一种卷积神经网络处理方法技术

本发明专利技术公开了一种卷积神经网络处理方法，包括如下步骤：S1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；S2对初始卷积网络进行训练，得到第一卷积神经网络；S3对第一卷积神经网络进行简化处理，得到第二卷积神经网络；S4向第二卷积神经网络中拆分的卷积层中添加残差分支，得到第三卷积神经网络；S5对第三卷积网络进行训练，得到第四卷积神经网络。本发明专利技术实现了提升卷积在终端运行时的压缩与加速过程中的运行效率、有效保障了卷积神经网络在终端上运行的性能、极大降低了卷积网络运行过程中的参数量及计算量的技术效果。

【技术实现步骤摘要】
一种卷积神经网络处理方法
本专利技术涉及人工智能
，尤其涉及一种卷积神经网络处理方法。
技术介绍
近年来，随着人工智能技术的普及与发展，卷积神经网络逐渐成为用于计算机视觉和模式识别的一个重要的研究领域，它通过计算机仿照生物大脑思维启发进行类似人类对特定对象的信息处理。通过卷积神经网络，能够有效地进行对象检测和识别。随着互联网技术的发展，信息量的急剧增加，卷积神经网络被越来越广泛地应用于对象检测及识别领域，以从大量的信息中寻找出实际所需的信息。以图像识别领域为例，基于卷积神经网络的图像识别技术能够自动学习图像的有效特征。在实际应用中，由于需要检测或识别的目标对象的个体差异和环境变化等原因，所需要的卷积神经网络参数不得不增加到非常多，以达到较为准确的预测效果。但是，这会大量增加计算量，进而导致速度缓慢、效率低，很难被应用到实际场景中。
技术实现思路
基于
技术介绍
存在的技术问题，本专利技术提出了一种卷积神经网络处理方法。本专利技术提出的一种卷积神经网络处理方法，包括如下步骤：S1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；S2对初始卷积网络进行训练，得到第一卷积神经网络；S3对第一卷积神经网络进行简化处理，得到第二卷积神经网络；S4向第二卷积神经网络中拆分的卷积层中添加残差分支，得到第三卷积神经网络；S5对第三卷积网络进行训练，得到第四卷积神经网络；S6通过第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络监测训练样本数据，获得第一检测数据、第二检测数据、第三检测数据和第四检测数据；S7确定第一检测数据和第二检测数据之间的第一差异，确定第二检测数据和第三检测数据之间的第二差异，确定第三检测数据和第四检测数据之间的第三差异，取第一差异、第二差异和第三差异的平均值的平均差异；S8根据平均差异调整第四卷积神经网络的网络参数；S9基于调整后的第四卷积神经网络进行训练，确定目标卷积神经网络，所述目标卷积神经网络用于视频的编解码。优选的，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，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。优选的，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，通过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。优选的，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。优选的，所述步骤S9根据随机梯度法对所述第四卷积神经网络进行训练，直至所述第四卷积神经网络达到收敛状态，其中，达到所述收敛状态的所述第四卷积神经网络为所述目标卷积神经网络。优选的，所述步骤S2的简化处理包括：计算所述卷积层中每个卷积核的打分，当任一卷积核的打分大于所述卷积层的预设的裁剪分数阈值，裁剪所述任一卷积核，并裁剪与所述任一卷积核连接的输入通道和输出通道。本专利技术中，所述一种卷积神经网络处理方法，实现了提升卷积在终端运行时的压缩与加速过程中的运行效率、有效保障了卷积神经网络在终端上运行的性能、极大降低了卷积网络运行过程中的参数量及计算量的技术效果。具体实施方式下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。一种卷积神经网络处理方法，包括如下步骤：S1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；S2对初始卷积网络进行训练，得到第一卷积神经网络；S3对第一卷积神经网络进行简化处理，得到第二卷积神经网络；S4向第二卷积神经网络中拆分的卷积层中添加残差分支，得到第三卷积神经网络；S5对第三卷积网络进行训练，得到第四卷积神经网络；S6通过第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络监测训练样本数据，获得第一检测数据、第二检测数据、第三检测数据和第四检测数据；S7确定第一检测数据和第二检测数据之间的第一差异，确定第二检测数据和第三检测数据之间的第二差异，确定第三检测数据和第四检测数据之间的第三差异，取第一差异、第二差异和第三差异的平均值的平均差异；S8根据平均差异调整第四卷积神经网络的网络参数；S9基于调整后的第四卷积神经网络进行训练，确定目标卷积神经网络，所述目标卷积神经网络用于视频的编解码。本专利技术中，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，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。本专利技术中，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，通过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。本专利技术中，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。本专利技术中，所述步骤S9根据随机梯度法对所述第四卷积神经网络进行训练，直至所述第四卷积神经网络达到收敛状态，其中，达到所述收敛状态的所述第四卷积神经网络为所述目标卷积神经网络。本专利技术中，所述步骤S2的简化处理包括：计算所述卷积层中每个卷积核的打分，当任一卷积核的打分大于所述卷积层的预设的裁剪分数阈值，裁剪所述任一卷积核，并裁剪与所述任一卷积核连接的输入通道和输出通道。本专利技术：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；对初始卷积网络进行训练，得到第一卷积神经网络；对第一卷积神经网络进行简化处理，得到第二卷积神经网络；向第二卷积神经网络中拆分的卷积层中添加残差分支，得到第三卷积神经网络；对第三卷积网络进行训练，得到第四卷积神经网络；通过第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络监测训练样本数据，获得第一检测数据、第二检测数据、第三检测数据和第四检测数据；确定第一检测数据和第二检测数据之间的第一差异，确定第二检测数据和第三检测数据之间的第二差异，确定第三检测数据和第四检测数据之间的第三差异，取第一差异、第二差异和第三差异的平均值的平均差异；根据平均差异调整第四卷积神经网络的网络参数；基于调整后的第四卷积神经网络进行训练，确定目标卷积神经网络，所述目标卷积神经网络用于视频的编解码。以上所述，仅为本专利技术较佳的具体实施方式，但本专利技术的保护范围并不局限于此，任何熟悉本
的技术人员在本专利技术揭露的技术范围内，根据本专利技术的技术方案及其专利技术构思加以等同替换或改变，都应涵盖在本专利技术的保护范围之内。本文档来自技高网...

【技术保护点】
1.一种卷积神经网络处理方法，其特征在于，包括如下步骤：/nS1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；/nS2对初始卷积网络进行训练，得到第一卷积神经网络；/nS3对第一卷积神经网络进行简化处理，得到第二卷积神经网络；/nS4向第二卷积神经网络中拆分的卷积层中添加残差分支，得到第三卷积神经网络；/nS5对第三卷积网络进行训练，得到第四卷积神经网络；/nS6通过第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络监测训练样本数据，获得第一检测数据、第二检测数据、第三检测数据和第四检测数据；/nS7确定第一检测数据和第二检测数据之间的第一差异，确定第二检测数据和第三检测数据之间的第二差异，确定第三检测数据和第四检测数据之间的第三差异，取第一差异、第二差异和第三差异的平均值的平均差异；/nS8根据平均差异调整第四卷积神经网络的网络参数；/nS9基于调整后的第四卷积神经网络进行训练，确定目标卷积神经网络，所述目标卷积神经网络用于视频的编解码。/n

【技术特征摘要】
1.一种卷积神经网络处理方法，其特征在于，包括如下步骤：
S1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；
S2对初始卷积网络进行训练，得到第一卷积神经网络；
S3对第一卷积神经网络进行简化处理，得到第二卷积神经网络；
S4向第二卷积神经网络中拆分的卷积层中添加残差分支，得到第三卷积神经网络；
S5对第三卷积网络进行训练，得到第四卷积神经网络；
S6通过第一卷积神经网络、第二卷积神经网络、第三卷积神经网络和第四卷积神经网络监测训练样本数据，获得第一检测数据、第二检测数据、第三检测数据和第四检测数据；
S7确定第一检测数据和第二检测数据之间的第一差异，确定第二检测数据和第三检测数据之间的第二差异，确定第三检测数据和第四检测数据之间的第三差异，取第一差异、第二差异和第三差异的平均值的平均差异；
S8根据平均差异调整第四卷积神经网络的网络参数；
S9基于调整后的第四卷积神经网络进行训练，确定目标卷积神经网络，所述目标卷积神经网络用于视频的编解码。


2.根据权利要求1所述的一种卷积神经网络处理方法，其特征在于，所述卷积神经网络包括输入层、输...

【专利技术属性】
技术研发人员：徐旭，温志康，焦雪，何英，
申请(专利权)人：辽宁好尔斯科技有限公司，
类型：发明
国别省市：辽宁;21