CN111382831B - 加速卷积神经网络模型前向推理的方法及装置 - Google Patents
加速卷积神经网络模型前向推理的方法及装置 Download PDFInfo
- Publication number
- CN111382831B CN111382831B CN201811625609.2A CN201811625609A CN111382831B CN 111382831 B CN111382831 B CN 111382831B CN 201811625609 A CN201811625609 A CN 201811625609A CN 111382831 B CN111382831 B CN 111382831B
- Authority
- CN
- China
- Prior art keywords
- convolution
- result
- layer
- processed
- neural network
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 210000005036 nerve Anatomy 0.000 title 1
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000012545 processing Methods 0.000 claims abstract description 44
- 230000004913 activation Effects 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 16
- 238000010606 normalization Methods 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 20
- 238000010586 diagram Methods 0.000 description 8
- 238000011176 pooling Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/048—Activation functions
-
- 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
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
本申请适用于卷积神经网络技术领域,提供了一种加速卷积神经网络模型前向推理的方法、装置、智能终端及计算机可读存储介质,包括:将待处理数据输入至所述卷积神经网络模型中的卷积层;在所述卷积层中对所述待处理数据进行卷积操作,并使用激活函数处理卷积结果,其中,所述卷积结果是指对所述待处理数据进行卷积操作后所得的结果。通过本申请加速卷积神经网络模型的前向推理,提高卷积神经网络模型的运行效率。
Description
技术领域
本申请属于卷积神经网络技术领域,尤其涉及一种加速卷积神经网络模型前向推理的方法、装置、智能终端及计算机可读存储介质。
背景技术
卷积神经网络是一类包含卷积计算并具有深度结构的前馈神经网络,是深度学习的代表算法之一。由于卷积神经网络能够进行平移不变分类,因此也被称为“平移不变人工神经网络”。卷积神经网络模型中通常包含卷积层、批归一化层、激活层和池化层等,这些层均是串行分开推理,通常会涉及较多的数据处理过程,降低了卷积神经网络模型的前向推理速度。
发明内容
有鉴于此,本申请实施例提供了一种加速卷积神经网络模型前向推理的方法、装置、智能终端及计算机可读存储介质,以加速卷积神经网络模型的前向推理,提高卷积神经网络模型的运行效率。
本申请实施例的第一方面提供了一种加速卷积神经网络模型前向推理的方法,所述方法包括:
将待处理数据输入至所述卷积神经网络模型中的卷积层;
在所述卷积层中对所述待处理数据进行卷积操作,并使用激活函数处理卷积结果,其中,所述卷积结果是指对所述待处理数据进行卷积操作后所得的结果。
本申请实施例的第二方面提供了一种加速卷积神经网络模型前向推理的装置,所述装置包括:
数据输入模块,用于将待处理数据输入至所述卷积神经网络模型中的卷积层;
数据处理模块,用于在所述卷积层中对所述待处理数据进行卷积操作,并使用激活函数处理卷积结果,其中,所述卷积结果是指对所述待处理数据进行卷积操作后所得的结果。
本申请实施例的第三方面提供了一种智能终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述方法的步骤。
由上可见,本申请方案在将待处理数据输入至卷积神经网络模型的卷积层中,在所述卷积层中对所述待处理数据进行卷积操作,并使用激活函数处理卷积结果,从而将现有卷积神经网络模型中的激活层合进卷积层,减少了激活层导致的一些数据处理过程,加速了卷积神经网络模型的前向推理,提高了卷积神经网络模型的运行效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例一提供的加速卷积神经网络模型前向推理的方法的实现流程示意图;
图2是本申请实施例二提供的加速卷积神经网络模型前向推理的方法的实现流程示意图;
图3是本申请实施例二提供的卷积神经网络模型示例图;
图4是本申请实施例三提供的加速卷积神经网络模型前向推理的装置的示意图;
图5是本申请实施例四提供的智能终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
具体实现中,本申请实施例中描述的智能终端包括但不限于诸如具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的移动电话、膝上型计算机或平板计算机之类的其它便携式设备。还应当理解的是,在某些实施例中,所述设备并非便携式通信设备,而是具有触摸敏感表面(例如,触摸屏显示器和/或触摸板)的台式计算机。
在接下来的讨论中,描述了包括显示器和触摸敏感表面的智能终端。然而,应当理解的是,智能终端可以包括诸如物理键盘、鼠标和/或控制杆的一个或多个其它物理用户接口设备。
智能终端支持各种应用程序,例如以下中的一个或多个:绘图应用程序、演示应用程序、文字处理应用程序、网站创建应用程序、盘刻录应用程序、电子表格应用程序、游戏应用程序、电话应用程序、视频会议应用程序、电子邮件应用程序、即时消息收发应用程序、锻炼支持应用程序、照片管理应用程序、数码相机应用程序、数字摄影机应用程序、web浏览应用程序、数字音乐播放器应用程序和/或数字视频播放器应用程序。
可以在智能终端上执行的各种应用程序可以使用诸如触摸敏感表面的至少一个公共物理用户接口设备。可以在应用程序之间和/或相应应用程序内调整和/或改变触摸敏感表面的一个或多个功能以及终端上显示的相应信息。这样,终端的公共物理架构(例如,触摸敏感表面)可以支持具有对用户而言直观且透明的用户界面的各种应用程序。
应理解,本实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
为了说明本申请所述的技术方案,下面通过具体实施例来进行说明。
参见图1,是本申请实施例一提供的加速卷积神经网络模型前向推理的方法的实现流程示意图,如图所示该方法可以包括以下步骤:
步骤S101,将待处理数据输入至卷积神经网络模型中的卷积层。
在本申请实施例中,在卷积层之前,卷积神经网络模型通常还包括输入层,所述输入层中通常是对待处理数据进行预处理,将所述待处理数据进行预处理之后再输入所述卷积层。其中,预处理包括但不限于去均值、归一化等,去均值可以是指将待处理数据的各个维度均中心化为0,归一化可以是指将待处理数据的幅度归一化到同样的范围(例如将幅度压缩到0~1之间)。
可选的,所述待处理数据包括但不限于待处理图片和待处理视频。
在本申请实施例中,所述待处理图片可以是指RGB三通道图片。将待处理视频输入至卷积神经网络模型中的卷积层可以是指将所述待处理视频中的每帧图像输入至卷积神经网络模型中的卷积层。
步骤S102,在所述卷积层中对所述待处理数据进行卷积操作,并使用激活函数处理卷积结果。
其中,所述卷积结果是指对所述待处理数据进行卷积操作后所得的结果。
在本申请实施例中,卷积操作的功能是使用卷积核对待处理数据进行特征提取和特征映射。对所述待处理数据进行卷积操作可以是指将卷积核与所述待处理数据进行卷积计算,得到卷积结果。
在现有卷积神经网络模型中,卷积层之后通常有激活层,在将卷积层的卷积结果输入至激活层之前,存在一个暂存数据和读取数据的过程,增加了数据处理过程。为了减少激活层导致的上述数据处理过程,本申请实施例将激活层合进卷积层,即将激活函数添加至卷积层,卷积完成之后直接使用激活函数处理卷积结果,减少了一个暂存数据和读取数据的过程。
由于卷积操作是一种线性运算,通过激活函数可对卷积结果进行一个非线性映射。其中,所述激活函数包括但不限于relu函数、sigmoid函数。
可选的,在使用激活函数处理卷积结果之后,还包括:
将激活函数的处理结果输入至所述卷积神经网络模型中的全连接层;
将所述全连接层的输出结果输入至所述卷积神经网络模型中的输出层,输出对所述待处理数据的识别结果。
在本申请实施例中,卷积神经网络模型中的全连接层主要对激活函数的处理结果中的特征进行重新拟合,减少特征信息的丢失。卷积神经网络模型中的输出层主要是输出对待处理数据的识别结果。需要说明的是,如果待处理数据是待处理视频,那么输出层输出的是待处理视频中每帧图像的识别结果。
在本申请实施例中,可以使用卷积神经网络模型识别出待处理数据中的目标或者识别待处理数据的类别,例如识别一张图片中的人脸或者识别该张图片的类别,将一张图片输入至卷积神经网络模型中的输入层,该输入层对该图片进行预处理,将预处理之后的图片输入至卷积层,在该卷积层中先对预处理之后的图片进行卷积操作,获取图片的特征图,再使用激活函数对特征图进行非线性映射,将非线性映射后的特征图输入至全连接层,该全连接层对特征图中的特征进行重新拟合,最后将全连接层的输出结果输入至输出层,该输出层输出图片中人脸属于用户A或者输出该张图片为人物图片。
本申请实施例在将待处理数据输入至卷积神经网络模型的卷积层中,在所述卷积层中对所述待处理数据进行卷积操作,并使用激活函数处理卷积结果,从而将现有卷积神经网络模型中的激活层合进卷积层,减少了激活层导致的一些数据处理过程,加速了卷积神经网络模型的前向推理,提高了卷积神经网络模型的运行效率以及对待处理数据的识别效率。
参见图2,是本申请实施例二提供的加速卷积神经网络模型前向推理的方法的实现流程示意图,如图所示该方法可以包括以下步骤:
步骤S201,将待处理数据输入至卷积神经网络模型中的卷积层。
该步骤与步骤S101相同,具体可参见步骤S101的相关描述,在此不再赘述。
步骤S202,检测在所述卷积层中是否进行批归一化操作。
卷积神经网络模型可能包括多个卷积层,但并不是所有卷积层之后都存在归一化层,对于之后存在归一化层的卷积层,在进行卷积操作之后,存在一个暂存数据和读取数据的过程,增加了数据处理过程,为了减少归一化层增加的上述数据处理过程,本申请实施例将归一化层合进卷积层,在卷积完成之后直接进行批归一化操作,减少了一个暂存数据和读取数据的过程。其中,归一化层是对卷积操作所得的结果进行批归一化操作。
在本申请实施例中,可以将卷积层的步长设置为2,当步长为2时,卷积操作中卷积核滑动的结果与使用最大池化的效果一致,因此将步长设置为2可以代替池化层,从而减少池化层增加的数据处理过程。所述卷积层的步长具体是指卷积核遍历卷积结果时的步长。一个卷积结果通常是一个特征矩阵。
可选的,所述对卷积结果进行批归一化操作包括:
使用公式对多个卷积结果中每个卷积结果x进行批归一化操作,其中,n为多个卷积结果的总数,/>为多个卷积结果的均值。
在本申请实施例中,在卷积层中对待处理数据进行卷积操作之后,可能会得到多个卷积结果,可以使用公式对多个卷积结果中的每个卷积结果x进行批归一化操作,上述公式所得值即为卷积结果x对应的批归一化结果。
步骤S203,若在所述卷积层中进行批归一化操作,则在所述卷积层中对所述待处理数据进行卷积操作,对卷积结果进行批归一化操作,并使用激活函数处理批归一化结果。
在本申请实施例中,若卷积层中进行批归一化操作,则可以先对卷积结果进行批归一化操作,再使用激活函数处理批归一化操作所得结果,从而将批归一化层、激活层均合进卷积层,减少批归一化层和激活层导致的数据处理过程。如图3所示是卷积神经网络模型示例图,由图3可以看出本申请实施例对现有卷积神经网络模型进行改进,将批归一化层、激活层、池化层均合进卷积层。
本申请实施例通过将现有卷积神经网络模型中的批归一化层、激活层、池化层均合进卷积层,减少了批归一化层、激活层、池化层导致的一些数据处理过程,加速了卷积神经网络模型的前向推理,提高了卷积神经网络模型的运行效率以及对待处理数据的识别效率。
参见图4,是本申请实施例三提供的加速卷积神经网络模型前向推理的装置的示意图,为了便于说明,仅示出了与本申请实施例相关的部分。
所述装置包括:
数据输入模块41,用于将待处理数据输入至所述卷积神经网络模型中的卷积层;
数据处理模块42,用于在所述卷积层中对所述待处理数据进行卷积操作,并使用激活函数处理卷积结果,其中,所述卷积结果是指对所述待处理数据进行卷积操作后所得的结果。
可选的,所述装置还包括:
检测模块43,用于检测在所述卷积层中是否进行批归一化操作。
可选的,所述数据处理模块42具体用于:
若在所述卷积层中进行批归一化操作,则在所述卷积层中对所述待处理数据进行卷积操作,对卷积结果进行批归一化操作,并使用激活函数处理批归一化结果,其中,所述批归一化结果是指对所述卷积结果进行批归一化操作后所得的结果。
可选的,所述数据处理模块42具体用于:
使用公式对多个卷积结果中每个卷积结果x进行批归一化操作,其中,n为多个卷积结果的总数,/>为多个卷积结果的均值。
可选的,所述卷积层的步长为2。
可选的,所述待处理数据包括待处理图片和待处理视频。
可选的,所述装置还包括:
结果输入模块44,用于将激活函数的处理结果输入至所述卷积神经网络模型中的全连接层;
结果输出模块45,用于将所述全连接层的输出结果输入至所述卷积神经网络模型中的输出层,输出对所述待处理数据的识别结果。
本申请实施例提供的装置可以应用在前述方法实施例一和实施例二中,详情参见上述方法实施例一和实施例二的描述,在此不再赘述。
图5是本申请实施例四提供的智能终端的示意图。如图5所示,该实施例的智能终端5包括:处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个信息处理方法实施例中的步骤,例如图1所示的步骤S101至S102。或者,所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块/单元的功能,例如图4所示模块41至45的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述智能终端5中的执行过程。例如,所述计算机程序52可以被分割成数据输入模块、数据处理模块以及检测模块,各模块具体功能如下:
数据输入模块,用于将待处理数据输入至所述卷积神经网络模型中的卷积层;
数据处理模块,用于在所述卷积层中对所述待处理数据进行卷积操作,并使用激活函数处理卷积结果,其中,所述卷积结果是指对所述待处理数据进行卷积操作后所得的结果。
可选的,检测模块,用于检测在所述卷积层中是否进行批归一化操作。
可选的,所述数据处理模块具体用于:
若在所述卷积层中进行批归一化操作,则在所述卷积层中对所述待处理数据进行卷积操作,对卷积结果进行批归一化操作,并使用激活函数处理批归一化结果,其中,所述批归一化结果是指对所述卷积结果进行批归一化操作后所得的结果。
可选的,所述数据处理模块具体用于:
使用公式对多个卷积结果中每个卷积结果x进行批归一化操作,其中,n为多个卷积结果的总数,/>为多个卷积结果的均值。
可选的,所述卷积层的步长为2。
可选的,所述待处理数据包括待处理图片和待处理视频。
可选的,结果输入模块,用于将激活函数的处理结果输入至所述卷积神经网络模型中的全连接层;
结果输出模块,用于将所述全连接层的输出结果输入至所述卷积神经网络模型中的输出层,输出对所述待处理数据的识别结果。
所述智能终端5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述智能终端可包括,但不仅限于,处理器50、存储器51。本领域技术人员可以理解,图5仅仅是智能终端5的示例,并不构成对智能终端5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述智能终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50可以是中央处理单元(Central Processing Unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述智能终端5的内部存储单元,例如智能终端5的硬盘或内存。所述存储器51也可以是所述智能终端5的外部存储设备,例如所述智能终端5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述智能终端5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述智能终端所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/智能终端和方法,可以通过其它的方式实现。例如,以上所描述的装置/智能终端实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (6)
1.基于卷积神经网络的图像识别方法,其特征在于,所述方法包括:
将待处理图片输入至所述卷积神经网络模型中的卷积层;
在所述卷积层中对所述待处理图片进行卷积操作,并使用激活函数处理卷积结果,其中,所述卷积结果是指对所述待处理图片进行卷积操作后所得的结果;
将激活函数的处理结果输入至所述卷积神经网络模型中的全连接层;
将所述全连接层的输出结果输入至所述卷积神经网络模型中的输出层,输出对所述待处理图片的识别结果;
所述在所述卷积层中对所述待处理图像进行卷积操作,并使用激活函数处理卷积结果包括:
若在所述卷积层中进行批归一化操作,则在所述卷积层中对所述待处理图像进行卷积操作,对卷积结果进行批归一化操作,并使用激活函数处理批归一化结果,其中,所述批归一化结果是指对所述卷积结果进行批归一化操作后所得的结果;
所述对卷积结果进行批归一化操作包括:
使用公式对多个卷积结果中每个卷积结果x进行批归一化操作,其中,n为多个卷积结果的总数,/>为多个卷积结果的均值。
2.如权利要求1所述的方法,其特征在于,在将待处理图像输入至所述卷积神经网络模型中的卷积层之后,还包括:
检测在所述卷积层中是否进行批归一化操作。
3.如权利要求1所述的方法,其特征在于,所述卷积层的步长为2。
4.基于卷积神经网络的图像识别装置,其特征在于,所述装置包括:
数据输入模块,用于将待处理图像输入至所述卷积神经网络模型中的卷积层;
数据处理模块,用于在所述卷积层中对所述待处理图像进行卷积操作,并使用激活函数处理卷积结果,其中,所述卷积结果是指对所述待处理图像进行卷积操作后所得的结果;
结果输入模块,用于将激活函数的处理结果输入至所述卷积神经网络模型中的全连接层;
结果输出模块,用于将所述全连接层的输出结果输入至所述卷积神经网络模型中的输出层,输出对所述待处理图片的识别结果;
所述数据处理模块具体用于:
若在所述卷积层中进行批归一化操作,则在所述卷积层中对所述待处理图像进行卷积操作,对卷积结果进行批归一化操作,并使用激活函数处理批归一化结果,其中,所述批归一化结果是指对所述卷积结果进行批归一化操作后所得的结果;
使用公式对多个卷积结果中每个卷积结果x进行批归一化操作,其中,n为多个卷积结果的总数,/>为多个卷积结果的均值。
5.一种智能终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至3任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625609.2A CN111382831B (zh) | 2018-12-28 | 2018-12-28 | 加速卷积神经网络模型前向推理的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625609.2A CN111382831B (zh) | 2018-12-28 | 2018-12-28 | 加速卷积神经网络模型前向推理的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111382831A CN111382831A (zh) | 2020-07-07 |
CN111382831B true CN111382831B (zh) | 2024-04-16 |
Family
ID=71220778
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811625609.2A Active CN111382831B (zh) | 2018-12-28 | 2018-12-28 | 加速卷积神经网络模型前向推理的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111382831B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113012220A (zh) * | 2021-02-02 | 2021-06-22 | 深圳市识农智能科技有限公司 | 一种果实计数方法、装置及电子设备 |
CN112948126A (zh) * | 2021-03-29 | 2021-06-11 | 维沃移动通信有限公司 | 数据处理方法、装置及芯片 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
CN106780512A (zh) * | 2016-11-30 | 2017-05-31 | 厦门美图之家科技有限公司 | 分割图像的方法、应用及计算设备 |
CN108364000A (zh) * | 2018-03-26 | 2018-08-03 | 南京大学 | 一种基于神经网络人脸特征提取的相似度获得方法 |
CN108701250A (zh) * | 2017-10-16 | 2018-10-23 | 深圳市大疆创新科技有限公司 | 数据定点化方法和装置 |
-
2018
- 2018-12-28 CN CN201811625609.2A patent/CN111382831B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106228512A (zh) * | 2016-07-19 | 2016-12-14 | 北京工业大学 | 基于学习率自适应的卷积神经网络图像超分辨率重建方法 |
CN106780512A (zh) * | 2016-11-30 | 2017-05-31 | 厦门美图之家科技有限公司 | 分割图像的方法、应用及计算设备 |
CN108701250A (zh) * | 2017-10-16 | 2018-10-23 | 深圳市大疆创新科技有限公司 | 数据定点化方法和装置 |
CN108364000A (zh) * | 2018-03-26 | 2018-08-03 | 南京大学 | 一种基于神经网络人脸特征提取的相似度获得方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111382831A (zh) | 2020-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108733342B (zh) | 音量调节方法、移动终端及计算机可读存储介质 | |
CN109144647B (zh) | 一种表单设计方法与装置、终端设备以及存储介质 | |
CN111144242B (zh) | 一种三维目标检测方法、装置及终端 | |
CN108765340B (zh) | 模糊图像处理方法、装置及终端设备 | |
CN109345553B (zh) | 一种手掌及其关键点检测方法、装置和终端设备 | |
CN109739223B (zh) | 机器人避障控制方法、装置、终端设备及存储介质 | |
CN110119733B (zh) | 书页识别方法及装置、终端设备、计算机可读存储介质 | |
CN108880700B (zh) | 时钟信号的频率跳变方法、频率跳变装置及移动终端 | |
CN111553215A (zh) | 人员关联方法及其装置、图卷积网络训练方法及其装置 | |
CN112990318B (zh) | 持续学习方法、装置、终端及存储介质 | |
CN110751218A (zh) | 图像分类方法、图像分类装置及终端设备 | |
CN111382831B (zh) | 加速卷积神经网络模型前向推理的方法及装置 | |
US11615607B2 (en) | Convolution calculation method, convolution calculation apparatus, and terminal device | |
CN112181386B (zh) | 一种基于软件持续集成的代码构建方法、装置及终端 | |
WO2022041188A1 (zh) | 用于神经网络的加速器、方法、装置及计算机存储介质 | |
CN112668577A (zh) | 大尺度图像中目标物体的检测方法、终端及装置 | |
CN113987152B (zh) | 一种知识图谱抽取方法、系统、电子设备及介质 | |
CN107679222B (zh) | 图片处理方法、移动终端及计算机可读存储介质 | |
CN111754435A (zh) | 图像处理方法、装置、终端设备及计算机可读存储介质 | |
CN109559319B (zh) | 一种法线贴图的处理方法及终端 | |
CN110705653A (zh) | 图像分类方法、图像分类装置及终端设备 | |
CN111178513A (zh) | 神经网络的卷积实现方法、卷积实现装置及终端设备 | |
CN111931937B (zh) | 图像处理模型的梯度更新方法、装置及系统 | |
CN115909009A (zh) | 图像识别方法、装置、存储介质及电子设备 | |
CN111079771B (zh) | 点读图像的特征提取方法、系统、终端设备及存储介质 |
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 | ||
CB02 | Change of applicant information |
Address after: 516006 TCL science and technology building, No. 17, Huifeng Third Road, Zhongkai high tech Zone, Huizhou City, Guangdong Province Applicant after: TCL Technology Group Co.,Ltd. Address before: 516006 Guangdong province Huizhou Zhongkai hi tech Development Zone No. nineteen District Applicant before: TCL Corp. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |