数据存储方法、装置及计算机可读存储介质制造方法及图纸
【技术实现步骤摘要】
数据存储方法、装置及计算机可读存储介质
本公开涉及网络
，尤其涉及一种深度卷积神经网络模型中的数据存储方法、装置及计算机可读存储介质。
技术介绍
深度卷积神经网络模型是一种能够高效的进行图像识别的网络模型。也即是，可以通过深度卷积神经网络模型包括的卷积层、激活层、池化层和全连接层对图像进行处理，最后通过深度卷积神经网络模型包括的类别概率层输出最终的图像识别结果。在使用深度卷积神经网络模型对图像进行识别之前，需要先对深度卷积神经网络模型进行训练。在对深度卷积神经网络模型进行训练的过程中，深度卷积神经网络模型中包括的每一层都会有输入数据和输出数据，相关技术中，对于深度卷积神经网络模型中包括的每一层，获得该层的输入数据后，可以新申请一个存储空间来存储该层的输入数据，之后，若获得该层的输出数据，再新申请一个存储空间来存储该层的输出数据。
技术实现思路
为克服相关技术中存在的问题，本公开提供一种深度卷积神经网络模型中的数据存储方法、装置及计算机可读存储介质。根据本公开实施例的第一方面，提供一种深度卷积神经网络模型中的数据存储方法，包括：在训练深度卷积神经网络模型的过程中，...
【技术保护点】
一种深度卷积神经网络模型中的数据存储方法，其特征在于，所述方法包括：在训练深度卷积神经网络模型的过程中，确定所述深度卷积神经网络模型中位于第一目标层之前的第二目标层；其中，所述第一目标层为所述深度卷积神经网络模型中包括的任一层，所述第二目标层的目标数据不会输入到位于所述第一目标层之后的层，所述第二目标层的目标数据为所述第二目标层的输入数据或输出数据；获取所述第一目标层的输入数据，并将所述第一目标层的输入数据存储到所述第二目标层的目标数据的存储空间中。
【技术特征摘要】
1.一种深度卷积神经网络模型中的数据存储方法，其特征在于，所述方法包括：在训练深度卷积神经网络模型的过程中，确定所述深度卷积神经网络模型中位于第一目标层之前的第二目标层；其中，所述第一目标层为所述深度卷积神经网络模型中包括的任一层，所述第二目标层的目标数据不会输入到位于所述第一目标层之后的层，所述第二目标层的目标数据为所述第二目标层的输入数据或输出数据；获取所述第一目标层的输入数据，并将所述第一目标层的输入数据存储到所述第二目标层的目标数据的存储空间中。2.根据权利要求1所述的方法，其特征在于，所述获取所述第一目标层的输入数据之前，还包括：将所述第二目标层的目标数据的名称、所述第一目标层的上一层的输出数据的名称和所述第一目标层的输入数据的名称设置为相同的名称；相应地，所述获取所述第一目标层的输入数据，并将所述第一目标层的输入数据存储到所述第二目标层的目标数据的存储空间中，包括：当获取到所述第一目标层的上一层的输出数据时，根据所述第一目标层的上一层的输出数据的名称，确定目标存储空间，所述目标存储空间用于存储具有所述第一目标层的上一层的输出数据的名称的数据；根据所述第一目标层的上一层的输出数据，确定所述第一目标层的输入数据；将所述第一目标层的输入数据存储到所述目标存储空间中。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一目标层的上一层的输出数据，确定所述第一目标层的输入数据，包括：当将所述第一目标层的上一层的输出数据输入到所述第一目标层时，将所述第一目标层的上一层的输出数据确定为所述第一目标层的输入数据。4.根据权利要求2所述的方法，其特征在于，所述根据所述第一目标层的上一层的输出数据，确定所述第一目标层的输入数据，包括：当将所述第一目标层的上一层的输出数据与所述第二目标层的目标数据之和输入到所述第一目标层时，获取所述目标存储空间中存储的数据；将获取的数据与所述第一目标层的上一层的输出数据相加，得到所述第一目标层的输入数据。5.根据权利要求1-4任一所述的方法，其特征在于，所述深度卷积神经网络模型为深度卷积残差网络模型。6.一种深度卷积神经网络模型中的数据存储装置，其特征在于，所述装置包括：确定模块，用于在训练深度...
【专利技术属性】
技术研发人员：万韶华，
申请(专利权)人：北京小米移动软件有限公司，
类型：发明
国别省市：北京,11
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。