一种量化神经网络模型的训练及测试方法、装置及设备制造方法及图纸

本申请实施例提供了一种量化神经网络模型的训练及测试方法、装置及设备。其中，训练方法可以包括：获取训练数据；训练数据包括图像样本和标签；标签包括图像样本的身份标识；将训练数据输入量化神经网络模型进行量化处理，得到图像样本的量化特征；根据量化特征对量化神经网络模型进行训练，获得经训练的量化神经网络模型。所以实施本申请实施例，训练的量化神经网络模型采用了低比特量化处理，减少了运算量，提高了运算速率，能够更方便地应用在终端设备中，使用该量化神经网络模型进行人脸识别，能够最小化量化误差，提高量化神经网络模型的识别精度。

Training and testing method, device and equipment of a quantitative neural network model

【技术实现步骤摘要】
一种量化神经网络模型的训练及测试方法、装置及设备
本申请涉及图像处理领域，尤其涉及一种量化神经网络模型的训练及测试方法、装置及设备。
技术介绍
人脸识别技术在实际中有着广泛的应用，凭借深度学习与卷积神经网络技术，近年来人脸识别精度取得了长足的发展。但是，随着神经网络模型预测越来越准确，神经网络层次越来越深，复杂的神经网络无法部署于移动端，更无法实现实时推理。因此，目前亟需一种量化神经网络模型的训练方法，以解决上述技术问题。
技术实现思路
本申请实施例提供了一种量化神经网络模型的训练和测试方法、装置、设备及存储介质，能够解决现有技术的问题，训练量化神经网络模型，将复杂的神经网络简捷化，使其便于部署在移动端，采用量化神经网络模型进行人脸识别，能够提高识别精度。第一方面，本申请实施例提供一种量化神经网络模型的训练方法，该方法包括：获取训练数据；所述训练数据包括图像样本和标签；所述标签包括所述图像样本的身份标识；将所述训练数据输入量化神经网络模型进行量化处理，得到所述图像样本的量化特征；根据所述量化特征对所述量化神经本文档来自技高网...

【技术保护点】
1.一种量化神经网络模型的训练方法，其特征在于，包括：/n获取训练数据；所述训练数据包括图像样本和标签；所述标签包括所述图像样本的身份标识；/n将所述训练数据输入量化神经网络模型进行量化处理，得到所述图像样本的量化特征；/n根据所述量化特征对所述量化神经网络模型进行训练，获得经训练的量化神经网络模型。/n

【技术特征摘要】
1.一种量化神经网络模型的训练方法，其特征在于，包括：
获取训练数据；所述训练数据包括图像样本和标签；所述标签包括所述图像样本的身份标识；
将所述训练数据输入量化神经网络模型进行量化处理，得到所述图像样本的量化特征；
根据所述量化特征对所述量化神经网络模型进行训练，获得经训练的量化神经网络模型。


2.根据权利要求1所述的方法，其特征在于，所述标签还包括所述图像样本的全精度特征；所述方法还包括：
将所述图像样本输入全精度的神经网络进行处理，得到所述全精度特征。


3.根据权利要求2所述的方法，其特征在于，所述根据所述量化特征对所述量化神经网络模型进行训练，获得经训练的量化神经网络模型，包括：
根据所述量化特征和所述全精度特征，获得所述量化神经网络模型的损失函数的值；
根据所述量化神经网络模型的损失函数的值，对所述量化神经网络模型进行训练，获得经训练的量化神经网络模型。


4.根据权利要求3所述的方法，其特征在于，所述根据所述量化特征和所述全精度特征，获得所述量化神经网络模型的损失函数的值，包括：
根据所述量化特征和所述全精度特征，获得每个量化特征的个体误差；所述个体误差为单个量化特征量化处理前后的类内偏差；所述类表示具有相同身份标识的图像样本对应的多个量化特征的集合；
根据所述每个量化特征的个体误差，获得所述损失函数的与所述每个量化特征对应的第一参数；
根据所述第一参数，获得所述损失函数的值。


5.根据权利要求4所述的方法，其特征在于，所述根据所述量化特征和所述全精度特征，获得每个量化特征的个体误差，包括：
根据所述量化特征和所述全精度特征，获得所述每个量化特征的量化误差和所述每个量化特征的类误差；所述量化误差为单个量化特征量化处理前后的偏差；所述类误差为单个量化特征量化处理前后的类间偏差；
根据所述量化误差和所述类误差，获得所述每个量化特征的个体误差。


6.根据权利要求5所述的方法，其特征在于，在角度空间中，
所述每个量化特征的量化误差为与所述每个量化特征对应的所述全精度特征与所述量化特征之间的夹角；
所述每个量化特征的类误差为全精度特征的类中心与量化特征的类中心之间的夹角；其中，所述全精度特征的类中心为具有相同身份标识的图像样本对应的所有全精度特征的平均值，所述量化特征的类中心为具有相同身份标识的图像样本对应的所有量化特征的平均值；
所述根据所述量化误差和所述类误差，获得所述每个量化特征的个体误差，包括：
将所述每个量化特征的量化误差与所述每个量化特征的类误差作差，再取绝对值，获得所述每个量化特征的个体误差。


7.一种量化神经网络模型的测试方法，其特征在于，包括：
获取人脸图像；
将所述人脸图像输入经训练的量化神经网络模型，进行处理，得到人脸图像对应的量化特征；其中，所述量化神经网络模型为权利要求1-6任一项所述的量化神经网络模型；
将所述人脸图像对应的量化特征与数据库中预存的特征进行对比，获得人脸识别结果。


8.一种量化神经网络模型的训练装置，其特征在于，包括：
获取模块，用于获取训练数据；所述训练数据包括图像样本和标签；所述标签包括所述图像样本的身份标识；
量化模块，用于将所述训练数据输入量化神经网络模型进行量化处理，得到所述图像样本的量化特征；
训练模块，...

【专利技术属性】
技术研发人员：吴玉东，吴一超，梁鼎，于志鹏，吕元昊，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京;11