基于剪枝模型的图像分类方法、装置、设备及存储介质制造方法及图纸

本申请公开了一种基于剪枝模型的图像分类方法、装置、设备及存储介质，所述方法包括：构建初始的图像分类模型；根据所述图像分类模型的损失函数以及预设的组稀疏约束构建总损失函数；根据预设的训练数据集以及所述总损失函数训练所述图像分类模型，得到训练好的初始图像分类模型；根据每个通道的组稀疏约束对所述训练好的初始图像分类模型进行删减，根据删减后的图像分类模型进行图像分类处理。根据本申请实施例提供的图像分类方法，可以对大图像分类模型中不重要的通道进行裁剪，从而减少分类模型的参数量，提升分类模型的计算效率，且该方法可以减少剪枝对网络性能造成的影响，依然保持较高的分类性能。然保持较高的分类性能。然保持较高的分类性能。

【技术实现步骤摘要】
基于剪枝模型的图像分类方法、装置、设备及存储介质


[0001]本专利技术涉及模型压缩
，特别涉及一种基于剪枝模型的图像分类方法、装置、设备及存储介质。

技术介绍

[0002]近年来，深度神经网络使得很多计算机视觉任务的性能达到了前所未有的高度。例如，基于深度神经网络进行图像分类处理。
[0003]目前的图像分类模型结构越复杂，参数越多，网络能学习到的知识就越丰富，分类效果也越好。然而，高额的存储空间以及大量计算资源消耗使得图像分类大模型难以广泛应用在各类硬件平台。因此，可以通过模型剪枝等方法对图像分类模型进行压缩。
[0004]但是，对现有的图像分类模型进行裁剪时，往往会减掉仍然有作用的通道，可能会影响网络的分类性能，使图像分类性能降低。

技术实现思路

[0005]本申请实施例提供了一种基于剪枝模型的图像分类方法、装置、设备及存储介质。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于剪枝模型的图像分类方法,其特征在于,包括：构建初始的图像分类模型；根据所述图像分类模型的损失函数以及预设的组稀疏约束构建总损失函数；其中，组稀疏约束由批归一化层中的乘子和偏移量构建而成；根据预设的训练数据集以及所述总损失函数训练所述图像分类模型，得到训练好的初始图像分类模型；根据每个通道的组稀疏约束对所述训练好的初始图像分类模型进行删减；根据删减后的图像分类模型进行图像分类处理。2.根据权利要求1所述的方法，其特征在于，根据所述图像分类模型的损失函数以及预设的组稀疏约束构建总损失函数，包括：构建所述图像分类模型的交叉熵损失函数；根据所述图像分类模型中每个通道的批归一化层的乘子和偏移量构建组稀疏约束；将所述组稀疏约束加入所述交叉熵损失函数，得到所述总损失函数。3.根据权利要求2所述的方法，其特征在于，所述总损失函数如下公式所示：其中，∑
i
‑
p
i
logq
i
表示图像分类模型的交叉熵损失函数，p
i
表示输入图片属于第i类的真实标签，q
i
表示模型得到的图片属于第i类的预测概率值，i表示类别索引号，∑
n
λ‖Z
n
‖
1,2
表示组稀疏约束，Z
n
表示第n个通道对应的批归一化层的乘子和偏移量参数，n为通道索引号，λ表示组稀疏约束的权重，表示对乘子和偏移量的组稀疏约束，γ为乘子，β为偏移量。4.根据权利要求1所述的方法，其特征在于，根据每个通道的组稀疏约束对所述训练好的初始图像分类模型进行删减，包括：获取所述初始图像分类模型中每个通道的批归一化层的组稀疏约束值；当所述通道的批归一化层的组稀疏约束值小于预设阈值时，删除该通道，得到删减后的图像分类模型。5.根据权...

【专利技术属性】
技术研发人员：王国龙，廖丹萍，戚晓东，施钢杰，
申请(专利权)人：浙江省北大信息技术高等研究院杭州未名信科科技有限公司，
类型：发明
国别省市：