卷积神经网络模型检验方法及装置制造方法及图纸

本申请提供一种卷积神经网络模型检验方法及装置，在卷积神经网络模型处理图片时，生成卷积神经网络模型每个网络层或每个通道对应的可视化检验图片，将卷积神经网络模型的抽象处理过程转换为可视化的结果，以对每个网络层或每个通道的有效性进行检验，从而可以准确定位出卷积神经网络模型中出现问题的地方。

Method and Device for Model Checking of Convolutional Neural Network

This application provides a method and device for model checking of convolutional neural network. When processing pictures with convolutional neural network model, visual checking pictures corresponding to each network layer or channel of convolutional neural network model are generated. The abstract processing process of convolutional neural network model is transformed into visual results to check the validity of each network layer or channel. Thus, we can accurately locate the problems in the convolutional neural network model.

【技术实现步骤摘要】
卷积神经网络模型检验方法及装置
本申请涉及数据处理
，具体而言，涉及一种卷积神经网络模型检验方法及装置。
技术介绍
卷积神经网络(ConvolutionalNeuralNetwork，CNN)是一种被广泛应用的深度学习网络结构，卷积神经网络由多个卷积层、池化层和全连接层构成，可以有效地利用输入数据的二维结构进行识别或分类处理。例如在图像处理中，卷积神经网络可以通过逐层抽象及多次非线性变换，将低层的视觉信息转换为高层的图像语义。但是，由于卷积神经网络模型中每个网络层的处理原理较为抽象不易被理解，通常通过验证卷积神经网络模型最后一层的输出判断模型的有效性。这种仅对输出结果进行检验的方式，在模型内部参数出现问题时无法准确地定位问题症结。
技术实现思路
为了克服现有技术中的上述不足，本申请的目的之一在于提供一种卷积神经网络模型检验方法，所述方法包括：获取测试图片，并将所述测试图片输入训练完成的卷积神经网络模型；获取所述卷积神经网络模型在处理所述测试图片的过程中，各网络层中每个通道输出的特征图，其中，所述特征图为多个特征值组成的矩阵；针对每个所述特征图中的多个特征值进行正则化处理，并分别将正本文档来自技高网...

【技术保护点】
1.一种卷积神经网络模型检验方法，其特征在于，所述方法包括：获取测试图片，并将所述测试图片输入训练完成的卷积神经网络模型；获取所述卷积神经网络模型在处理所述测试图片的过程中，各网络层中每个通道输出的特征图，其中，所述特征图为多个特征值组成的矩阵；针对每个所述特征图中的多个特征值进行正则化处理，并分别将正则化处理后的多个特征值转化至预设可视化像素值区间，得到与该特征图对应的可视化检验图片；将所述可视化检验图片中纯色图片或噪声图片对应的通道确定为出现问题的通道。

【技术特征摘要】
1.一种卷积神经网络模型检验方法，其特征在于，所述方法包括：获取测试图片，并将所述测试图片输入训练完成的卷积神经网络模型；获取所述卷积神经网络模型在处理所述测试图片的过程中，各网络层中每个通道输出的特征图，其中，所述特征图为多个特征值组成的矩阵；针对每个所述特征图中的多个特征值进行正则化处理，并分别将正则化处理后的多个特征值转化至预设可视化像素值区间，得到与该特征图对应的可视化检验图片；将所述可视化检验图片中纯色图片或噪声图片对应的通道确定为出现问题的通道。2.根据权利要求1所述的方法，其特征在于，所述针对每个所述特征图中的多个特征值进行正则化处理的步骤，包括：针对该特征图中的每个特征值，将该特征值减去该特征图的特征值均值，再除以该特征图的特征值方差，得到正则化处理后的特征值。3.根据权利要求2所述的方法，其特征在于，所述预设可视化像素区间为0～255的数值区间；所述分别将正则化处理后的多个特征值转化至预设可视化像素值区间的步骤，包括：分别将每个所述正则化处理后的特征值乘以64后加上128，得到相应的中间特征值；将所述中间特征值中大于255的中间特征值替换为255，将所述中间特征值中小于0的中间特征值替换为0。4.根据权利要求1所述的方法，其特征在于，所述将所述可视化检验图片中纯色图片或噪声图片对应的通道确定为出现问题的通道的步骤，包括：提供一显示界面，在所述显示界面为用户显示多个所述可视化检验图片；将用户选中的纯色图片或噪声图片对应的通道确定为出现问题的通道。5.一种卷积神经网络模型检验方法，其特征在于，所述方法包括：随机生成像素值在预设范围内的测试图片，并将所述测试图片输入训练完成的卷积神经网络模型；针对所述卷积神经网络模型中每个网络层的每个通道，获得所述卷积神经网络模型在处理所述测试图片时该通道输出的特征图，所述特征图为多个特征值组成的矩阵；针对每个特征图，以该特征图的特征值均值作为损失值，将该损失值的函数在所述卷积神经网络模型中进行反向传播求导，得到与该特征图对应的导数矩阵，并对所述导数矩阵进行梯度化处理，得到各特征图对应的梯度矩阵，其中，所述梯度矩阵的尺寸与所述测试图片的尺寸相同；将每个通道的梯度矩阵的每个值与所述测试图片对应的像素值相加后得到的累加图像再次输入所述卷积神经网络模型并重复进行迭代处理；获得预设次数迭代处理后每个所述通道得到的累加图像，并分别将各通道的累加图像中的值转换至预设可视化像素值区间，得到与该特征图对应的可视化检验图片；将所述可视化检验图片中纯色图片或噪声图片对应的通道确定为出现问题的通道。6.根据权利要求5所述的方法，其...

【专利技术属性】
技术研发人员：王辰龙，
申请(专利权)人：厦门美图之家科技有限公司，
类型：发明
国别省市：福建,35