一种基于神经网络的调整方法、装置及设备制造方法及图纸

本发明专利技术实施例提供了一种基于神经网络的调整方法、装置及设备，方法包括：利用推理引擎的组件，对待调整的神经网络进行多次调整，每次调整后，将输入数据输入至调整后的神经网络，得到输出数据，将每次得到的输出数据进行对比，确定最优次输出数据对应的调整后的神经网络；最优次输出数据对应的调整后的神经网络，也就是最适应该输入数据的神经网络，因此，利用本方案，提高了神经网络对数据的适应性。

An Adjustment Method, Device and Equipment Based on Neural Network

The embodiment of the present invention provides an adjustment method, device and device based on neural network. The method includes: using the components of reasoning engine, adjusting the adjusted neural network several times, after each adjustment, input data is input to the adjusted neural network, output data is obtained, output data is compared each time, and the optimal output data is determined. The adjusted neural network; the adjusted neural network corresponding to the optimal secondary output data, that is, the neural network most suitable for the input data. Therefore, the adaptability of the neural network to the data is improved by using this scheme.

【技术实现步骤摘要】
一种基于神经网络的调整方法、装置及设备
本专利技术涉及机器学习
，特别是涉及一种基于神经网络的调整方法、装置及设备。
技术介绍
神经网络已经广泛应用于机器学习领域，利用神经网络可以对各种数据进行分析处理，比如，提取图像特征、人脸识别等等。通常情况下，对神经网络训练完成后，便可以利用该神经网络对输入数据进行处理，得到的输出数据即为处理结果。上述方案中，神经网络训练完成后，网络中的层级、计算参数等不再改变，针对大量数据，利用同一神经网络，导致该神经网络对数据的适应性较差。
技术实现思路
本专利技术实施例的目的在于提供一种基于神经网络的调整方法、装置及设备，以提高神经网络对数据的适应性。为达到上述目的，本专利技术实施例提供了一种基于神经网络的调整方法，包括：获取待调整的神经网络及输入数据；将所述待调整的神经网络输入推理引擎；利用所述推理引擎的组件，对所述待调整的神经网络进行多次调整，得到每次调整后的神经网络；针对每次调整后的神经网络，将所述输入数据输入该次调整后的神经网络，得到该次输出数据；将每次输出数据进行对比，确定最优次输出数据对应的调整后的神经网络。可选的，在所述获取待调整的神经网本文档来自技高网...

【技术保护点】
1.一种基于神经网络的调整方法，其特征在于，包括：获取待调整的神经网络及输入数据；将所述待调整的神经网络输入推理引擎；利用所述推理引擎的组件，对所述待调整的神经网络进行多次调整，得到每次调整后的神经网络；针对每次调整后的神经网络，将所述输入数据输入该次调整后的神经网络，得到该次输出数据；将每次输出数据进行对比，确定最优次输出数据对应的调整后的神经网络。

【技术特征摘要】
1.一种基于神经网络的调整方法，其特征在于，包括：获取待调整的神经网络及输入数据；将所述待调整的神经网络输入推理引擎；利用所述推理引擎的组件，对所述待调整的神经网络进行多次调整，得到每次调整后的神经网络；针对每次调整后的神经网络，将所述输入数据输入该次调整后的神经网络，得到该次输出数据；将每次输出数据进行对比，确定最优次输出数据对应的调整后的神经网络。2.根据权利要求1所述的方法，其特征在于，在所述获取待调整的神经网络及输入数据之后，还包括：根据预先获取的配置信息，对所述输入数据进行调整，得到调整后的输入数据；所述针对每次调整后的神经网络，将所述输入数据输入该次调整后的神经网络，得到该次输出数据，包括：针对每次调整后的神经网络，将所述调整后的输入数据输入该次调整后的神经网络，得到该次输出数据。3.根据权利要求2所述的方法，其特征在于，所述根据预先获取的配置信息，对所述输入数据进行调整，得到调整后的输入数据，包括：根据预先获取的配置信息，对所述输入数据进行以下至少一种调整，得到调整后的输入数据：对所述输入数据进行数据类型调整；对所述输入数据进行分辨率调整；对所述输入数据进行拼帧处理。4.根据权利要求1所述的方法，其特征在于，在所述利用所述推理引擎的组件，对所述待调整的神经网络进行多次调整，得到每次调整后的神经网络之前，还包括：在推理引擎的组件中，确定适用于所述待调整的神经网络的多个组件；其中，所述推理引擎的组件包括以下三种组件中至少一种：对神经网络的批处理数据量进行调整的组件；对神经网络层级进行融合的组件；对神经网络运算单元进行调整的组件；若确定出不同种类的组件，则将所述不同种类的组件进行组合，得到多个组件组合；所述利用所述推理引擎的组件，对所述待调整的神经网络进行多次调整，得到每次调整后的神经网络，包括：每次利用一个组件组合对所述待调整的神经网络进行调整，得到每次调整后的神经网络。5.根据权利要求4所述的方法，其特征在于，所述对神经网络的批处理数据量进行调整的组件中包含多个组件，其中不同组件将神经网络的批处理数据量调整为不同数值；所述对神经网络层级进行融合的组件，包括：对神经网络层级进行水平融合的组件、对神经网络层级进行垂直融合的组件；所述对神经网络运算单元进行调整的组件，包括：对神经网络的汇编指令集进行调整的组件；对神经网络各层级间的对齐方式进行调整的组件；对神经网络的卷积算法进行调整的组件。6.根据权利要求4所述的方法，其特征在于，在所述确定最优次输出数据对应的调整后的神经网络之后，还包括：记录调整得到最优神经网络所利用的组件组合，所述最优神经网络为所述优次输出数据对应的调整后的神经网络，所述组件组合中包括顺序排列的多个组件。7.根据权利要求1所述的方法，其特征在于，在所述确定最优次输出数据对应的调整后的神经网络之后，还包括：记录调整得到最优神经网络所利用的组件，所述最优神经网络为所述优次输出数据...

【专利技术属性】
技术研发人员：叶挺群，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：浙江,33