The embodiment of the invention discloses an optimization method and a device for a neural network. The method includes: acquiring with neural network initial setting accuracy conditions, determine the weight parameter matrix which is adjacent to the initial neural network in two layer nodes; according to the set threshold delete processing the weight parameter matrix, determined to be deleted except the initial nodes in the neural network; remove the unit node form the target optimized neural network. Using this method, can be simple and efficient compression of the neural network, realize the optimization of the neural network, resulting in the face recognition based on neural network optimization, to speed up the recognition processing speed, shorten the recognition processing time, reduce the storage and operation of memory and memory space occupied by the purpose.
【技术实现步骤摘要】
本专利技术实施例涉及人工神经网络
,尤其涉及一种神经网络的优化方法及装置。
技术介绍
目前,通常基于训练好的神经网络模型(如深度卷积神经网络模型)进行人脸识别。在使用神经网络模型进行人脸识别时,存在的问题如下:1、对图像数据处理计算的复杂度较高,影响运算时间(如,在配置有酷睿i7处理器的电子设备上处理人脸图像时往往要耗费1秒以上的时间);2、在处理过程中需要占用较大的内存空间或显卡显存空间;3、还需要占用较大存储空间来存放整个神经网络模型。现有的神经网络模型的优化方法,并不能完全解决上述存在的问题,如,采用霍夫曼编码的形式进行的优化,能够保证优化后神经网络模型的处理计算精度,并有效的降低深度神经网络模型的存储空间,但不能降低处理运算的复杂度,缩短运行时间,同时也不能降低处理过程中对内存或显存的空间占用。
技术实现思路
本专利技术实施例提供了一种神经网络的优化方法及装置,能够实现神经网络的优化,达到缩短运行时间、降低装置资源空间占用的目的。一方面,本专利技术实施例提供了一种神经网络的优化方法,包括:获取符合设定精度条件的初始神经网络,确定所述初始神经网络中相邻两层单元节点间的权重参数矩阵;根据设定的删除阈值处理所述权重参数矩阵,确定所述初始神经网络中待删除的单元节点;删除所述单元节点形成优化后的目标神经网络。另一方面,本专利技术实施例提供了一种神经网络的优化装置,包括:参数矩阵确定模块,用于获取符合设定精度条件的初始神经网络,确定所述初始神经网络中相邻两层单元节点间的权重参数矩阵;待删除节点确定模块,用于根据设定的删除阈值处理所述权重参数矩阵,确定所述初 ...
【技术保护点】
一种神经网络的优化方法,其特征在于,包括:获取符合设定精度条件的初始神经网络,确定所述初始神经网络中相邻两层单元节点间的权重参数矩阵;根据设定的删除阈值处理所述权重参数矩阵,确定所述初始神经网络中待删除的单元节点;删除所述单元节点形成优化后的目标神经网络。
【技术特征摘要】
1.一种神经网络的优化方法,其特征在于,包括:获取符合设定精度条件的初始神经网络,确定所述初始神经网络中相邻两层单元节点间的权重参数矩阵;根据设定的删除阈值处理所述权重参数矩阵,确定所述初始神经网络中待删除的单元节点;删除所述单元节点形成优化后的目标神经网络。2.根据权利要求1所述的方法,其特征在于,确定所述初始神经网络中相邻两层单元节点间的权重参数矩阵包括:如果所述初始神经网络中相邻两层单元节点间的连接为全连接,则基于单元节点间连线对应的权重参数值形成二维权重参数矩阵;如果所述初始神经网络中相邻两层单元节点间的连接为卷积连接,则基于单元节点间连线对应的权重参数数组形成多维权重参数矩阵。3.根据权利要求2所述的方法,其特征在于,根据设定的删除阈值处理所述权重参数矩阵,确定所述初始神经网络中待删除的单元节点包括:如果所述权重参数矩阵为二维权重参数矩阵,则基于所述二维权重参数矩阵中的列向量确定所述初始神经网络中待删除的单元节点;如果所述权重参数矩阵为多维权重参数矩阵,则基于降维后的多维权重参数矩阵确定所述初始神经网络中待删除的单元节点。4.根据权利要求3所述的方法,其特征在于,基于所述二维权重参数矩阵中的列向量确定所述初始神经网络中待删除的单元节点包括:获取所述二维权重参数矩阵中第i列的列向量;如果所述第i列的列向量中包括的权重参数值均小于设定的第一删除阈值,则将相邻两层中第二层的第i个单元节点确定为所述初始神经网络中待删除的单元节点。5.根据权利要求3所述的方法,其特征在于,基于降维后的多维权重参数矩阵确定所述初始神经网络中待删除的单元节点包括:对所述多维权重参数矩阵进行降维处理,形成二维的目标权重参数矩阵;获取所述目标权重参数...
【专利技术属性】
技术研发人员:张玉兵,
申请(专利权)人:广州视源电子科技股份有限公司,
类型:发明
国别省市:广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。