The invention relates to a construction method of binary convolution neural network suitable for embedded platform, which includes the following steps: collecting ImageNet data set and dividing the obtained ImageNet data set into training set, verification set and test set; (2) training and validation of XNOR Net binary neural network model according to the obtained training set and verification set, and getting training. After the binary neural network model; _: The scaling operation and batch normalization operation of the trained binary network model are integrated and transplanted into the embedded system; _: The test set is input into the embedded system to test the performance of the model. The method can improve the network operation speed while maintaining the accuracy of network classification, and can promote the deployment of binary convolution neural network on embedded system and FPGA.
【技术实现步骤摘要】
一种适用于嵌入式平台的二值化卷积神经网络的构建方法
本专利技术涉及一种适用于嵌入式平台的二值化卷积神经网络的构建方法。
技术介绍
随着深度学习的不断发展,其在工业中的应用越来越广泛。深度学习技术大大改善了工业应用的智能及其自动化水平。其中,卷积神经网络是众多神经网络中最具有吸引力的一种神经网络,并且已经在大数据分析、故障诊断等领域得到广泛的应用。其中,卷积神经网络在计算机视觉方面的应用更为广泛,例如目标检测、物体跟踪等任务。在使用卷积神经网络时,为了获得较高的准确率,研究者都趋向于构造更深层和更复杂的神经网络,这样将需要较大的网络数据存储和计算开销。而在一些情况下需要在计算能力和存储空间有限的设备上部署卷积神经网络模型。为了解决该问题,量化、裁剪等方法被提出。其中,量化方法在计算和存储资源优先的设别上更加适用。在各种量化方法中,二值化是效率相对较高的方法,因为二值化将浮点运算转化为位运算。基于此,一些二值化量化方法被提出。首先是对二值卷积中的权重的输入数据进行二值化,随后有引入了缩放因子和批归一化运算。添加缩放因子和批归一化可以将二值卷积神经网络的性能提高17%,但是同时也会带来额外的计算量,使二值化卷积神经网络依然难在计算资源有限的设备上进行部署。
技术实现思路
有鉴于此,本专利技术的目的在于提供一种适用于嵌入式平台的二值化卷积神经网络的构建方法,通过降低网络中的浮点运算的数量以加速深度卷积网络的运算,可促进其在嵌入式平台及FPGA硬件上进行部署。为实现上述目的,本专利技术采用如下技术方案:一种适用于嵌入式平台的二值化卷积神经网络的构建方法,包括以下步骤:步 ...
【技术保护点】
1.一种适用于嵌入式平台的二值化卷积神经网络的构建方法,其特征在于,包括以下步骤:步骤S1:采集ImageNet数据集,并将得到ImageNet数据集分为训练集、验证集和测试集;步骤S2:根据得到的训练集和验证集,对XNOR‑Net二值化神经网络模型进行训练,并验证,得到训练后的二值化神经网络模型;步骤S3:将训练好的二值化网络模型中的缩放操作和批归一化操作进行整合,并移植到嵌入式系统中;步骤S4:将测试集输入嵌入式系统中,对模型进行性能测试。
【技术特征摘要】
1.一种适用于嵌入式平台的二值化卷积神经网络的构建方法,其特征在于,包括以下步骤:步骤S1:采集ImageNet数据集,并将得到ImageNet数据集分为训练集、验证集和测试集;步骤S2:根据得到的训练集和验证集,对XNOR-Net二值化神经网络模型进行训练,并验证,得到训练后的二值化神经网络模型;步骤S3:将训练好的二值化网络模型中的缩放操作和批归一化操作进行整合,并移植到嵌入式系统中;步骤S4:将测试集输入嵌入式系统中,对模型进行性能测试。2.根据权利要求1所述的一种适用于嵌入式平台的二值化卷积神经网络的构建方法,其特征在于:所述ImageNet数据集包括1000种类别,分为126万张训练集、5万张验证集和10万张测试集。3.根据权利要求1所述的一种适用于嵌入式平台的二值化卷积神经网络的构建方法,其特征在于:所述步骤S2具体为:步骤S1:目标分类采用的二值化神经网络为XNOR-Net网络,XNOR-Net网络模型的基础结构为AlexNet网络,将输入网络的数据和网络中的权重进行二值化操作,二值化操作的公式如下:其中,x为输入和网络中的权重。在XNOR-Net中,为了减少二值化所引起的信息损...
【专利技术属性】
技术研发人员:陈志聪,吴丽君,蒋佩卿,赖云锋,林旭,洪志宸,林培杰,程树英,
申请(专利权)人:福州大学,
类型:发明
国别省市:福建,35
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。