卷积神经网络、基于卷积神经网络的数据处理方法和装置制造方法及图纸

本申请涉及一种卷积神经网络、基于卷积神经网络的数据处理方法和装置、电子设备、计算机可读存储介质，该方法包括：将原始数据输入至卷积神经网络，原始数据包括图像数据、音频数据、自然语言数据中的至少一种。通过卷积神经网络的自定义层对原始数据进行处理，得到数据处理结果，输出数据处理结果。卷积神经网络包括自定义层，自定义层包括根据数据处理需求设置的至少一种数据处理方式，数据处理方式对应的参数不会随卷积神经网络的反向传播而改变，所以就可以通过自定义层对整个卷积神经网络引入人工控制，避免出现过度运算，从而可以降低数据处理过程中的运算量，并提高数据处理的效率。

【技术实现步骤摘要】
卷积神经网络、基于卷积神经网络的数据处理方法和装置
本申请涉及计算机
，特别是涉及一种卷积神经网络、基于卷积神经网络的数据处理方法和装置、电子设备、计算机可读存储介质。
技术介绍
随着计算机技术的不断发展，深度学习技术也被越来越广泛地应用到图像处理、图像识别、物体识别、数据处理分析、自然语言识别、人工智能等领域。其中，卷积神经网络(ConvolutionalNeuralNetworks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(FeedforwardNeuralNetworks)，是深度学习(deeplearning)的代表算法之一。传统的卷积神经网络在数据处理过程中，由于计算过程过于复杂，往往会出现过度运算、从而导致运算效率较低。
技术实现思路
本申请实施例提供一种卷积神经网络、基于卷积神经网络的数据处理方法和装置、电子设备、计算机可读存储介质，可以降低图像处理过程中的运算量，并提高图像处理的效率。一种基于卷积神经网络的图像处理方法，所述卷积神经网络包括自定义层，所述自定义层包括根据数据处理需求设置的至少一种数据处理方式，所述数据处理方式对应的参数不会随所述卷积神经网络的反向传播而改变；所述方法包括：将原始数据输入至所述卷积神经网络，所述原始数据包括图像数据、音频数据、自然语言数据中的至少一种；通过所述卷积神经网络的自定义层对所述原始数据进行处理，得到数据处理结果；输出所述数据处理结果。一种卷积神经网络，所述卷积神经网络包括自定义层，所述自定义层包括根据数据处理需求设置的至少一种数据处理方式，所述数据处理方式对应的参数不会随所述卷积神经网络的反向传播而改变；所述自定义层用于对原始数据进行数据处理，得到数据处理结果，所述原始数据包括图像数据、音频数据、自然语言数据中的至少一种。一种基于卷积神经网络的数据处理装置，所述卷积神经网络包括自定义层，所述自定义层包括根据数据处理需求设置的至少一种数据处理方式，所述数据处理方式对应的参数不会随所述卷积神经网络的反向传播而改变；所述装置包括：输入模块，用于将原始数据输入至所述卷积神经网络，所述原始数据包括图像数据、音频数据、自然语言数据中的至少一种；数据处理模块，用于通过所述卷积神经网络的自定义层对所述原始数据进行处理，得到数据处理结果；输出模块，用于输出所述数据处理结果。一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述的基于卷积神经网络的数据处理方法的步骤。一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于卷积神经网络的数据处理方法的步骤。上述卷积神经网络、基于卷积神经网络的数据处理方法和装置、电子设备、计算机可读存储介质，该方法包括：将原始数据输入至卷积神经网络，原始数据包括图像数据、音频数据、自然语言数据中的至少一种。通过卷积神经网络的自定义层对原始数据进行处理，得到数据处理结果，输出数据处理结果。卷积神经网络包括自定义层，自定义层包括根据数据处理需求设置的至少一种数据处理方式，数据处理方式对应的参数不会随卷积神经网络的反向传播而改变，所以就可以通过自定义层对整个卷积神经网络引入人工控制，避免出现过度运算，从而可以降低数据处理过程中的运算量，并提高数据处理的效率。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为一个实施例中基于卷积神经网络的数据处理方法的应用环境图；图2为一个实施例中基于卷积神经网络的数据处理方法的流程图；图3为一个实施例中自定义层在卷积神经网络中的位置示意图；图4为一个实施例中自定义层在卷积神经网络中的位置示意图；图5为一个实施例中超分辨率卷积神经网络的结构示意图；图6为又一个实施例中超分辨率卷积神经网络的结构示意图；图7为再一个实施例中超分辨率卷积神经网络的结构示意图；图8为一个实施例中基于卷积神经网络的数据处理装置的结构框图；图9为一个实施例中电子设备的内部结构示意图。具体实施方式为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一卷积层称为第二卷积层，且类似地，可将第二卷积层称为第一卷积层。第一卷积层和第二卷积层两者都是卷积层，但其不是同一卷积层。图1为一个实施例中基于卷积神经网络的数据处理方法的应用场景图。如图1所示，该应用环境包括电子设备120。本申请中的基于卷积神经网络的数据处理方法，可以应用于电子设备中。电子设备可以将原始数据输入至卷积神经网络，原始数据包括图像数据、音频数据、自然语言数据中的至少一种；通过卷积神经网络的自定义层对原始数据进行处理，得到数据处理结果；输出数据处理结果。卷积神经网络包括自定义层，自定义层包括根据数据处理需求设置的至少一种数据处理方式，数据处理方式对应的参数不会随卷积神经网络的反向传播而改变。图2为一个实施例中基于卷积神经网络的数据处理方法的流程图。本实施例中的基于卷积神经网络的数据处理方法，以运行于图1中的电子设备上为例进行描述，当然，本实施例中的基于卷积神经网络的数据处理方法，也可以运行在服务器上。如图2所示，基于卷积神经网络的数据处理方法包括步骤220至步骤260。其中，步骤220，将原始数据输入至卷积神经网络，原始数据包括图像数据、音频数据、自然语言数据中的至少一种。传统的卷积神经网络中包括卷积核在内的所有系数均具有不可解释性，导致卷积神经网络在运算过程中的目的性较差，因此往往会造成过度的运算。且由于卷积层的过多堆砌导致模型难以收敛，从而不能得到较好的结果。因此，本申请中提出了一种新的卷积神经网络，卷积神经网络包括自定义层，自定义层包括人工根据数据处理需求设置的至少一种数据处理方式，数据处理方式对应的参数不会随卷积神经网络的反向传播而改变。其中，卷积神经网络的反向传播指的是通过卷积神经网络的运算结果反过来对卷积神经网络的参数进行修正的过程。所以，自定义层中的数据处理方式对应的参数不会随卷积神经网络的反向传播而改变，指的是在运算过程中不会通过卷积神经网络的运算结果，反过来对自定义层中的数据处理方式对应的参数进行修正。这样便可以一直保持自定义层的独立性，从而使得人工根据数据处理需求设置本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的数据处理方法，其特征在于，所述卷积神经网络包括自定义层，所述自定义层包括根据数据处理需求设置的至少一种数据处理方式，所述数据处理方式对应的参数不会随所述卷积神经网络的反向传播而改变；所述方法包括：/n将原始数据输入至所述卷积神经网络，所述原始数据包括图像数据、音频数据、自然语言数据中的至少一种；/n通过所述卷积神经网络的自定义层对所述原始数据进行处理，得到数据处理结果；/n输出所述数据处理结果。/n

【技术特征摘要】
1.一种基于卷积神经网络的数据处理方法，其特征在于，所述卷积神经网络包括自定义层，所述自定义层包括根据数据处理需求设置的至少一种数据处理方式，所述数据处理方式对应的参数不会随所述卷积神经网络的反向传播而改变；所述方法包括：
将原始数据输入至所述卷积神经网络，所述原始数据包括图像数据、音频数据、自然语言数据中的至少一种；
通过所述卷积神经网络的自定义层对所述原始数据进行处理，得到数据处理结果；
输出所述数据处理结果。


2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络包括输入层、输出层和至少一个自定义层，所述自定义层设置在所述卷积神经网络中输入层、输出层之间的任意位置。


3.根据权利要求2所述的方法，其特征在于，所述卷积神经网络还包括至少一个中间层，所述输入层的输出端与所述中间层的输入端连接，所述中间层的输出端与所述输出层的输入端连接，所述自定义层设置在所述卷积神经网络中输入层、中间层、输出层之间的任意位置；
所述通过所述卷积神经网络的自定义层对所述原始数据进行处理，得到数据处理结果，包括：
通过所述卷积神经网络的中间层、自定义层对所述原始数据进行处理，得到数据处理结果。


4.根据权利要求3所述的方法，其特征在于，所述自定义层设置在所述卷积神经网络中输入层、中间层、输出层之间的任意位置，至少包括以下任意一种方式：
所述自定义层设置在所述卷积神经网络的输入层与中间层之间；
所述自定义层设置在所述卷积神经网络的中间层与中间层之间；
所述自定义层设置在所述卷积神经网络的中间层与输出层之间。


5.根据权利要求3所述的方法，其特征在于，所述自定义层串联在所述卷积神经网络中输入层、中间层及输出层之间的任意位置。


6.根据权利要求3中所述的方法，其特征在于，所述自定义层与所述中间层并联得到组合层，所述组合层串联在所述卷积神经网络中输入层、中间层及输出层之间的任意位置。


7.根据权利要求3所述的方法，其特征在于，所述中间层包括卷积层、激活层、池化层、全连接层中的至少一个。


8.根据权利要求3所述的方法，其特征在于，所述中间层由所述卷积层、激活层、池化层、全连接层中的至少一个进行串联或并联所构成。


9.根据权利要求1至8中任一项所述的方法，其特征在于，所述数据处理方式包括滤波处理、识别分类处理、编解码处理、映射处理中的至少一种方式。


10.根据权利要求1至8中任一项所述的方法，其特征在于，所述自定义层由滤波处理、识别分类处理、编解码处理、映射处理中...

【专利技术属性】
技术研发人员：张弓，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：广东;44