CN110909861A - 神经网络优化方法及装置、电子设备和存储介质 - Google Patents
神经网络优化方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN110909861A CN110909861A CN201811080784.8A CN201811080784A CN110909861A CN 110909861 A CN110909861 A CN 110909861A CN 201811080784 A CN201811080784 A CN 201811080784A CN 110909861 A CN110909861 A CN 110909861A
- Authority
- CN
- China
- Prior art keywords
- layer
- pruning
- neural network
- channel
- tree structure
- 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
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Signal Processing For Digital Recording And Reproducing (AREA)
- Optical Recording Or Reproduction (AREA)
Abstract
本公开涉及一种神经网络优化方法及装置、电子设备和存储介质,其中所述方法包括:基于神经网络模型的正向传播结构确定简化的反向传播结构;基于预设准则,将所述简化的反向传播结构分解成至少一种类型的树结构;其中树结构的类型包括第一类树结构和第二类树结构,所述第一类树结构包括串联层和相加层中的至少一种,以及卷积层和全连接层中的至少一种,所述第二类树结构仅包括卷积层或仅包括全连接层;按照不同的剪枝方式,对分解得到的树结构中的卷积层和/或全连接层进行剪枝处理,获得剪枝处理后的神经网络模型;利用图像数据和剪枝处理前的神经网络模型,对所述剪枝处理后的神经网络模型进行训练优化。本公开实施例具有适用性好的特点。
Description
技术领域
本公开涉及机器学习领域,特别涉及一种神经网络优化方法及装置、电子设备和存储介质。
背景技术
机器学习是在计算机视觉领域被广泛应用,例如深度学习算法可以被应用到各种人工智能领域中。但是,现有技术中,机器学习算法由于参数量庞大,导致算法速度较慢。而为了提高算法速度使其能满足真实场景部署的需要,通常采用除去学习模型中的冗余参数以提高网络前向传播的速度,常用的冗余参数去除方法是网络剪枝。
网络剪枝通过某些规则来衡量学习模型中卷积层中每个卷积核的重要性,通过删除较不重要的卷积核来实现网络的提速。但这种方法只适用于较简单的神经网络,对于残差神经网络(ResNet),密集连接神经网络(DenseNet)等包含特殊连接层的网络较不适用,更无法适用于结构搜索所产生的不规则神经网络(例如NASNet、ENASNet、PNASNet)。因此,现有的网络剪枝方式具有适用性不好的技术问题。
发明内容
本公开实施例提供了一种能够提高了适用性的神经网络优化方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种神经网络优化方法,包括:
基于神经网络模型的正向传播结构确定简化的反向传播结构,所述简化的反向传播结构包括卷积层和全连接层中的至少一种;
基于预设准则,将所述简化的反向传播结构分解成至少一种类型的树结构;其中树结构的类型包括第一类树结构和第二类树结构,所述第一类树结构包括串联层和相加层中的至少一种,以及卷积层和全连接层中的至少一种,所述第二类树结构仅包括卷积层或仅包括全连接层;
按照不同的剪枝方式,对分解得到的所述树结构中的卷积层和/或全连接层进行剪枝处理,获得剪枝处理后的神经网络模型;
利用图像数据和剪枝处理前的神经网络模型,对所述剪枝处理后的神经网络模型进行训练优化。
在一些可能的实现方式中,所述基于神经网络模型的正向传播结构确定简化的反向传播结构,包括:
基于所述神经网络模型的正向传播结构确定反向传播结构;
删除所述反向传播结构的各层中输入通道数和输出通道数相等的层,获得所述简化的反向传播结构。
在一些可能的实现方式中,所述基于预设准则,将所述简化的反向传播结构分解成至少一种类型的树结构,包括:
在所述简化的反向传播结构中包括卷积层时,断开所述简化的反向传播结构中的各卷积层的输出侧与其他层之间的连接,以及在所述简化的反向传播结构中包括全连接层时,断开所述简化的反向传播结构中的各全连接层的输出侧与其他层之间的连接,获得仅包括全连接层或者仅包括卷积层的第二类树结构;
在所述简化的反向传播结构中包括相加层或者串联层时,在获得的第二类树结构以外的树结构中,沿反向传播的方向将第一个串联层或相加层作为根节点,获得第一类树结构。
在一些可能的实现方式中,所述按照不同的剪枝方式,对分解得到的所述树结构中的卷积层和/或全连接层进行剪枝处理,包括:
按照第一剪枝方式对所述第一类树结构中的卷积层和/或全连接层进行剪枝处理;
按照第二剪枝方式对所述第二类树结构中的卷积层或全连接层进行剪枝处理。
在一些可能的实现方式中,所述按照第一剪枝方式对所述第一类树结构中的卷积层和/或全连接层进行剪枝处理,包括:
确定所述第一类树结构中作为根节点的串联层或相加层的输出通道的来源;
利用预设算法,获取所述根节点的各输出通道的重要度;
根据所述根节点的各输出通道的重要度,确定满足剪枝要求的第一通道;
基于所述各根节点的输出通道的来源,对与各所述第一通道对应的卷积层和/或全连接层中的第二通道执行剪枝操作。
在一些可能的实现方式中,所述按照第二剪枝方式对所述第二类树结构中的卷积层或全连接层进行剪枝处理,包括:
利用预设算法,获取所述第二类树结构中卷积层或者全连接层的各输出通道的重要度;
根据各输出通道的重要度,确定满足剪枝要求的第三通道;
对所述第三通道执行剪枝操作。
在一些可能的实现方式中,所述预设算法的表达式包括:
其中,importance of k表示k通道的重要度,h为通道的高度,w为通道的宽度,k为通道序号,ai,j,k表示第k个通道的高度为i宽度为j处的神经元的输出,i为小于或等于h的正整数,j为小于或等于w的正整数,loss是神经网络模型的损失函数,为求导函数。
在一些可能的实现方式中,所述利用图像数据和剪枝处理前的神经网络模型,对所述剪枝处理后的神经网络模型进行训练优化,包括:
将所述图像数据输入至所述剪枝处理前的神经网络模型,获取针对所述图像数据的第一特征向量,以及将图像数据输入至剪枝处理后的神经网络模型,获取针对所述图像数据的第二特征向量并获取针对所述图像数据的预测结果;
基于所述第一特征向量和第二特征向量的差值,以及所述图像数据对应的真实结果与所述预测结果之间的差值获得损失函数;
基于获得的损失函数,优化剪枝后的神经网络模型,直至获得的损失函数满足要求。
根据本公开的第二方面,提供了一种神经网络优化装置,其包括:
简化模块,其配置为基于神经网络模型的正向传播结构确定简化的反向传播结构,所述简化的反向传播结构包括卷积层和全连接层中的至少一种;
分解模块,其配置为基于预设准则,将所述简化的反向传播结构分解成至少一种类型的树结构;其中树结构的类型包括第一类树结构和第二类树结构,所述第一类树结构包括串联层和相加层中的至少一种,以及卷积层和全连接层中的至少一种,所述第二类树结构仅包括卷积层或仅包括全连接层;
剪枝模块,其配置为按照不同的剪枝方式,对分解得到的所述树结构中的卷积层和/或全连接层进行剪枝处理,获得剪枝处理后的神经网络模型;
优化模块,其配置为利用图像数据和剪枝处理前的神经网络模型,对所述剪枝处理后的神经网络模型进行训练优化。
在一些可能的实现方式中,所述简化模块还配置为基于所述神经网络模型的正向传播结构确定反向传播结构,并删除所述反向传播结构的各层中输入通道数和输出通道数相等的层,获得所述简化的反向传播结构。
在一些可能的实现方式中,所述分解模块还配置为在所述简化的反向传播结构中包括卷积层时,断开所述简化的反向传播结构中的各卷积层的输出侧与其他层之间的连接,以及在所述简化的反向传播结构中包括全连接层时,断开所述简化的反向传播结构中的各全连接层的输出侧与其他层之间的连接,获得仅包括全连接层或者仅包括卷积层的第二类树结构;并且还配置为
在所述简化的反向传播结构中包括相加层或者串联层时,在获得的第二类树结构以外的树结构中,沿反向传播的方向将第一个串联层或相加层作为根节点,获得第一类树结构。
在一些可能的实现方式中,所述剪枝模块包括:
第一剪枝单元,其配置为按照第一剪枝方式对所述第一类树结构中的卷积层和/或全连接层进行剪枝处理;
第二剪枝单元,其配置为按照第二剪枝方式对所述第二类树结构中的卷积层或全连接层进行剪枝处理。
在一些可能的实现方式中,所述第一剪枝单元还配置为确定所述第一类树结构中作为根节点的串联层或相加层的输出通道的来源;利用预设算法,获取所述根节点的各输出通道的重要度;根据所述根节点的各输出通道的重要度,确定满足剪枝要求的第一通道;以及基于所述各根节点的输出通道的来源,对与各所述第一通道对应的卷积层和/或全连接层中的第二通道执行剪枝操作。
在一些可能的实现方式中,所述第二剪枝单元还配置为利用预设算法,获取所述第二类树结构中卷积层或者全连接层的各输出通道的重要度;根据各输出通道的重要度,确定满足剪枝要求的第三通道;以及对所述第三通道执行剪枝操作。
在一些可能的实现方式中,所述预设算法的表达式包括:
其中,importance of k表示k通道的重要度,h为通道的高度,w为通道的宽度,k为通道序号,ai,j,k表示第k个通道的高度为i宽度为j处的神经元的输出,i为小于或等于h的正整数,j为小于或等于w的正整数,loss是神经网络模型的损失函数,为求导函数。
在一些可能的实现方式中,所述优化模块还配置为将所述图像数据输入至所述剪枝处理前的神经网络模型,获取针对所述图像数据的第一特征向量,以及将图像数据输入至剪枝处理后的神经网络模型,获取针对所述图像数据的第二特征向量并获取针对所述图像数据的预测结果;
基于所述第一特征向量和第二特征向量的差值,以及所述图像数据对应的真实结果与所述预测结果之间的差值获得损失函数;
基于获得的损失函数,优化剪枝后的神经网络模型,直至获得的损失函数满足要求。
根据本公开的第三方面,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:执行上述实施例中的任意一项所述的方法。
根据本公开的第三方面,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上述实施例中任意一项所述的方法。
基于本公开实施例的上述配置,则可以实现神经网络模型的优化,其中本公开实施例可以对各种类型的神经网络结构进行简化,并且按照得到的不同类型的树结构执行不同的剪枝操作,能够适应于各种神经网络(即使是复杂的网络结构),适用性更好,且能够有效的提高网络的运算速度。另外由于本公开实施例还通过剪枝前的神经网络对剪枝后的神经网络执行优化,可以具有算法速度恢复较快的特点。
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1示出根据本公开实施例的一种神经网络优化方法的流程图;
图2示出根据本公开实施例的神经网络优化方法中的步骤S100的流程图;
图3示出根据本公开实施例的神经网络模型的正向传播结构的结构示意图;
图4示出根据本公开实施例的神经网络模型的反向传播结构的结构示意图;
图5示出根据本公开实施例的神经网络模型的简化的反向传播结构的结构示意图;
图6示出根据本公开实施例的神经网络优化算法中步骤S200的流程图;
图7示出根据本公开实施例的神经网络优化方法中执行步骤S201处理后得到的第二类树结构的结构图;
图8示出根据本公开实施例的神经网络优化方法中执行步骤S202处理后得到的第二类树结构的结构图;
图9示出根据本公开实施例的神经网络优化方法中按照第一剪枝方式对所述第一类树结构进行剪枝处理的流程图;
图10示出根据本公开实施例的神经网络优化方法中按照第二剪枝方式对所述第二类树结构进行剪枝处理的流程图;
图11示出根据本公开实施例中的一种神经网络优化方法中步骤S400的流程图;
图12示出根据本公开实施例的神经网络优化装置的框图;
图13示出根据本公开实施例的一种电子设备的框图;
图14示出根据本公开实施例的一种电子设备的框图。
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。
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。
此外,本公开还提供了神经网络优化装置、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神经网络优化方法,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1示出根据本公开实施例的一种神经网络优化方法的流程图。其中,如图1所示,本公开实施例的神经网络优化方法可以包括:
S100:基于神经网络模型的正向传播结构确定简化的反向传播结构,所述简化的反向传播结构包括卷积层和全连接层中的至少一种;
S200:基于预设准则,将所述简化的反向传播结构分解成至少一种类型的树结构;其中树结构的类型包括第一类树结构和第二类树结构,所述第一类树结构包括串联层和相加层中的至少一种,以及卷积层和全连接层中的至少一种,所述第二类树结构仅包括卷积层或仅包括全连接层;
S300:按照不同的剪枝方式,对分解得到的所述树结构中的卷积层和/或全连接层进行剪枝处理,获得剪枝处理后的神经网络模型;
S400:利用图像数据和剪枝处理前的神经网络模型,对所述剪枝处理后的神经网络模型进行训练优化。
本公开实施例中的神经网络优化算法可以应用在任意的神经网络中,以通过至少对神经网络的卷积层或者全连接层进行剪枝处理,得到优化的神经网络。
其中,首先可以通过步骤S100获得待优化的神经网络模型的简化的反向传播结构。其中,神经网络模型在实现其识别或者分类等功能时,对数据的运算过程即为正向传播过程,在正向传播过程中神经网络的各层之间的结构即可以作为正向传播结构。本公开实施例中,可以根据神经网络的该正向传播结构确定其反向的简化的反向传播结构。
图2示出根据本公开实施例的神经网络优化方法中的步骤S100的流程图,其中本公开实施例所述基于神经网络模型的正向传播结构确定简化的反向传播结构(步骤S100)可以包括:
S101:基于所述神经网络模型的正向传播结构确定反向传播结构;
S102:删除所述反向传播结构的各层中输入通道数和输出通道数相等的层,获得所述简化的反向传播结构。
在确定了正向传播结构之后,可以通过步骤S101确定与该正向传播结构对应的反向传播结构。其中,与该正向传播过程相反的过程即为反向传播过程,以及与正向传播结构相反的结构即为反向传播结构。对于图2示出的神经网络而言,其正向传播结构中可以包括卷积层、全连接层、串联层、相加层、池化层、批正则化、激活函数等层,因此对应的反向传播结构也可以包括卷积层、全连接层、串联层、相加层、池化层、批正则化、激活函数等层。图3示出根据本公开实施例的神经网络模型的正向传播结构的结构示意图,以及图4示出根据本公开实施例的神经网络模型的反向传播结构的结构示意图。其中,如图3所示,在神经网络的正向传播结构中,数据可以经过卷积层、全连接层、正则化层、相加层以及池化层的处理,最终执行分类识别的操作。对应的可以得到其相反过程的反向传播结构。其中,图3和图4仅为本公开实施例中正向传播结构和反向传播结构的示例性说明,在本公开的其他实施例中,还可以包括其他类型的正向传播结构和反向传播结构,本公开对此不进行限制,具体可以根据神经网络的算法流程确定,其中对于简单的神经网络,可能只包括卷积层和全连接层中的至少一种,对于复杂的神经网络还可包括相加层、串联层等层,本公开实施例对此不进行限制。
在得到神经网络的反向传播结构后,可以通过步骤S102获得简化的反向传播结构,其中该简化的反向传播结构可以包括卷积层和全连接层中的至少一种。在本公开的其他实施例中,简化的反向传播结构还可以包括相加层或者串联层,具体可以根据神经网络的结构确定。图4示出的简化的反向传播结构可视为由卷积层、全连接层、串联层和相加层构成的有向图。
本公开实施例为了得到简化的反向传播结构可以将神经网络中,输入通道数和输出通道数相等的层删除(忽略),例如池化层、串联层、批正则化层以及激活函数层等,这些层的输入通道数和输出通道数一般相等,本公开实施例通过将这些层删除得到简化的反向传播结构。其中,输入通道数和输出通道数是指神经网络的各层的维数参数,例如,在输入至某一层的三维数据的可以表示成32×100×200,其中,32可以为其输入通道数。经过该层处理后得到的数据可以为40×100×200,该40可以为输出通道数。其中,本公开实施例删除的是输入通道数和输出通道数为相等的各层,只要该层的输入通道数和输出通道数相等,则可以从反向传播结构中删除。
另外,在执行输入通道数和输出通道数相同时,可以保持其余层之间的数据流向。
图5示出根据本公开实施例的神经网络模型的简化的反向传播结构的结构示意图,即图5可以为图4所示出的反向传播结构的简化结构。从图5可以看出,相对于图4,图5中删除了各数据流向或者支路上的池化层、批正则化层以及激活函数层等,从而实现了反向传播结构的简化操作。下面对图5至图4的简化过程进行举例说明,其中,本公开实施例中,分类器可以由卷积层构成,因此,分类器可以相当于卷积层。分类器和相加层A2之间的池化层P1为输入通道数和输出通道数相等的层,因此可以删除该池化层P1,并保持分类器和相加层A2的数据连接。相加层A2和相加层A1之间并没有输入通道数和输出通道数相等的层,因此,不需要调整该数据链路,保持相加层A2和相加层A1的连接。相加层A2和卷积层C2之间连接有输入通道数和输出通道数相等的激活函数层R2和输入通道数和输出通道数相等的批正则化层B2,因此,可以删除该激活函数层R2和批正则化层B2,并保持相加层A2和卷积层C2之间的连接。同理,相加层A1和卷积层C1之间的激活函数层R1和批正则化层B1也被删除,并保持相加层A1和卷积层C1之间的连接。通过上述过程即可以得到与图4的反向传播结构对应的简化的反向传播结构。在此需要说明的是,预卷积层C0是指第一个卷积层,其实质为卷积层。
本公开实施例,基于该反向传播结构的简化操作,可以实现通过简化后的反向传播结构中的层结构的简化,从而方便后续的剪枝处理。
另外,本公开实施例,在获得了简化的反向传播结构之后,可以基于该简化的反向传播结构获得至少一种类型的树结构。本公开实施例中树结构的类型可以包括第一类树结构和第二类树结构,其中第一类树结构可以包括串联层和相加层中的至少一种以及卷积层和全连接层中的至少一种,第二类树结构可以包括卷积层或者仅包括全连接层。
图6示出根据本公开实施例的神经网络优化算法中步骤S200的流程图,其中,本公开实施例中所述基于预设准则,将所述简化的反向传播结构分解成至少一种类型的树结构(S200),可以包括:
S201:在所述简化的反向传播结构中包括卷积层时,断开所述简化的反向传播结构中的各卷积层的输出侧与其他层之间的连接,以及在所述简化的反向传播结构中包括全连接层时,断开所述反向传播结构中的各全连接层的输出侧与其他层之间的连接,获得仅包括全连接层或者仅包括卷积层的第二类树结构;
S202:在所述简化的反向传播结构中包括相加层或者串联层时,在获得的第二类树结构以外的树结构中,沿反向传播的方向将第一个串联层或相加层作为根节点,获得第一类树结构。
本公开实施例,可以按照预设准则对简化的反向传播结构进行切割划分,形成至少一种类型树结构。
其中,获得第二类树结构的方式可以包括:在所述简化的反向传播结构中包括卷积层时,将卷积层的输出侧与其他层之间的连接断开,以及在所述简化的反向传播结构中包括卷积层时,断开全连接层的输出侧与其他层之间的连接,从而获得仅包括全连接层或者仅包括卷积层的第二类树结构。由于卷积层的输出侧或者全连接层的输出侧会与其他层之间断开,因此,在执行该断开操作时,可能会出现独立的全连接层或者卷积层,该独立的全连接层或者卷积层可以作为第二类树结构。图7示出根据本公开实施例的神经网络优化方法中执行步骤S201处理后得到的第二类树结构的结构图。其中如上所述,本公开实施例中的分类器可以视作卷积层,因此得到的分类器即为第一类树结构。
本公开实施例中,在生成第二类树结构后,可以对于简化的反向传播结构中除去第二类树结构的部分,按照反向传播的方向将第一个串联层或者相加层作为树结构的根节点,以及将卷积层和全连接层作为叶节点,获得第一类树结构。例如,图8示出根据本公开实施例的神经网络优化方法中执行步骤S202处理后得到的第二类树结构的结构图,其中,如图8所示,将相加层A2作为第一类树结构的根节点,以及将卷积层C0、C1和C2作为叶节点,以此得到第一类树结构。
通过上述配置,可以方便的将简化的反向传播结构转变成不同类型的树结构,以便于后续过程对应的确定各输出通道的来源。
在得到该不同类型的树结构之后,可以通过对各树结构的类型确定剪枝方案,从而执行卷积层和/或全连接层的剪枝操作,以简化神经网络模型。本公开实施例中,对于不同类型的树结构,可以采用不同的剪枝方式,例如,可以按照第一剪枝方式对所述第一类树结构中的卷积层和/或全连接层进行剪枝处理,以及按照第二剪枝方式对所述第二类树结构中的卷积层或全连接层进行剪枝处理。其中,对于不同的树结构采用不同的剪枝方式,可以加快剪枝速度,同时可以选取适应的剪枝方式执行卷积层的卷积操作,适用性更好。
本公开实施例中,在对第一树结构进行剪枝操作处理时,可以只针对卷积层进行剪枝处理,也可以针对全连接层执行剪枝处理,或者也可以针对卷积层和全连接层同时执行剪枝处理。同时对卷积层和全连接层进行剪枝处理可以更大程度的减少冗余参数或者运算,加快网络运算速度。下面分别针对该两种卷积方式分别进行说明。
图9示出根据本公开实施例的神经网络优化方法中按照第一剪枝方式对所述第一类树结构进行剪枝处理的流程图,其中可以包括:
S301:确定所述第一类树结构中作为根节点的串联层或者相加层的输出通道的来源;
S302:利用预设算法,获取所述根节点的各输出通道的重要度;
S303:根据所述根节点的各输出通道的重要度,确定满足剪枝要求的第一通道;
S304:基于所述根节点的输出通道的来源,至少对与各所述第一通道对应的卷积层和/或全连接层中的第二通道执行剪枝操作。
在执行第一类树结构的剪枝操作时,可以首先确定第一类树结构中各根节点(串联层或相加层)在正向传播方向上的输出通道的来源。这里反向传播结构的数据流向为反向传播方向,正向传播结构的数据流向为正向传播方向,第一类树结构的根节点的输出通道的来源是指在正向传播方向上输出通道所利用的卷积层或者全连接层的通道。例如,经根节点对输入数据进行处理后得到的三维数据为40×100×200,则可以确定根节点的40个输出通道中各输出通道在正向传播方向上的通道来源,即各输出通道所应用的数据来自于卷积层或者全连接层中的哪些通道的数据或者运算,基于此则可以确定该40个输出通道的来源。这里,需要说明的是,如果根节点的前一节点为卷积层或者全连接层,则可以直接根据根节点的输出通道将在卷积层或者全连接层上对应的通道确定为该输出通道的来源。如果根节点的前一节点为其他的相加层或者串联层,例如,图8中的相加层A2为第一类树结构的根节点,其中,在确定相加层A2的输出通道的来源时,其一部分通道可能来自于卷积层C2的输出通道,另一部分通道可能来源于相加层A1的输出通道,此时可以对应的确定相加层A1的输出通道的来源,即为预卷积层C0和卷积层C1,因此可以确定为第一类树结构中A2的通道来源可以为卷积层C0、C1和C2.
另外,还可以根据步骤S302,计算根节点的输出通道的重要度,本公开实施例中,可以根据预设算法确定根节点的各输出通道的重要度,其中,可以计算根节点的每个输出通道的输出乘梯度的绝对值之和来判定该通道的重要性。例如,其中所述预设算法的表达式可以包括:
其中,importance of k表示k通道的重要度,h为通道的高度,w为通道的宽度,k为通道序号,ai,j,k表示第k个通道的高度为i宽度为j处的神经元的输出,i为小于或等于h的正整数,j为小于或等于w的正整数,loss是神经网络模型的损失函数,为求导函数。
在确定了每个输出通道的重要度,以及各输出通道所对应的通道来源之后,则可以执行对应卷积层的剪枝操作。其中,首先可以通过步骤S303对各个输出通道按照重要度从大到小的顺序进行排序,并确定满足剪枝要求的第一通道,该第一通道为根节点的输出通道中满足剪枝要求的通道。其中,确定满足剪枝要求的第一通道的方式可以包括:按照输出通道的重要度从大到小的顺序,基于该顺序确定满足剪枝要求的第一通道。
其中,本公开实施例以基于预设百分比确定满足剪枝要求的第一通道,也可以基于一数值确定满足剪枝要求的第一通道。例如,预设百分比可以为50%,因此,则可以将输出通道中重要度后50%的输出通道确定为满足剪枝要求的第一通道。或者预设顺序值可以为5,在可以只保留重要度在前5个的输出通道,并将其与输出通道作为满足剪枝要求的第一通道。在本公开的其他实施例中,预设百分比和预设顺序值可以为其他数值,本公开在此不进行限定。
步骤S304中,在确定了满足剪枝要求的第一通道后,则可以根据步骤S301中确定的各输出通道的来源进一步确定该各第一通道的通道来源,即可以对应的确定卷积层和/或全连接层的输出通道中与第一通道对应的第二通道,并对各第二通道执行剪枝操作。即,本公开实施例中,可以按照根节点输出通道的重要度,选择根节点中符合剪枝要求的第一通道,并对应的将作为第一通道的通道来源的卷积层和/或全连接层中的第二通道剪掉,以执行通道的剪枝操作。即本公开实施例可以基于所述各根节点的输出通道的来源,对与各所述第一通道对应的卷积层中的第二通道执行剪枝操作。
在本公开实施例中,可以同时针对卷积层和全连接层执行剪枝操作,即可以按照根节点的输出通道的重要度排序,获得根节点中满足剪枝要求的第一通道,继而可以对应的在卷积层和全连接层中确定作为第一通道的通道来源的第二通道,此时可以执行该各第二通道的剪枝操作。即本公开实施例可以基于所述各根节点的通道来源,对与各所述第一通道对应的卷积层和全连接层中的第二通道执行剪枝操作。本公开实施例中,执行第二通道的剪枝操作(处理)可以包括删除生成该第二通道的数据所利用的参数、以及相关运算,本公开对此不进行详细描述,本领域技术人员可以根据现有技术手段确定剪枝操作的处理过程。
另外,本公开实施例在对卷积层和全连接层进行剪枝操作时,也可以按照预设的剪枝顺序执行剪枝操作,即在本公开实施例中,可以先执行卷积层的剪枝操作再执行全连接的剪枝操作,或者也可以先执行全连接层的剪枝操作再执行全连接层的剪枝操作,或者也可以同时执行卷积层和全连接层的剪枝操作。
例如,在剪枝顺序为先对卷积层进行剪枝再对全连接层进行剪枝时,可以首先根据根节点的各输出通道的重要度确定满足剪枝要求的第一通道。而后根据各第一通道的通道来源确定在卷积层中对应的第二通道,以及各第一通道的通道来源确定在全连接层中对应的第二通道。而后执行该卷积层中对应的第二通道的剪枝操作,在执行卷积层的剪枝操作后再执行全连接层中对应的第二通道的剪枝操作。
或者,在剪枝顺序为先对全连接层进行剪枝再对卷积层进行剪枝时,可以首先根据根节点的各输出通道的重要度确定满足剪枝要求的第一通道。而后根据各第一通道的通道来源确定在卷积层中对应的第二通道,以及各第一通道的通道来源确定在全连接层中对应的第二通道。而后执行该全连接层中对应的第二通道的剪枝操作,在执行全连接层的剪枝操作后再执行卷积层中对应的第二通道的剪枝操作。
对于同时执行卷积层和全连接层的剪枝操作的实施例,可以参照前述说明,在此不再赘述。
基于上述配置可以执行第一类树结构的剪枝操作,其中可以根据根节点的输出通道的重要度执行相应的通道来源的剪枝操作,能够保证神经网络的运算速度的提高同时也能保证神经网络的运算精度和功能。
下面对本公开实施例的第二类树结构的剪枝操作进行详细说明。图10示出根据本公开实施例的神经网络优化方法中按照第二剪枝方式对所述第二类树结构中的卷积层或全连接层进行剪枝处理的流程图。其中,所述按照第二剪枝方式对所述第二类树结构中的卷积层或全连接层进行剪枝处理,可以包括:
S3001:利用预设算法,获取所述第二类树结构中卷积层或者全连接层的各输出通道的重要度;
S3002:根据各输出通道的重要度,确定满足剪枝要求的第三通道;
S3003:对所述第三通道执行剪枝操作。
由于本公开实施例中的第二类树结构仅包括全连接层或者仅包括卷积层,因此,同样的也可以只对卷积层进行剪枝操作,也可以只对全连接层进行剪枝操作,或者也可以同时对卷积层和全连接层进行剪枝操作。其中,可以通过步骤S3001确定卷积层,或者全连接层中各输出通道的重要度。其中,同样可以根据预设算法确定重要度,该预设算法的表达式可以包括:
其中,importance of k表示k通道的重要度,h为通道的高度,w为通道的宽度,k为通道序号,ai,j,k表示第k个通道的高度为i宽度为j处的神经元的输出,i为小于或等于h的正整数,j为小于或等于w的正整数,loss是神经网络模型的损失函数,为求导函数。
在只对卷积层执行剪枝操作时,可以在确定了卷积层中各输出通道的重要度的情况下,进一步确定满足剪枝要求的第三通道。其中,可以通过步骤S3002对每个卷积层的输出通道按照重要度从大到小的顺序进行排序,并确定满足剪枝要求的第三通道,该第三通道为卷积层的输出通道中满足剪枝要求的通道。其中,确定满足剪枝要求的第三通道的方式可以包括:按照输出通道的重要度从大到小的顺序,基于该顺序确定满足剪枝要求的第三通道。
其中,本公开实施例中可以基于预设百分比确定满足剪枝要求的第三通道,也可以基于一数值确定满足剪枝要求的第三通道。例如,预设百分比可以为50%,因此,则可以将输出通道中重要度后50%的输出通道确定为满足剪枝要求的第三通道。或者预设顺序值可以为5,在可以只保留重要度在前5个的输出通道,并将其与输出通道作为满足剪枝要求的第三通道。在本公开的其他实施例中,预设百分比和预设顺序值可以为其他数值,本公开在此不进行限定。
同理,也可以只对全连接层执行剪枝操作,具体方式与全连接层剪枝方式相同,在此不再重复说明。另外,在同时对卷积层和全连接层执行剪枝操作时,可以在确定了卷积层中各输出通道的重要度,以及全连接层中各输出通道的重要度的情况下,进一步分别确定卷积层和全连接层中满足剪枝要求的第四通道。确定第四通道的方式与上述实施例相近,在此也不再不重复说明。
在确定了满足剪枝要求的第三通道或者第四通道时,则可以针对第三通道或者第四通道执行剪枝操作。本公开实施例中,执行第三通道或者第四的剪枝操作(处理)可以包括删除生成该第三或第四通道的数据所利用的参数、以及相关运算算法,本公开对此不进行详细描述,本领域技术人员可以根据现有技术手段确定剪枝操作的处理过程。
通过上述配置,则可以实现第二类树结构的剪枝操作,同时可以实现不同树结构的不同剪枝,具有适应性更好的特点。
另外,在对分解形成的树结构执行剪枝操作后,可以对剪枝后的神经网络模型进行优化训练,即可以通过步骤S300执行利用剪枝处理前的神经网络模型,对所述剪枝处理后的神经网络模型进行训练优化。
图11示出根据本公开实施例中的一种神经网络优化方法中步骤S400的流程图。其中步骤S400可以包括:
S401:将图像数据输入至所述剪枝处理前的神经网络模型,获取针对所述图像数据的第一特征向量,以及将图像数据输入至剪枝处理后的神经网络模型,获取针对所述图像数据的第二特征向量并获取针对所述图像数据的预测结果;
S402:基于所述第一特征向量和第二特征向量的差值,以及所述图像数据中的真实结果与所述预测结果之间的差值获得损失函数;
S403:基于获得的损失函数,优化剪枝后的神经网络模型,直至获得的损失函数满足要求。
其中,剪枝处理后的神经网络模型是指相对原始的神经网络模型,其为卷积层和/或全连接层被执行剪枝处理后形成的网络模型。本公开实施例可以利用该原始的神经网络模型(剪枝处理前的神经网络模型)对剪枝处理后得到的神经网络模型进行训练优化。
首先,在步骤S401中可以将图像数据分别输入至剪枝处理前的神经网络模型和剪枝处理后的神经网络模型,分别得到从图像数据中提取的第一特征向量和第二特征向量,以及还可以得到剪枝处理后的神经网络模型针对输入的图像数据得到的预测结果。其中,图像数据可以包括多组图像以及针对各图像的真实预测结果(真实结果)。例如,图像数据可以为通过摄像设备或者通过其他设备传输的视频数据,或者是基于视频数据获得的各帧图像,真实预测结果可以为该图像中包括的对象的类型等。通过该图像数据的训练优化,神经网络模型可以识别图像中的对象类型。在本公开的其他实施例中,输入至网络模型中的数据也可以为其他类型的内容,本公开实施例对此不进行限制,具体可以根据所要实现的识别和预测功能确定。通过本公开实施例优化形成的网络模型,可以应用在计算机视觉领域,例如可以对行人进行识别等,但本公开实施例对此不做限定。
在步骤S402中,在获得了第一特征向量和第二特征向量后,可以确定该第一特征向量和第二特征向量之间的差值,以及在得到剪枝处理后的神经网络模型所得到的预测结果之后,可以确定该预测结果与真实结果之间的差值。本公开实施例中,预测结果和真实结果均可以按照矩阵的形式体现,但本公开对此不进行限制。
步骤S403中,可以基于第一特征向量和第二特征向量的差值确定第一损失函数a,以及预测结果和真实结果之间的差值确定第二损失函数b,则可以基于该第一损失函数a和第二损失函数b确定执行剪枝后的神经网络的优化的损失函数。该损失函数可以是a和b的加和,或者也可以是a和b的加权和,权值可以根据需求自行设定,本公开对此不进行限制。
步骤S404中,则可以根据获得的损失函数,反向优化剪枝后的神经网络模型,直至损失函数满足预设要求。该预设要求可以为第一损失函数和第二损失函数都小于预设阈值。本领域技术人员可以根据不同的精度需求设定预设阈值,如可以为0.01,但公开实施例对此不进行限制。
基于本公开实施例的上述配置,则可以实现神经网络模型的优化,其中本公开实施例可以各种类型的神经网络结构进行简化,并且按照得到的不同类型的树结构执行不同的剪枝操作,能够适应于各种神经网络(即使是复杂的网络结构),适用性更好,且能够有效的提高网络的运算速度。另外由于本公开实施例还通过剪枝前的神经网络对剪枝后的神经网络执行优化,可以具有算法速度恢复较快的特点。
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。
图12示出根据本公开实施例的神经网络优化装置的框图,如图12所示,所述神经网络优化装置包括:
简化模块10,其配置为基于神经网络模型的正向传播结构确定简化的反向传播结构,所述简化的反向传播结构包括卷积层和全连接层中的至少一种;
分解模块20,其配置为基于预设准则,将所述简化的反向传播结构分解成至少一种类型的树结构;其中树结构的类型包括第一类树结构和第二类树结构,所述第一类树结构包括串联层和相加层中的至少一种,以及卷积层和全连接层中的至少一种,所述第二类树结构仅包括卷积层或仅包括全连接层;
剪枝模块30,其配置为按照不同的剪枝方式,对分解得到的所述树结构中的卷积层和/或全连接层进行剪枝处理,获得剪枝处理后的神经网络模型;
优化模块40,其配置为利用图像数据和剪枝处理前的神经网络模型,对所述剪枝处理后的神经网络模型进行训练优化。
在一些可能的实现方式中,所述简化模块还配置为基于所述神经网络模型的正向传播结构确定反向传播结构,并删除所述反向传播结构的各层中输入通道数和输出通道数相等的层,获得所述简化的反向传播结构。
在一些可能的实现方式中,所述分解模块还配置为在所述简化的反向传播结构中包括卷积层时,断开所述简化的反向传播结构中的各卷积层的输出侧与其他层之间的连接,以及在所述简化的反向传播结构中包括全连接层时,断开所述简化的反向传播结构中的各全连接层的输出侧与其他层之间的连接,获得仅包括全连接层或者仅包括卷积层的第二类树结构;并且还配置为
在所述简化的反向传播结构中包括相加层或者串联层时,在获得的第二类树结构以外的树结构中,沿反向传播的方向将第一个串联层或相加层作为根节点,获得第一类树结构。
在一些可能的实现方式中,所述剪枝模块包括:
第一剪枝单元,其配置为按照第一剪枝方式对所述第一类树结构中的卷积层和/或全连接层进行剪枝处理;
第二剪枝单元,其配置为按照第二剪枝方式对所述第二类树结构中的卷积层或全连接层进行剪枝处理。
在一些可能的实现方式中,所述第一剪枝单元还配置为确定所述第一类树结构中作为根节点的串联层或相加层的输出通道的来源;利用预设算法,获取所述根节点的各输出通道的重要度;根据所述根节点的各输出通道的重要度,确定满足剪枝要求的第一通道;以及基于所述各根节点的输出通道的来源,对与各所述第一通道对应的卷积层和/或全连接层中的第二通道执行剪枝操作。
在一些可能的实现方式中,所述第二剪枝单元还配置为利用预设算法,获取所述第二类树结构中卷积层或者全连接层的各输出通道的重要度;根据各输出通道的重要度,确定满足剪枝要求的第三通道;以及对所述第三通道执行剪枝操作。
在一些可能的实现方式中,所述预设算法的表达式包括:
其中,importance of k表示k通道的重要度,h为通道的高度,w为通道的宽度,k为通道序号,ai,j,k表示第k个通道的高度为i宽度为j处的神经元的输出,i为小于或等于h的正整数,j为小于或等于w的正整数,loss是神经网络模型的损失函数,为求导函数。
在一些可能的实现方式中,所述优化模块还配置为将所述图像数据输入至所述剪枝处理前的神经网络模型,获取针对所述图像数据的第一特征向量,以及将图像数据输入至剪枝处理后的神经网络模型,获取针对所述图像数据的第二特征向量并获取针对所述图像数据的预测结果;
基于所述第一特征向量和第二特征向量的差值,以及所述图像数据对应的真实结果与所述预测结果之间的差值获得损失函数;
基于获得的损失函数,优化剪枝后的神经网络模型,直至获得的损失函数满足要求。
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13示出根据本公开实施例的一种电子设备的框图。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13,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14示出根据本公开实施例的一种电子设备的框图。例如,电子设备1900可以被提供为一服务器。参照图14,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技术改进,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 (10)
1.一种神经网络优化方法,其特征在于,包括:
基于神经网络模型的正向传播结构确定简化的反向传播结构,所述简化的反向传播结构包括卷积层和全连接层中的至少一种;
基于预设准则,将所述简化的反向传播结构分解成至少一种类型的树结构;其中树结构的类型包括第一类树结构和第二类树结构,所述第一类树结构包括串联层和相加层中的至少一种,以及卷积层和全连接层中的至少一种,所述第二类树结构仅包括卷积层或仅包括全连接层;
按照不同的剪枝方式,对分解得到的所述树结构中的卷积层和/或全连接层进行剪枝处理,获得剪枝处理后的神经网络模型;
利用图像数据和剪枝处理前的神经网络模型,对所述剪枝处理后的神经网络模型进行训练优化。
2.根据权利要求1所述的方法,其特征在于,所述基于神经网络模型的正向传播结构确定简化的反向传播结构,包括:
基于所述神经网络模型的正向传播结构确定反向传播结构;
删除所述反向传播结构的各层中输入通道数和输出通道数相等的层,获得所述简化的反向传播结构。
3.根据权利要求1或2所述的方法,其特征在于,所述基于预设准则,将所述简化的反向传播结构分解成至少一种类型的树结构,包括:
在所述简化的反向传播结构中包括卷积层时,断开所述简化的反向传播结构中的各卷积层的输出侧与其他层之间的连接,以及在所述简化的反向传播结构中包括全连接层时,断开所述简化的反向传播结构中的各全连接层的输出侧与其他层之间的连接,获得仅包括全连接层或者仅包括卷积层的第二类树结构;
在所述简化的反向传播结构中包括相加层或者串联层时,在获得的第二类树结构以外的树结构中,沿反向传播的方向将第一个串联层或相加层作为根节点,获得第一类树结构。
4.根据权利要求1-3中任意一项所述的方法,其特征在于,所述按照不同的剪枝方式,对分解得到的所述树结构中的卷积层和/或全连接层进行剪枝处理,包括:
按照第一剪枝方式对所述第一类树结构中的卷积层和/或全连接层进行剪枝处理;
按照第二剪枝方式对所述第二类树结构中的卷积层或全连接层进行剪枝处理。
5.根据权利要求4所述的方法,其特征在于,所述按照第一剪枝方式对所述第一类树结构中的卷积层和/或全连接层进行剪枝处理,包括:
确定所述第一类树结构中作为根节点的串联层或相加层的输出通道的来源;
利用预设算法,获取所述根节点的各输出通道的重要度;
根据所述根节点的各输出通道的重要度,确定满足剪枝要求的第一通道;
基于所述各根节点的输出通道的来源,对与各所述第一通道对应的卷积层和/或全连接层中的第二通道执行剪枝操作。
6.根据权利要求4或5所述的方法,其特征在于,所述按照第二剪枝方式对所述第二类树结构中的卷积层或全连接层进行剪枝处理,包括:
利用预设算法,获取所述第二类树结构中卷积层或者全连接层的各输出通道的重要度;
根据各输出通道的重要度,确定满足剪枝要求的第三通道;
对所述第三通道执行剪枝操作。
8.一种神经网络优化装置,其特征在于,包括:
简化模块,其配置为基于神经网络模型的正向传播结构确定简化的反向传播结构,所述简化的反向传播结构包括卷积层和全连接层中的至少一种;
分解模块,其配置为基于预设准则,将所述简化的反向传播结构分解成至少一种类型的树结构;其中树结构的类型包括第一类树结构和第二类树结构,所述第一类树结构包括串联层和相加层中的至少一种,以及卷积层和全连接层中的至少一种,所述第二类树结构仅包括卷积层或仅包括全连接层;
剪枝模块,其配置为按照不同的剪枝方式,对分解得到的所述树结构中的卷积层和/或全连接层进行剪枝处理,获得剪枝处理后的神经网络模型;
优化模块,其配置为利用图像数据和剪枝处理前的神经网络模型,对所述剪枝处理后的神经网络模型进行训练优化。
9.一种电子设备,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7中任意一项所述的方法。
10.一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7中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811080784.8A CN110909861B (zh) | 2018-09-17 | 2018-09-17 | 神经网络优化方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811080784.8A CN110909861B (zh) | 2018-09-17 | 2018-09-17 | 神经网络优化方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110909861A true CN110909861A (zh) | 2020-03-24 |
CN110909861B CN110909861B (zh) | 2023-05-30 |
Family
ID=69813465
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811080784.8A Active CN110909861B (zh) | 2018-09-17 | 2018-09-17 | 神经网络优化方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110909861B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488986A (zh) * | 2020-04-13 | 2020-08-04 | 商汤集团有限公司 | 一种模型压缩方法、图像处理方法以及装置 |
CN111985645A (zh) * | 2020-08-28 | 2020-11-24 | 北京市商汤科技开发有限公司 | 一种神经网络的训练方法、装置、电子设备及存储介质 |
CN112001483A (zh) * | 2020-08-14 | 2020-11-27 | 广州市百果园信息技术有限公司 | 一种剪枝神经网络模型的方法和装置 |
CN112733811A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
CN113255912A (zh) * | 2021-06-08 | 2021-08-13 | 深圳市商汤科技有限公司 | 神经网络的通道剪枝方法及装置、电子设备和存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779075A (zh) * | 2017-02-16 | 2017-05-31 | 南京大学 | 一种计算机中采用剪枝方法改进的神经网络 |
US20180114114A1 (en) * | 2016-10-21 | 2018-04-26 | Nvidia Corporation | Systems and methods for pruning neural networks for resource efficient inference |
CN108288270A (zh) * | 2018-02-05 | 2018-07-17 | 南京邮电大学 | 一种基于通道修剪与全卷积深度学习的目标检测方法 |
CN108320017A (zh) * | 2018-03-20 | 2018-07-24 | 中国民用航空总局第二研究所 | 卷积神经网络优化方法、系统、设备及介质 |
-
2018
- 2018-09-17 CN CN201811080784.8A patent/CN110909861B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180114114A1 (en) * | 2016-10-21 | 2018-04-26 | Nvidia Corporation | Systems and methods for pruning neural networks for resource efficient inference |
CN106779075A (zh) * | 2017-02-16 | 2017-05-31 | 南京大学 | 一种计算机中采用剪枝方法改进的神经网络 |
CN108288270A (zh) * | 2018-02-05 | 2018-07-17 | 南京邮电大学 | 一种基于通道修剪与全卷积深度学习的目标检测方法 |
CN108320017A (zh) * | 2018-03-20 | 2018-07-24 | 中国民用航空总局第二研究所 | 卷积神经网络优化方法、系统、设备及介质 |
Non-Patent Citations (1)
Title |
---|
雷杰;高鑫;宋杰;王兴路;宋明黎;: "深度网络模型压缩综述" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111488986A (zh) * | 2020-04-13 | 2020-08-04 | 商汤集团有限公司 | 一种模型压缩方法、图像处理方法以及装置 |
CN112001483A (zh) * | 2020-08-14 | 2020-11-27 | 广州市百果园信息技术有限公司 | 一种剪枝神经网络模型的方法和装置 |
CN111985645A (zh) * | 2020-08-28 | 2020-11-24 | 北京市商汤科技开发有限公司 | 一种神经网络的训练方法、装置、电子设备及存储介质 |
CN112733811A (zh) * | 2020-09-23 | 2021-04-30 | 青岛科技大学 | 基于改进稠密神经网络的水声信号调制方式类间识别方法 |
CN113255912A (zh) * | 2021-06-08 | 2021-08-13 | 深圳市商汤科技有限公司 | 神经网络的通道剪枝方法及装置、电子设备和存储介质 |
CN113255912B (zh) * | 2021-06-08 | 2022-07-12 | 深圳市商汤科技有限公司 | 神经网络的通道剪枝方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110909861B (zh) | 2023-05-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800737B (zh) | 面部识别方法及装置、电子设备和存储介质 | |
CN110909861B (zh) | 神经网络优化方法及装置、电子设备和存储介质 | |
CN110659640B (zh) | 文本序列的识别方法及装置、电子设备和存储介质 | |
CN110287874B (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN110378976B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110390394B (zh) | 批归一化数据的处理方法及装置、电子设备和存储介质 | |
CN109816764B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN110909815B (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN111783756B (zh) | 文本识别方法及装置、电子设备和存储介质 | |
CN110458218B (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN109919300B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN110598504B (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN111340731B (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110633700B (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN111223040B (zh) | 网络训练方法及装置、图像生成方法及装置 | |
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN111581488A (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
CN110659690B (zh) | 神经网络的构建方法及装置、电子设备和存储介质 | |
CN107341509B (zh) | 卷积神经网络的训练方法、装置及可读存储介质 | |
CN109920016B (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN110543849B (zh) | 检测器的配置方法及装置、电子设备和存储介质 | |
CN113592004A (zh) | 分配方法及装置、电子设备和存储介质 | |
CN112836801A (zh) | 深度学习网络确定方法、装置、电子设备及存储介质 | |
CN111242303A (zh) | 网络训练方法及装置、图像处理方法及装置 |
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 |