一种目标识别方法及设备技术

本发明专利技术公开了一种目标识别方法及设备，用以解决对神经网络模型进行量化时，量化过程复杂，占用资源较多，消耗时间长，效率低，且量化后的模型训练精度损失大的问题，本发明专利技术方法包括：获取用于目标识别的图像数据；将所述图像数据输入定点神经网络模型，其中，在预设神经网络模型训练过程中，确定需要进行量化的一组模型参数，根据所述一组模型参数中各模型参数绝对值的最大值以及量化基准值，确定数据量化系数，利用所述数据量化系数对所述一组模型参数进行量化处理，利用量化前的模型参数调整训练结束后的预设神经网络模型的模型参数，得到定点神经网络模型；通过所述定点神经网络模型对所述图像数据进行处理，输出所述目标识别的识别结果。

A Target Recognition Method and Equipment

【技术实现步骤摘要】
一种目标识别方法及设备
本专利技术涉及人工智能
，特别涉及一种目标识别方法及设备。
技术介绍
随着计算机技术、神经网络技术的发展，越来越多的人用神经网络模型进行目标识别，但在用神经网络模型进行目标识别的过程中，存在着大量复杂数据的运算，如各个网络层的浮点型模型参数，以及可能为小数形式的图像数据，上述各个网络层的模型参数以及上述图像数据间的运算直接影响着神经网络模型进行目标识别的效率，但由于上述各个网络层的参数常常是浮点数或者小数，在利用上述参数构建神经网络模型时，固件消耗时间较长，且构建出的神经网络模型处理任务时，占用的计算机资源多、消耗时间长，此时对各个网络层的参数处理的复杂度会导致构建模型效率低下，进而极大地降低了神经网络模型进行目标识别的效率；由于对参数的处理过程复杂导致数据处理效率低下，因此如何在保证不影响任务处理的效益的情况下，简化需处理的各个网络层的参数成为急需解决的问题。
技术实现思路
本专利技术提供一种目标识别方法及设备，用以解决现有技术中，对神经网络模型进行量化时，量化过程复杂，占用资源较多，消耗时间长，效率低，且量化后的模型训练精度损失大的问题。第一方面，本申请提供一种目标识别方法，该方法包括：获取用于目标识别的图像数据；将所述图像数据输入定点神经网络模型，其中，在预设神经网络模型训练过程中，确定需要进行量化的一组模型参数，根据所述一组模型参数中各模型参数绝对值的最大值以及量化基准值，确定数据量化系数，利用所述数据量化系数对所述一组模型参数进行量化处理，利用量化前的模型参数调整训练结束后的预设神经网络模型的模型参数，得到定点神经网络模型；通过所述定点神经网络模型对所述图像数据进行处理，输出所述目标识别的识别结果。上述方法中，在利用神经网络模型进行目标识别的过程中，对复杂数据类型的处理数据进行量化，数据量化的步骤少，所用时间少，且占用资源少，因此利用量化后的参数构建神经网络模型的过程占用资源较少、消耗时间短，且构建的神经网络模型处理任务时占用计算资源少，消耗时间短，提高了利用神经网络模型进行目标识别的效率。在一中可能的实施方式中，利用所述量化前的模型参数通过反向传播过程，更新所述预设定点神经网络模型的模型参数的梯度值。在一中可能的实施方式中，通过所述定点神经网络模型对所述图像数据进行处理过程中，或者在预设神经网络模型训练过程中，还包括：确定N个需要相乘的处理数据，从所述N个需要相乘的处理数据中确定M个移位数据，其中，所述N为大于1的整数，所述M为大于0小于N的整数；根据各移位数据的真实值确实所述各移位数据对应的移位方向，根据各移位数据的绝对值确定所述各移位数据对应的移位位数；根据所述各移位数据对应的移位方向和移位位数，确定所述N个处理数据相乘的结果。在一种可能的实施方式中，所述需要进行量化的一组模型参数包括如下任一或任多：所述预设神经网络模型的卷积层的每个网络层的权重；所述预设神经网络模型的卷积层的每个网络层的偏置。在一种可能的实施方式中，根据如下方法确定所述量化基准值：根据设定的数据量化位数，确定所述数据量化位数表示的最大数据值为所述量化基准值。在一种可能的实施方式中，确定所述数据量化位数表示的最大数据值，包括：根据设定的数据量化位数确定2的K次幂；根据所述2的K次幂确定所述最大数据值。在一种可能的实施方式中，将所述2的K次幂的结果减去1的结果，作为所述最大数据值。在一种可能的实施方式中，当所述一组模型参数中不包含标识数据正负的符号位时，将所述设定的数据量化位数确定为2的幂数k；当所述一组处理数据中包含标识数据正负的1个符号位时，将所述设定的数据量化位数减去1的结果，确定为2的幂数k。在一种可能的实施方式中，将量化基准值与所述一组模型参数中各数据绝对值的最大值的比值，确定为所述数据量化系数。在一种可能的实施方式中，确定所述一组模型参数中的任一数据与所述量化系数的乘积；对所述乘积进行四舍五入的取整操作，获得所述任一数据的量化数据。在一种可能的实施方式中，任一移位数据的真实值大小大于1时，确定该移位数据的移位方向为左移；任一移位数据的真实值大小不大于1时，确定该移位数据的移位方向为右移。在一种可能的实施方式中，确定与任一移位数据的绝对值最接近的2的幂次方的值；根据所述2的幂次方的值确定所述幂数k；将所述幂数k确定为该移位数据的移位位数，所述k为整数。在一种可能的实施方式中，从N个相乘或相除的处理数据中确定M个移位数据，包括如下任一步骤：从所述N个相乘或相除的处理数据中确定任M个数据为移位数据；从所述N个相乘或相除的处理数据中指定M个数据为移位数据；从所述N个相乘或相除的处理数据中指定部分数据，从所述部分数据中确定任M个数据为移位数据。在一种可能的实施方式中，确定所述N个处理数据中除所述各移位数据外的其他处理数据相乘的结果值；只存在一个移位数据时，将所述其他处理数据相乘的结果值根据该移位数据对应的移位方向和移位位数进行移位；存在多个移位数据时，将所述其他处理数据相乘的结果值根据每个移位数据对应的移位方向和移位位数进行移位。第二方面，本申请提供一种目标识别设备，该设备包括处理器和存储器，其中，所述存储器存储可执行程序，所述处理器在所述可执行程序被执行时实现如下过程：获取用于目标识别的图像数据；将所述图像数据输入定点神经网络模型，其中，在预设神经网络模型训练过程中，确定需要进行量化的一组模型参数，根据所述一组模型参数中各模型参数绝对值的最大值以及量化基准值，确定数据量化系数，利用所述数据量化系数对所述一组模型参数进行量化处理，利用量化前的模型参数调整训练结束后的预设神经网络模型的模型参数，得到定点神经网络模型；通过所述定点神经网络模型对所述图像数据进行处理，输出所述目标识别的识别结果。第三方面，本申请还提供一种计算机存储介质，其上存储有计算机程序，该程序被处理单元执行时实现第一方面所述方法的步骤。另外，第二方面至第三方面中任一种实现方式所带来的技术效果可参见第一方面中不同实现方式所带来的技术效果，此处不再赘述。附图说明为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术实施例一提供的一种目标识别方法的示意图；图2为本专利技术实施例二提供的一种目标识别设备的示意图；图3为本专利技术实施例二提供的一种目标识别装置的示意图。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述，显然，所描述的实施例仅仅是本专利技术一部份实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。本专利技术实施例描述的应用场景是为了更加清楚的说明本专利技术实施例的技术方案，并不构成对于本专利技术实施例提供的技术方案的限定，本领域普通技术人员可知，随着新应用场景的出现，本专利技术实施例提供的技术方案对于类似的技术问题，同样适用。其中，在本专利技术的描述中，除非另有说明，“多个”的含义是两个或两个以上。随着计算机技术的发展，各本文档来自技高网...

【技术保护点】
1.一种目标识别方法，其特征在于，该方法包括：获取用于目标识别的图像数据；将所述图像数据输入定点神经网络模型，其中，在预设神经网络模型训练过程中，确定需要进行量化的一组模型参数，根据所述一组模型参数中各模型参数绝对值的最大值以及量化基准值，确定数据量化系数，利用所述数据量化系数对所述一组模型参数进行量化处理，利用量化前的模型参数调整训练结束后的预设神经网络模型的模型参数，得到定点神经网络模型；通过所述定点神经网络模型对所述图像数据进行处理，输出所述目标识别的识别结果。

【技术特征摘要】
1.一种目标识别方法，其特征在于，该方法包括：获取用于目标识别的图像数据；将所述图像数据输入定点神经网络模型，其中，在预设神经网络模型训练过程中，确定需要进行量化的一组模型参数，根据所述一组模型参数中各模型参数绝对值的最大值以及量化基准值，确定数据量化系数，利用所述数据量化系数对所述一组模型参数进行量化处理，利用量化前的模型参数调整训练结束后的预设神经网络模型的模型参数，得到定点神经网络模型；通过所述定点神经网络模型对所述图像数据进行处理，输出所述目标识别的识别结果。2.根据权利要求1所述的方法，其特征在于，所述利用量化前的模型参数调整训练结束后的所述预设定点神经网络模型的模型参数，包括：利用所述量化前的模型参数通过反向传播过程，更新所述预设定点神经网络模型的模型参数的梯度值。3.根据权利要求1所述的方法，其特征在于，通过所述定点神经网络模型对所述图像数据进行处理过程中，或者在预设神经网络模型训练过程中，还包括：确定N个需要相乘的处理数据，从所述N个需要相乘的处理数据中确定M个移位数据，其中，所述N为大于1的整数，所述M为大于0小于N的整数；根据各移位数据的真实值确实所述各移位数据对应的移位方向，根据各移位数据的绝对值确定所述各移位数据对应的移位位数；根据所述各移位数据对应的移位方向和移位位数，确定所述N个处理数据相乘的结果。4.根据权利要求1所述的方法，其特征在于，所述需要进行量化的一组模型参数包括如下任一或任多：所述预设神经网络模型的卷积层的每个网络层的权重；所述预设神经网络模型的卷积层的每个网络层的偏置。5.根据权利要求1所述的方法，其特征在于，根据如下方法确定所述量化基准值：根据设定的数据量化位数，确定所述数据量化位数表示的最大数据值为所述量化基准值。6.根据权利要求5所述的方法，其特征在于，确定所述数据量化位数表示的最大数据值，包括：根据设定的数据量化位数确定2的K次幂；根据所述2的K次幂确定所述最大数据值。7.根据权利要求6所述的方法，其特征在于，根据所述2的K次幂确定所述最大数据值，包括：将所述2的K次幂的结果减去1的结果，作为所述最大数据值。8.根据权利要求7所述的方法，其特征在于，根据设定的数据量化位数确定2的K次幂，包括：当所述一组模型参数中不包含标识数据正负的符号位时，将所述设定的数据量化位数确定为2的幂数k；当所述一组处理数据中包含标识数据正负的m个符号位时，将所述设定的数据量化位数减去1的结果，确定为2的幂数k。9.根据权利要求1所述的方法，其特征在于，根据所述一组模型参数中各处理数据绝对值的最大值以及量化基准值，确定数据量化系数，包括：将量化基...

【专利技术属性】
技术研发人员：陈海波，
申请(专利权)人：深兰科技上海有限公司，
类型：发明
国别省市：上海,31