一种提升卷积神经网络可靠性的方法、系统及设备技术方案

本申请公开了一种提升卷积神经网络可靠性的方法，包括：根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码；利用校验码对卷积神经网络模型进行软错误校验；若卷积神经网络模型未出现软错误，则利用卷积神经网络模型对待处理图像数据进行图像处理。本申请通过在利用卷积神经网络模型对待处理图像数据进行图像处理之前，先对卷积神经网络模型进行软错误校验，进而降低了计算机系统发生软错误的概率。同时，利用校验码进行软错误校验，极大地降低了校验后的卷积神经网络模型出现的概率，提高了利用CNNs得到的图像处理结果精度。本申请同时还提供了一种提升卷积神经网络可靠性的系统、设备及可读存储介质，具有上述有益效果。

【技术实现步骤摘要】
一种提升卷积神经网络可靠性的方法、系统及设备
本申请涉及卷积神经网络领域，特别涉及一种提升卷积神经网络可靠性的方法、系统、设备及可读存储介质。
技术介绍
卷积神经网络(ConvolutinalNeuralNetworks，CNNs)是一种包含卷积计算且具有深度结构的前馈神经网络，能够实现对图像进行特征提取，然后对图像进行处理。CNNs因其精度高而受到人工智能领域的广泛关注。然而，软错误是现代计算机系统中一个重要的脆弱因素，它通常是由存储电路和逻辑电路中的高能粒子碰撞引起的。软错误是在程序执行过程中，指令和数据可能出现的暂态错误。随着制造工艺技术规模的扩大，计算机系统发生软错误的概率增加，导致利用CNNs得到的图像处理结果精度较低。因此，如何提升卷积神经网络可靠性，进而提高利用CNNs得到的图像处理结果的精度是本领域技术人员目前需要解决的技术问题。
技术实现思路
本申请的目的是提供一种提升卷积神经网络可靠性的方法、系统、设备及可读存储介质，用于提升卷积神经网络可靠性，进而提高利用CNNs得到的图像处理结果的精度。为解决上述技术问题，本申请提供一种提升卷积神经网络可靠性的方法，该方法包括：根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码；利用所述校验码对所述卷积神经网络模型进行软错误校验；若所述卷积神经网络模型未出现软错误，则利用所述卷积神经网络模型对所述待处理图像数据进行图像处理。可选的，所述卷积神经网络模型使用的数据类型包括32位浮点数，利用所述校验码对所述卷积神经网络模型进行软错误校验，包括：确定所述卷积神经网络模型中的待检测卷积核；利用所述校验码对所述待检测卷积核中权重的第30位进行SEC-DEDECC检测。可选的，还包括：当所述待检测卷积核的权重的第30位出现软错误时，利用所述校验码对所述待检测卷积核中权重的第30位进行修正；利用修正后的所述待检测卷积核对所述待处理图像数据进行图像处理。可选的，所述卷积神经网络模型使用的数据类型包括32位浮点数，利用所述校验码对所述卷积神经网络模型进行软错误校验，包括：确定所述卷积神经网络模型中的待检测卷积核；利用所述校验码对所述待检测卷积核中权重的第21位至第30位进行SEC-DEDECC检测。可选的，在根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码之前，还包括：利用预设训练集对初始模型进行训练得到所述卷积神经网络模型；根据所述卷积神经网络模型中的卷积核生成对应的校验码。可选的，所述卷积神经网络模型使用的数据类型包括16位浮点数或64位浮点数。本申请还提供一种提升卷积神经网络可靠性的系统，该系统包括：确定模块，用于根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码；校验模块，用于利用所述校验码对所述卷积神经网络模型进行软错误校验；图像处理模块，用于若所述卷积神经网络模型未出现软错误，则利用所述卷积神经网络模型对所述待处理图像数据进行图像处理。可选的，所述卷积神经网络模型使用的数据类型包括32位浮点数，所述校验模块包括：第一确定子模块，用于确定所述卷积神经网络模型中的待检测卷积核；第一检测子模块，用于利用所述校验码对所述待检测卷积核中权重的第30位进行SEC-DEDECC检测。本申请还提供一种提升卷积神经网络可靠性设备，该提升卷积神经网络可靠性设备包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述任一项所述提升卷积神经网络可靠性的方法的步骤。本申请还提供一种可读存储介质，所述可读存储介质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述任一项所述提升卷积神经网络可靠性的方法的步骤。本申请所提供提升卷积神经网络可靠性的方法，包括：根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码；利用校验码对卷积神经网络模型进行软错误校验；若卷积神经网络模型未出现软错误，则利用卷积神经网络模型对待处理图像数据进行图像处理。本申请所提供的技术方案，通过在利用卷积神经网络模型对待处理图像数据进行图像处理之前，先对卷积神经网络模型进行软错误校验，只有在卷积神经网络模型未出现软错误时才进行图像处理，进而降低了计算机系统发生软错误的概率。同时，利用校验码进行软错误校验，极大地降低了校验后的卷积神经网络模型出现的概率，提高了利用CNNs得到的图像处理结果精度。本申请同时还提供了一种提升卷积神经网络可靠性的系统、设备及可读存储介质，具有上述有益效果，在此不再赘述。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，还可以根据提供的附图获得其他的附图。图1为本申请实施例所提供的一种提升卷积神经网络可靠性的方法的流程图；图2为本申请实施例所提供的一种32位浮点数的正常表示图；图3为本申请实施例所提供的一种32位浮点数的第30位翻转错误之后的表示图；图4为本申请实施例提供的一种利用校验码保护卷积神经网络模型中卷积层的卷积核中权重的第30位的示意图；图5为本申请实施例提供的一种利用校验码保护卷积神经网络模型中全连接层层的卷积核中权重的第30位的示意图；图6为本申请实施例提供的一种利用校验码对待检测卷积核中权重的第30位进行SEC-DEDECC检测的示意图；图7为本申请实施例提供的一种校验码的逻辑结构的示意图；图8为本申请实施例所提供的一种提升卷积神经网络可靠性的系统的结构图；图9为本申请实施例所提供的一种提升卷积神经网络可靠性设备的结构图。具体实施方式本申请的核心是提供一种提升卷积神经网络可靠性的方法、系统、设备及可读存储介质，用于提升卷积神经网络可靠性，进而提高利用CNNs得到的图像处理结果的精度。为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。CNNs是一种包含卷积计算且具有深度结构的前馈神经网络，主要由两种类型的层组成:卷积层与全连接层。卷积层的功能是对输入数据进行特征提取，其内部包含多个卷积核，它们是一系列关于权重的矩阵。执行卷积操作时，权重矩阵与大小相同的输入特征映射的子矩阵按位置进行元素相乘。随后，权重矩阵向后移动指定步长，并重复进行以上相同的过程，直到操作完全完成。最后通过激励函数ReLU完成当前层本文档来自技高网...

【技术保护点】
1.一种提升卷积神经网络可靠性的方法，其特征在于，包括：/n根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码；/n利用所述校验码对所述卷积神经网络模型进行软错误校验；/n若所述卷积神经网络模型未出现软错误，则利用所述卷积神经网络模型对所述待处理图像数据进行图像处理。/n

【技术特征摘要】
1.一种提升卷积神经网络可靠性的方法，其特征在于，包括：
根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码；
利用所述校验码对所述卷积神经网络模型进行软错误校验；
若所述卷积神经网络模型未出现软错误，则利用所述卷积神经网络模型对所述待处理图像数据进行图像处理。


2.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型使用的数据类型包括32位浮点数，利用所述校验码对所述卷积神经网络模型进行软错误校验，包括：
确定所述卷积神经网络模型中的待检测卷积核；
利用所述校验码对所述待检测卷积核中权重的第30位进行SEC-DEDECC检测。


3.根据权利要求2所述的方法，其特征在于，还包括：
当所述待检测卷积核的权重的第30位出现软错误时，利用所述校验码对所述待检测卷积核中权重的第30位进行修正；
利用修正后的所述待检测卷积核对所述待处理图像数据进行图像处理。


4.根据权利要求1所述的方法，其特征在于，所述卷积神经网络模型使用的数据类型包括32位浮点数，利用所述校验码对所述卷积神经网络模型进行软错误校验，包括：
确定所述卷积神经网络模型中的待检测卷积核；
利用所述校验码对所述待检测卷积核中权重的第21位至第30位进行SEC-DEDECC检测。


5.根据权利要求1所述的方法，其特征在于，在根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码之前，还包括：

【专利技术属性】
技术研发人员：谭婧炜佳，王麒翔，平丽琪，阎凯歌，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林;22