【技术实现步骤摘要】
神经网络压缩、目标检测、行驶控制方法以及装置
本公开涉及深度学习
，具体而言，涉及一种神经网络压缩、目标检测、行驶控制方法以及装置。
技术介绍
为了保障神经网络的性能，神经网络的结构设计的较为复杂，进而要求运行神经网络的设备的性能较高，使得设计的神经网络不适用于性能较低的设备，例如，手机、平板电脑等，从而限制了神经网络的发展。因此，如何对神经网络进行压缩，以降低神经网络的复杂度，成为了人工智能领域的重要问题之一。
技术实现思路
有鉴于此，本公开至少提供一种神经网络压缩、目标检测、行驶控制方法以及装置。第一方面，本公开提供了一种神经网络压缩方法，包括：获取训练后的待压缩神经网络的卷积层的卷积核参数信息；基于所述卷积核参数信息，从所述卷积核参数信息指示的多个卷积核中确定待删减卷积核，并从所述多个卷积核中将所述待删减卷积核删除；基于删除处理后的卷积层，确定压缩后的神经网络。采用上述方法，基于卷积核参数信息，确定神经网络中待删减卷积核，并从多个卷积核中将待删减...
【技术保护点】
1.一种神经网络压缩方法，其特征在于，包括：/n获取训练后的待压缩神经网络的卷积层的卷积核参数信息；/n基于所述卷积核参数信息，从所述卷积核参数信息指示的多个卷积核中确定待删减卷积核，并从所述多个卷积核中将所述待删减卷积核删除；/n基于删除处理后的卷积层，确定压缩后的神经网络。/n
【技术特征摘要】
1.一种神经网络压缩方法，其特征在于，包括：
获取训练后的待压缩神经网络的卷积层的卷积核参数信息；
基于所述卷积核参数信息，从所述卷积核参数信息指示的多个卷积核中确定待删减卷积核，并从所述多个卷积核中将所述待删减卷积核删除；
基于删除处理后的卷积层，确定压缩后的神经网络。
2.根据权利要求1所述的方法，其特征在于，基于删除处理后的卷积层，确定压缩后的神经网络，包括：
确定本次删减卷积核后对应的神经网络的运算速度；
在所述运算速度不满足设置的压缩终止条件的情况下，则将本次删减卷积核后对应的神经网络作为新的待压缩神经网络，返回执行所述获取训练后的待压缩神经网络的卷积层的卷积核参数信息的步骤，直到所述运算速度满足设置的压缩终止条件，基于最后一次删减处理后的卷积层，确定压缩后神经网络。
3.根据权利要求1所述的方法，其特征在于，基于删除处理后的卷积层，确定压缩后的神经网络，包括：
确定本次删减卷积核后对应的神经网络的运算速度；
在所述运算速度满足设置的所述压缩终止条件的情况下，基于本次删减处理后的卷积层，确定压缩后神经网络。
4.根据权利要求2或3所述的方法，其特征在于，在所述运算速度为每秒浮点运算次数FLOPs时，则所述运算速度满足设置的所述压缩终止条件，包括：
所述FLOPs小于设置的阈值。
5.根据权利要求2或3所述的方法，其特征在于，在从所述多个卷积核中将所述待删减卷积核删除之后，确定本次删减卷积核后对应的神经网络的运算速度之前，所述方法还包括：
基于训练样本数据，对本次删减卷积核后对应的神经网络的网络参数进行调整。
6.根据权利要求1至5任一所述的方法，其特征在于，在确定压缩后的神经网络之后，所述方法还包括：
对压缩后的神经网络的网络结构进行参数初始化处理；
基于训练样本数据，以及进行参数初始化处理后得到的压缩后神经网络的网络结构，训练所述压缩后的神经网络。
7.根据权利要求1至6任一所述的方法，其特征在于，基于所述卷积核参数信息，从所述卷积核参数信息指示的多个卷积核中确定待删减卷积核，包括：
基于所述卷积核参数信息，确定所述卷积核参数信息指示的每个卷积核对应的重要程度；
基于每个卷积核对应的所述重要程度，从所述多个卷积核中确定待删减卷积核。
8.根据权利要求7所述的方法，其特征在于，基于每个卷积核对应的所述重要程度，从所述多个卷积核中确定待删减卷积核，包括：
基于每个卷积核对应的所述重要程度，以及预设的每次删减卷积核的数量，从所述多个卷积核中确定待删减卷积核。
9.根据权利要求7所述的方法，其特征在于，基于所述卷积核参数信息，确定所述卷积核参数...
【专利技术属性】
技术研发人员：游山，苏修，王飞，钱晨，
申请(专利权)人：上海商汤临港智能科技有限公司，
类型：发明
国别省市：上海;31
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。