方式对所述特征数据进行归一化处理，得到归一化后的特征数据，包括：

按照所述第一范围，获取所述特征数据的统计量；

8.根据权利要求7所述的方法，其特征在于，基于所述统计量、所述第一变换参数、所述第二变换参数、所述第三变换参数和所述第四变换参数，对所述特征数据进行归一化处理，得到归一化后的特征数据，包括：

9.根据权利要求1所述的方法，其特征在于，所述变换参数包括二值化矩阵，所述二值化矩阵内的每个元素的取值为0或1。

10.根据权利要求2所述的方法，其特征在于，所述门控参数为具有连续数值的向量；

11.根据权利要求3所述的方法，其特征在于，所述第一基础矩阵为全1矩阵，第二基础矩阵为单位矩阵。

12.根据权利要求1-3、9-11任意一项所述的方法，其特征在于，在将输入数据输入至神经网络模型中，获取所述神经网络模型中网络层当前输出的特征数据之前，还包括：

其中，所述样本数据集中各输入数据具有标注信息。

13.根据权利要求12所述的方法，其特征在于，所述神经网络模型包括至少一个网络层和至少一个归一化层；

根据各所述预测特征数据和标注信息，获得网络损失；

14.一种数据处理装置，其特征在于，包括：

数据输入模块，用于将输入数据输入至神经网络模型中，获取所述神经网络模型中网络层当前输出的特征数据，其中，所述输入数据包括图片；

15.根据权利要求14所述的装置，其特征在于，还包括：

16.根据权利要求15所述的装置，其特征在于，所述子矩阵获取模块包括：

17.根据权利要求14至16任意一项所述的装置，其特征在于，所述变换参数包括第一变换参数、第二变换参数、第三变换参数和第四变换参数；

18.根据权利要求17所述的装置，其特征在于，所述方式确定模块包括：

19.根据权利要求18所述的装置，其特征在于，所述第一范围为所述特征数据的每个样本特征数据的每个通道范围。

20.根据权利要求18所述的装置，其特征在于，所述归一化处理模块包括：

21.根据权利要求20所述的装置，其特征在于，所述归一化处理子模块包括：

22.根据权利要求14所述的装置，其特征在于，所述变换参数包括二值化矩阵，所述二值化矩阵内的每个元素的取值为0或1。

23.根据权利要求15所述的装置，其特征在于，所述门控参数为具有连续数值的向量；

24.根据权利要求16所述的装置，其特征在于，所述第一基础矩阵为全1矩阵，第二基础矩阵为单位矩阵。

25.根据权利要求14-16、22-24任意一项所述的装置，其特征在于，还包括：

其中，所述样本数据集中各输入数据具有标注信息。

26.根据权利要求25所述的装置，其特征在于，所述神经网络模型包括至少一个网络层和至少一个归一化层；

其中，所述模型训练模块包括：

27.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为：执行权利要求1至13中任意一项所述的方法。

28.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至13中任意一项所述的方法。