生成卷积神经网络的方法和装置、图像识别方法和装置制造方法及图纸

本公开提供了一种生成卷积神经网络的方法和装置，涉及计算机视觉、深度学习等技术领域。具体实现方案为：获取初始卷积神经网络以及初始卷积神经网络的原始激活函数；响应于检测到原始激活函数为预设的函数，基于原始激活函数，得到优化激活函数，优化激活函数通过拼接的负值的预设的函数将初始卷积神经网络的卷积层的输出的通道特征进行四倍或四倍以上扩充；基于优化激活函数，对初始卷积神经网络进行改进，得到优化卷积神经网络。该实施方式减少了生成的卷积神经网络的运算量。减少了生成的卷积神经网络的运算量。减少了生成的卷积神经网络的运算量。

【技术实现步骤摘要】
生成卷积神经网络的方法和装置、图像识别方法和装置


[0001]本公开涉及计算机
，具体涉及计算机视觉、深度学习等
，尤其涉及一种生成卷积神经网络的方法和装置、图像识别方法和装置、电子设备、计算机可读介质以及计算机程序产品。

技术介绍

[0002]近年来，深度学习(Deep Learning，DL)和卷积神经网络(Convolutional neural networks，CNNs)被广泛应用。但卷积神经网络模型，尤其是3D卷积神经模型，在模型训练阶段对于计算机内存有着较高的需求，使得一些性能优异、但运算量较大的模型，难以被应用于输入数据量较大的影像分析任务。

技术实现思路

[0003]提供了一种生成卷积神经网络的方法和装置、图像识别方法和装置、电子设备、计算机可读介质以及计算机程序产品。
[0004]根据第一方面，提供了一种生成卷积神经网络的方法，该方法包括：获取初始卷积神经网络以及初始卷积神经网络的原始激活函数；响应于检测到原始激活函数为预设的函数，基于原始激活函数，得到优化激活函数，优化激活函数通过拼接的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种生成卷积神经网络的方法，所述方法包括：获取初始卷积神经网络以及所述初始卷积神经网络的原始激活函数；响应于检测到所述原始激活函数为预设的函数，基于所述原始激活函数，得到优化激活函数，所述优化激活函数通过拼接的负值的预设的函数将所述初始卷积神经网络的卷积层的输出的通道特征进行四倍或四倍以上扩充；基于所述优化激活函数，对所述初始卷积神经网络进行改进，得到优化卷积神经网络。2.根据权利要求1所述的方法，其中，所述基于所述优化激活函数，对所述初始卷积神经网络进行改进，得到优化卷积神经网络，包括：将所述初始卷积神经网络的卷积核的个数减少至原卷积核个数的1/4倍；采用所述优化激活函数替换所述原始激活函数，得到优化卷积神经网络。3.根据权利要求1所述的方法，其中，所述基于所述优化激活函数，对所述初始卷积神经网络进行改进，得到优化卷积神经网络，包括：采用所述优化激活函数替换所述原始激活函数，得到优化卷积神经网络。4.根据权利要求1
‑
3之一所述的方法，其中，所述获取初始卷积神经网络以及所述初始卷积神经网络的原始激活函数，包括：获取初始卷积神经网络的源码；解析所述源码，得到所述初始卷积神经网络的原始激活函数对应的代码；基于所述原始激活函数对应的代码，确定原始激活函数。5.根据权利要求1
‑
3之一所述的方法，其中，所述预设的函数为Relu函数，所述响应于检测到所述原始激活函数为预设的函数，基于所述原始激活函数，得到优化激活函数，包括：对所述Relu函数的输入值取负，得到第一函数；对所述Relu函数的输出值取负，得到第二函数；对所述第一函数的输出值取负，得到第三函数；并列连接所述Relu函数、所述第一函数、所述第二函数、所述第三函数，得到优化激活函数。6.根据权利要求1
‑
3之一所述的方法，其中，所述预设的函数为Crelu函数，所述响应于检测到所述原始激活函数为预设的函数，基于所述原始激活函数，得到优化激活函数，包括：对所述Crelu函数的输出值取负，得到取负函数；并列连接所述Crelu函数、所述取负函数，得到优化激活函数。7.一种图像识别方法，所述方法包括：获取待识别图像；将所述待识别图像输入优化卷积神经网络，得到由所述优化卷积神经网络输出的对所述待识别图像中目标的分类结果；其中，所述优化卷积神经网络基于如权利要求1
‑
6任意一项所述的生成卷积神经网络的方法得到。8.一种生成卷积神经网络的装置，所述装置包括：获取单元，被配置成获取初始卷积神经网络以及所述初始卷积神经网络的原始激活函
数；得到单元，被配置成响应于检测到所述原始激活函数为预设的函数，基于所述原始激活函数，得到优化激活函数，所述优化激活函数通过拼接的负值的预设的函数将所述初始卷积神经网络的卷...

【专利技术属性】
技术研发人员：尚方信，杨叶辉，李乾，黄海峰，王磊，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：