【技术实现步骤摘要】
深度卷积神经网络压缩方法、装置、存储介质及设备
本专利技术涉及模式识别领域,特别是指一种深度卷积神经网络压缩方法、装置、计算机可读存储介质及设备。
技术介绍
卷积神经网络(ConvolutionalNeuralNetwork,CNN),也简称为网络,是一类模式识别方法。该方法旨在使用卷积的方法对图像等数据进行表征量化,进而完成分类或是回归任务。该方法目前在图像分类、语音识别等方向表现出了优异的性能。近年来随着深度学习的发展,为了显著的提升模型准确率,网络的计算量和参数随之大幅增加,这种巨大的网络模型也称为深度卷积神经网络(DeepConvolutionalNeuralNetwork,DCNN)。但是这些DCNN在部署阶段,往往需要占用巨大内存资源,同时运行起来极其耗时,尤其是在移动终端上,运算资源有限,导致这些准确率高的DCNN在实际的运用过程中举步维艰。为了在更多场景中应用DCNN,需要对DCNN模型进行压缩和加速,常用的模型压缩加速算法有模型裁剪法、模型搜索法等。但是这些方法压缩后得到的精简网络的准确率很难满足要求,效果较差。
技术实现思路
为解决上述技术问题,本专利技术提供一种深度卷积神经网络压缩方法、装置、存储介质及设备,提高了精简网络算法的准确率,加速了精简网络模型的收敛。本专利技术提供技术方案如下:第一方面,本专利技术提供一种深度卷积神经网络压缩方法,所述方法包括:步骤S1:获取DCNN、与DCNN对应的精简网络和训练集,所述训练集包括多个类别的 ...
【技术保护点】
1.一种深度卷积神经网络压缩方法,其特征在于,所述方法包括:/n步骤S1:获取DCNN、与DCNN对应的精简网络和训练集,所述训练集包括多个类别的样本,所述样本上设置有表示该样本类别的标签;/n步骤S2:使用训练集训练DCNN;/n步骤S3:从训练集的每个类别中随机选取一个样本,组成训练子集;/n步骤S4:将训练子集输入训练好的DCNN,提取第一特征矩阵,并得到训练子集中每个样本在DCNN的特征层或分类层的输出;/n步骤S5:将训练子集中每个样本的标签替换为该样本在DCNN的特征层或分类层的输出;/n步骤S6:从训练子集中取出一批样本输入精简网络,得到第二特征矩阵;/n步骤S7:根据第一特征矩阵、第二特征矩阵和替换后的标签计算损失函数;/n步骤S8:采用随机梯度下降法更新精简网络的参数;/n步骤S9:判断训练子集中是否有样本未被取出,若是,返回步骤S6,否则,执行步骤S10;/n步骤S10:判断是否达到迭代次数,若是,完成精简网络的训练,结束,否则,返回步骤S3。/n
【技术特征摘要】
1.一种深度卷积神经网络压缩方法,其特征在于,所述方法包括:
步骤S1:获取DCNN、与DCNN对应的精简网络和训练集,所述训练集包括多个类别的样本,所述样本上设置有表示该样本类别的标签;
步骤S2:使用训练集训练DCNN;
步骤S3:从训练集的每个类别中随机选取一个样本,组成训练子集;
步骤S4:将训练子集输入训练好的DCNN,提取第一特征矩阵,并得到训练子集中每个样本在DCNN的特征层或分类层的输出;
步骤S5:将训练子集中每个样本的标签替换为该样本在DCNN的特征层或分类层的输出;
步骤S6:从训练子集中取出一批样本输入精简网络,得到第二特征矩阵;
步骤S7:根据第一特征矩阵、第二特征矩阵和替换后的标签计算损失函数;
步骤S8:采用随机梯度下降法更新精简网络的参数;
步骤S9:判断训练子集中是否有样本未被取出,若是,返回步骤S6,否则,执行步骤S10;
步骤S10:判断是否达到迭代次数,若是,完成精简网络的训练,结束,否则,返回步骤S3。
2.根据权利要求1所述的深度卷积神经网络压缩方法,其特征在于,所述损失函数的计算公式为:
Loss(Ibatch,batch)=Softmaxloss(pre_logit,batch)
其中,Loss(Ibatch,batch)为计算得到的损失函数值,Softmaxloss()为多分类交叉熵损失函数,为的转置,为第一特征矩阵,为第二特征矩阵,batch为替换后的标签,Ibatch为从训练子集中取出的一批样本。
3.根据权利要求1或2所述的深度卷积神经网络压缩方法,其特征在于,所述DCNN和精简网络用于人脸识别,所述训练集的样本通过如下方法得到:
对人脸图像进行人脸检测和关键点定位,得到人脸区域和人脸关键点,所述人脸关键点包括左眼坐标和右眼坐标;
通过仿射变换将左眼坐标和右眼坐标对齐到指定坐标位置;
将人脸区域归一化为指定的大小并进行灰度化,得到样本;
为样本设置表示该样本类别的标签。
4.根据权利要求3所述的深度卷积神经网络压缩方法,其特征在于,所述左眼坐标对齐到(30,30)坐标,所述右眼坐标对齐到(30,70)坐标,将人脸区域归一化为100*100的大小。
5.一种深度卷积神经网络压缩装置,其特征在于,所述装置包括:
获取模块,用于获取DCNN、与DCNN对应的精简网络和训练集,所述训练集包括多个类别的样本,所述样本上设置有表示该样本类别的标签;
DCNN训练模块,使用训练集训练DCNN;
训练子集获取模块,从训练集的每个类别中随机选取一个...
【专利技术属性】
技术研发人员:周军,丁松,王洋,江武明,
申请(专利权)人:北京眼神智能科技有限公司,北京眼神科技有限公司,
类型:发明
国别省市:北京;11
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。