一种图像识别的方法、系统、设备及可读存储介质技术方案

本申请公开了一种图像识别的方法，包括：对卷积神经网络模型每一层的权值和激活值进行线性量化处理；根据线性量化处理后的卷积神经网络模型结合加速算法生成量化推理网络；利用量化推理网络对待识别图集进行图像识别。本申请通过分别对卷积神经网络模型每一层的权值和激活值进行线性量化处理，然后根据线性量化处理后的卷积神经网络模型结合加速算法生成量化推理网络，使得图像识别过程中神经网络的推理速度得到提高，并且大幅度的降低了卷积神经网络模型的大小，节省了设备的存储空间，降低了设备运行时的能耗。本申请同时还提供了一种图像识别的系统、设备及可读存储介质，具有上述有益效果。

An image recognition method, system, device and readable storage medium

【技术实现步骤摘要】
一种图像识别的方法、系统、设备及可读存储介质
本申请涉及图像识别领域，特别涉及一种图像识别的方法、系统、设备及可读存储介质。
技术介绍
当今深度学习等人工智能算法和技术快速且不断地涌现出来，当这些技术真正地能为我们地生活服务的时候，人工智能技术才能充分发挥它的价值所在。基于深度学习的人工智能在图像识别任务上得到了突破性地进展，但这些进展仍然是建立在昂贵的深度学习设备(主要以GPU集群为主)以及巨大的能耗费用的基础上得到的。然而，由于图像识别任务的深度学习主要是建立在深度卷积神经网络的基础上进行的，这种需要庞大计算资源的数学结构在FPGA、手机等移动或者边缘设备上的部署又成了问题。而计算资源受限的设备无法成功部署且快速运行基于深度卷积神经网络的深度学习算法，导致图像识别的速度较低。因此，如何提高图像识别的速度是本领域技术人员目前需要解决的技术问题。
技术实现思路
本申请的目的是提供一种图像识别的方法、系统、设备及可读存储介质，用于提高图像识别的速度。为解决上述技术问题，本申请提供一种图像识别的方法，该方本文档来自技高网...

【技术保护点】
1.一种图像识别的方法，其特征在于，包括：/n获取激活值文件、待识别图集和卷积神经网络模型；/n对所述卷积神经网络模型每一层的权值进行线性量化处理；/n根据所述激活值文件确定激活值量化系数，并对所述卷积神经网络模型每一层的激活值进行线性量化处理；/n根据线性量化处理后的所述卷积神经网络模型结合加速算法生成量化推理网络；/n利用所述量化推理网络对所述待识别图集进行图像识别。/n

【技术特征摘要】
1.一种图像识别的方法，其特征在于，包括：
获取激活值文件、待识别图集和卷积神经网络模型；
对所述卷积神经网络模型每一层的权值进行线性量化处理；
根据所述激活值文件确定激活值量化系数，并对所述卷积神经网络模型每一层的激活值进行线性量化处理；
根据线性量化处理后的所述卷积神经网络模型结合加速算法生成量化推理网络；
利用所述量化推理网络对所述待识别图集进行图像识别。


2.根据权利要求1所述的方法，其特征在于，所述获取激活值文件、待识别图集和卷积神经网络模型，包括：
获取训练图集，并利用预设推理引擎对所述训练图集中的每张图片进行推理，得到对应的推理结果；
依次从每个所述推理结果中选取每个位置的最大推理值，并将每个位置的最大推理值保存为当前层的激活值；
将每个层对应的激活值保存为所述激活值文件。


3.根据权利要求1所述的方法，其特征在于，所述获取激活值文件、待识别图集和卷积神经网络模型，包括：
从模型库中调用卷积神经网络模型文件，生成所述卷积神经网络模型。


4.根据权利要求1所述的方法，其特征在于，在根据线性量化处理后的所述卷积神经网络模型结合加速算法生成量化推理网络之前，还包括：
接收输入的加速算法修改命令；
根据所述加速算法修改命令获取对应的配置文件，并根据所述配置文件确定新加速算法；
将所述加速算法替换为所述新加速算法。


5.一种图像识别的系统，其特征在于，包括：
获取模块，用于获取激活值文件、待识别图集和卷积神经网络模型；
第一量化模块，用于对所述卷积神经网络模型每一层的权值进行线性量化处理；<...

【专利技术属性】
技术研发人员：沈付旺，
申请(专利权)人：浪潮北京电子信息产业有限公司，
类型：发明
国别省市：北京;11