This application discloses an image recognition method, an image recognition device and an electronic device based on an optical neural network structure, in which the optical neural network structure consists of an X-layer neural network; the image recognition method includes: acquiring the image to be recognized; inputting the image to the optical neural network structure; and determining the image to be recognized based on the output result of the optical neural network structure. The structure of optical neural network is used to obtain the input vectors of layer I neural network, I is a positive integer greater than 0 and less than X+1 for layer I neural network. The input vectors are linearly transformed based on Y inner product calculation units, and the results of Y linear transformations are obtained. The results of Yi linear transformations are activated by non-linear crystals. The results of Yi activation are taken as the output vectors of the layered neural network. The application scheme uses a new optical neural network structure, which further improves the speed of image recognition.
【技术实现步骤摘要】
基于光学神经网络结构的图像识别方法、装置及电子设备
本专利技术属于数据处理
,尤其涉及一种基于光学神经网络结构的图像识别方法、装置及电子设备。
技术介绍
当前,机器学习已经成为一种十分重要的工具。其中,基于深度神经网络的深度学习受到了广泛的关注,并被应用于图像识别、语音识别、自然语言翻译等重要领域。其中,基于传统中央处理器(CentralProcessingUnit,CPU)的深度学习并非最优的方案;研发人员发展出了多样的硬件结构,以适应深度学习算法的要求,例如图形处理器(GraphicsProcessingUnit,GPU)和张量处理器(TensorProcessingUnit,TPU)。虽然它们都能加速深度学习算法,但这些硬件结构往往基于电子元件,其计算速度无法超越线性多项式增长的理论极限,这很可能影响到图像识别等操作时的速度及效率。
技术实现思路
有鉴于此,本专利技术实施例提供了一种基于光学神经网络结构的图像识别方法、图像识别装置、电子设备及计算机可读存储介质,用以提升图像识别的速度。本专利技术实施例的第一方面提供了一种基于光学神经网络结构的图像识别方法,上述光学神经网络结构由X层神经网络所构成,上述X为正整数;上述图像识别方法包括:获取待识别图像;将上述待识别图像输入至上述光学神经网络结构;基于上述光学神经网络结构的输出结果确定上述待识别图像的识别结果;其中,上述光学神经网络结构用于:针对第i层神经网络,获取第i层神经网络的输入向量,上述i为大于0且小于X+1的正整数,其中,当i等于1时,上述第i层神经网络的输入向量基于上述待识别图像的各个像素点 ...
【技术保护点】
1.一种基于光学神经网络结构的图像识别方法,其特征在于,所述光学神经网络结构由X层神经网络所构成,所述X为正整数;所述图像识别方法包括:获取待识别图像;将所述待识别图像输入至所述光学神经网络结构;基于所述光学神经网络结构的输出结果确定所述待识别图像的识别结果;其中,所述光学神经网络结构用于:针对第i层神经网络,获取第i层神经网络的输入向量,所述i为大于0且小于X+1的正整数,其中,当i等于1时,所述第i层神经网络的输入向量基于所述待识别图像的各个像素点而生成;当i大于1时,所述第i层神经网络的输入向量为第i‑1层神经网络的输出向量;分别基于Yi个内积计算单元对所述输入向量进行线性变换,得到Yi个线性变换的结果,其中,所述Yi为正整数;将所述Yi个线性变换的结果通过非线性晶体进行激活,得到Yi个激活结果;将所述Yi个激活结果作为本层神经网络的输出向量,其中,当i等于X时,所述第i层神经网络的输出向量为所述光学神经网络结构的输出结果,所述第i层神经网络的输出向量中的各个元素用于指示所述待识别图像属于各个不同类别的可能性。
【技术特征摘要】
1.一种基于光学神经网络结构的图像识别方法,其特征在于,所述光学神经网络结构由X层神经网络所构成,所述X为正整数;所述图像识别方法包括:获取待识别图像;将所述待识别图像输入至所述光学神经网络结构;基于所述光学神经网络结构的输出结果确定所述待识别图像的识别结果;其中,所述光学神经网络结构用于:针对第i层神经网络,获取第i层神经网络的输入向量,所述i为大于0且小于X+1的正整数,其中,当i等于1时,所述第i层神经网络的输入向量基于所述待识别图像的各个像素点而生成;当i大于1时,所述第i层神经网络的输入向量为第i-1层神经网络的输出向量;分别基于Yi个内积计算单元对所述输入向量进行线性变换,得到Yi个线性变换的结果,其中,所述Yi为正整数;将所述Yi个线性变换的结果通过非线性晶体进行激活,得到Yi个激活结果;将所述Yi个激活结果作为本层神经网络的输出向量,其中,当i等于X时,所述第i层神经网络的输出向量为所述光学神经网络结构的输出结果,所述第i层神经网络的输出向量中的各个元素用于指示所述待识别图像属于各个不同类别的可能性。2.如权利要求1所述的图像识别方法,其特征在于,当i等于1时,所述获取第i层神经网络的输入向量,包括:获取单一相干光源;将单一相干光源等分为N路光信号;将所述N路光信号分别通过光学衰减器进行编码,并基于编码后的N路光信号的振幅构建第1层神经网络的输入向量,其中,所述编码后的N路光信号分别与所述待识别图像的各个像素点相关联,所述N基于所述待识别图像的像素点的个数而设定。3.如权利要求1所述的图像识别方法,其特征在于,所述分别基于Yi个内积计算单元对所述输入向量进行线性变换,得到Yi个线性变换的结果,包括:分别对所述输入向量所包含的各个元素进行编码,得到M路输入光信号,其中,M为所述输入向量所包含的元素的个数;针对任一内积计算单元:所述内积计算单元中包含有M个光学组件,将所述M路输入光信号分别输入至相应的光学组件上,得到M路输出光信号;将所述M路输出光信号进行合束后得到内积计算结果,作为基于所述内积计算单元对所述输入向量进行线性变换所得到的线性变换的结果。4.如权利要求3所述的图像识别方法,其特征在于,所述图像识别方法还包括:获取预设的转换矩阵,其中,所述预设的转换矩阵与第i层神经网络相关,所述预设的转换矩阵的维度为M*Yi;将所述转换矩阵拆分为Yi个M*1的矩阵,记为Yi个计算矩阵;将所述Yi个计算矩阵分别编码至相应的内积计算单元中;相应地,所述将所述M路输入光信号分别输入至相应的光学组件上,得到M路输出光信号,包括:将所述M路输入光信号分别输入至相应的光学组件上,以使得所述输入向量分别与所述内积计算单元所编码的计算矩阵进行内积运算,得到M路输出光信号。5.如权利要求4所述的图像识别方法,其特征在于,所述光学组件包括光学衰减器及偏振片;所述将所述Yi个计算矩阵分别编码至相应的内积计算单元中,包括:针对任一计算矩...
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。