卷积神经网络模型的通道调整方法、装置和设备制造方法及图纸

本发明专利技术公开了一种卷积神经网络模型的通道调整方法，包括：当输入图片的当前格式与卷积神经网络模型的输入格式不同时，提取卷积神经网络模型中第一层卷积层的权重；对权重进行一次格式转换，以将权重从初始格式转换成通用格式；根据输入图片的当前格式对卷积层的通道进行调整；对通用格式下的所述权重进行二次格式转换，以将权重从通用格式转换成与卷积神经网络模型对应的目标格式；将目标格式下的权重赋值给卷积层。本发明专利技术还公开了一种卷积神经网络模型的通道调整装置、设备和一种计算机可读存储介质。采用本发明专利技术实施例，能支持不同框架模型中通道的调整，提高了卷积神经网络模型的处理效率。

【技术实现步骤摘要】
卷积神经网络模型的通道调整方法、装置和设备
本专利技术涉及人工智能
，尤其涉及一种卷积神经网络模型的通道调整方法、装置和设备。
技术介绍
卷积神经网络(ConvolutionalNeuralNetwork，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。在人工智能
，深度学习是一类机器学习算法，使用多个层逐步从原始输入中逐步提取更高级别的特征。例如，在图像处理中，较低层可以识别边缘，而较高层可以识别对人类有意义的部分，可以在分类和检测任务中达到较高的准确率。但是，由于受限于训练过程中使用的数据集和预处理工具，训练完成的神经网络通常仅能用在与训练集类型相同/数据格式一致的应用环境下，如果需要使用不同类型的输入数据，通常是对当前图片的格式做一次转换，然后再输入到模型中，但是格式的转换需要消耗计算，如果有很多的图片需要调整格式，将它们一一转换消耗的时间长，导致网络预处理时间长，数据处理效率低。
技术实现思路
本专利技术实施例的目的是提供一种卷积神经网络模型的通道调整方法、装置、设备和存储介质，能支持不同框架下模型中卷积通道的调整，提高了卷积神经网络模型的处理效率。为实现上述目的，本专利技术实施例提供了一种卷积神经网络模型的通道调整方法，包括：当输入图片的当前格式与卷积神经网络模型的输入格式不同时，提取卷积神经网络模型中第一层卷积层的权重；对所述权重进行一次格式转换，以将所述权重从初始格式转换成通用格式；其中，所述通用格式为扩展程序库中的数组形式；根据输入图片的当前格式对所述卷积层的通道进行调整；对所述通用格式下的所述权重进行二次格式转换，以将所述权重从通用格式转换成与所述卷积神经网络模型对应的目标格式；将所述目标格式下的所述权重赋值给所述卷积层。作为上述方案的改进，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式通道的顺序不对应时，所述根据输入图片的当前格式对所述卷积层的通道进行调整，包括：对所述卷积层中所有卷积核的通道顺序进行调整，以跟所述输入图片的当前格式的通道的顺序对应。作为上述方案的改进，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式的通道数不同时，所述根据输入图片的当前格式对所述卷积层的通道进行调整，包括：当所述卷积神经网络模型的输入格式的通道数大于所述输入图片的当前格式的通道数时，在所述卷积层的所有卷积核中删掉对应个通道；当所述卷积神经网络模型的输入格式的通道数小于所述输入图片的当前格式的通道数时，在所述卷积层中所有卷积核中添加对应个通道。作为上述方案的改进，所述在所述卷积层中所有卷积核中添加对应个通道，包括：在所述卷积层中所有卷积核中添加对应个用零值填充的通道。作为上述方案的改进，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式的通道格式不同时，所述根据输入图片的当前格式对所述卷积层的通道进行调整，包括：根据所述输入图片的当前格式，对所述卷积层中所有卷积核的通道权值进行调整。作为上述方案的改进，所述扩展程序库为numpy库。为实现上述目的，本专利技术实施例还提供一种卷积神经网络模型的通道调整装置，包括：权重提取模块，用于当输入图片的当前格式与卷积神经网络模型的输入格式不同时，提取卷积神经网络模型中第一层卷积层的权重；一次格式转换模块，用于对所述权重进行一次格式转换，以将所述权重从初始格式转换成通用格式；其中，所述通用格式为扩展程序库中的数组形式；通道调整模块，用于根据输入图片的当前格式对所述卷积层的通道进行调整；二次格式转换模块，对所述通用格式下的所述权重进行二次格式转换，以将所述权重从通用格式转换成与所述卷积神经网络模型对应的目标格式；权重赋值模块，用于将所述目标格式下的所述权重赋值给所述卷积层。作为上述方案的改进，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式的通道的顺序不对应时，所述通道调整模块用于：对所述卷积层中所有卷积核的通道顺序进行调整，以跟所述输入图片的当前格式的通道的顺序对应。为实现上述目的，本专利技术实施例还提供一种卷积神经网络模型的通道调整设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一实施例所述的卷积神经网络模型的通道调整方法。为实现上述目的，本专利技术实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一实施例所述的卷积神经网络模型的通道调整方法。相比于现有技术，本专利技术实施例公开的卷积神经网络模型的通道调整方法、装置、设备和存储介质，首先，当输入图片的当前格式与卷积神经网络模型的输入格式不同时，提取卷积神经网络模型中第一层卷积层的权重；然后，对所述权重进行一次格式转换，以将所述权重从初始格式转换成通用格式，将权重的格式转换成通用格式，能够兼容不同框架下卷积神经网络模型的格式差异；根据输入图片的当前格式对所述卷积层的通道进行调整，调整之后的卷积层的格式与输入图片的格式对应；对所述通用格式下的所述权重进行二次格式转换，以将所述权重从通用格式转换成与所述卷积神经网络模型对应的目标格式；将所述目标格式下的所述权重赋值给所述卷积层。由于在对卷积层的通道进行调整的过程中，对卷积层的权重进行了格式转换，使得卷积神经网络模型能够适应不同格式的输入图片，同时能够支持不同框架下模型中卷积通道的调整，提高了卷积神经网络模型的处理效率。附图说明图1是本专利技术实施例提供的一种卷积神经网络模型的通道调整方法的流程图；图2是本专利技术实施例提供的卷积神经网络模型的示意图；图3是本专利技术实施例提供的一种卷积神经网络模型的通道调整装置的结构框图；图4是本专利技术实施例提供的一种卷积神经网络模型的通道调整设备的结构框图。具体实施方式下面将结合本专利技术实施例中的附图，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。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。参见图1，图1是本专利技术实施例提供的一种卷积神经网络模型的通道调整方法的流程图，所述卷积神经网络模型的通道调整方法包括：S1、当输入图片的当前格式与卷积神经网络模型的输入格式不同时，提取卷积神经网络模型中第一层卷积层的权重；S2、对所述权重进行一次格式转换，以将所述权重从初始格式转换成通用格式；其中，所述通用格式为扩展程序库中的数组形式；S3、根据输入图片的当前格式对所述卷积层的通道进行调整；S4、对所述通用格式下的所述权重进行二次格式转换，以将所述权重从通用格式转换成与所述卷积神本文档来自技高网...

【技术保护点】
1.一种卷积神经网络模型的通道调整方法，其特征在于，包括：/n当输入图片的当前格式与卷积神经网络模型的输入格式不同时，提取卷积神经网络模型中第一层卷积层的权重；/n对所述权重进行一次格式转换，以将所述权重从初始格式转换成通用格式；其中，所述通用格式为扩展程序库中的数组形式；/n根据输入图片的当前格式对所述卷积层的通道进行调整；/n对所述通用格式下的所述权重进行二次格式转换，以将所述权重从通用格式转换成与所述卷积神经网络模型对应的目标格式；/n将所述目标格式下的所述权重赋值给所述卷积层。/n

【技术特征摘要】
1.一种卷积神经网络模型的通道调整方法，其特征在于，包括：
当输入图片的当前格式与卷积神经网络模型的输入格式不同时，提取卷积神经网络模型中第一层卷积层的权重；
对所述权重进行一次格式转换，以将所述权重从初始格式转换成通用格式；其中，所述通用格式为扩展程序库中的数组形式；
根据输入图片的当前格式对所述卷积层的通道进行调整；
对所述通用格式下的所述权重进行二次格式转换，以将所述权重从通用格式转换成与所述卷积神经网络模型对应的目标格式；
将所述目标格式下的所述权重赋值给所述卷积层。


2.如权利要求1所述的卷积神经网络模型的通道调整方法，其特征在于，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式的通道的顺序不对应时，所述根据输入图片的当前格式对所述卷积层的通道进行调整，包括：
对所述卷积层中所有卷积核的通道顺序进行调整，以跟所述输入图片的当前格式的通道的顺序对应。


3.如权利要求1所述的卷积神经网络模型的通道调整方法，其特征在于，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式的通道数不同时，所述根据输入图片的当前格式对所述卷积层的通道进行调整，包括：
当所述卷积神经网络模型的输入格式的通道数大于所述输入图片的当前格式的通道数时，在所述卷积层的所有卷积核中删掉对应个通道；
当所述卷积神经网络模型的输入格式的通道数小于所述输入图片的当前格式的通道数时，在所述卷积层中所有卷积核中添加对应个通道。


4.如权利要求3所述的卷积神经网络模型的通道调整方法，其特征在于，所述在所述卷积层中所有卷积核中添加对应个通道，包括：
在所述卷积层中所有卷积核中添加对应个用零值填充的通道。


5.如权利要求1所述的卷积神经网络模型的通道调整方法，其特征在于，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式的通道格式不...

【专利技术属性】
技术研发人员：张洪光，
申请(专利权)人：普联技术有限公司，
类型：发明
国别省市：广东;44