数据处理方法及装置、电子设备、计算机可读介质制造方法及图纸

本公开提供了一种数据处理方法及装置、电子设备、计算机可读介质，该方法包括：将待处理数据输入目标神经网络中处理，得到所述待处理数据的处理结果，其中，所述目标神经网络包括多个卷积层，所述多个卷积层中的至少一个为关联卷积层，所述关联卷积层采用关联卷积核进行卷积，所述关联卷积核是通过超级卷积核对所述关联卷积层的基础卷积核进行重参数化得到的，所述超级卷积核的尺寸大于或等于所述基础卷积核的尺寸。根据本公开的实施例能够提升网络的性能。的性能。的性能。

【技术实现步骤摘要】
数据处理方法及装置、电子设备、计算机可读介质


[0001]本公开涉及计算机
，特别涉及一种数据处理方法及装置、电子设备、计算机可读介质。

技术介绍

[0002]卷积神经网络(Convolutional Neural Network，CNN)作为深度学习技术中具有代表性的网络结构之一，在众多领域例如图像处理、语音识别、自然语言处理等领域均取得了突破性进展和广泛应用。
[0003]卷积层(Convolutional layers)是CNN的基本构成单位之一。CNN可以通过卷积层对输入数据进行卷积操作以实现特征提取。在相关技术中，卷积(例如标准的二维卷积、变体的分组卷积等)的卷积核通常是各自卷积所有输入特征图，得到相应的输出特征图，同一卷积层内的不同卷积核之间没有关联，导致处理性能偏低。

技术实现思路

[0004]本公开提供一种基于众核系统的数据处理方法及装置、电子设备、计算机可读介质。
[0005]第一方面，本公开提供了一种数据处理方法，该数据处理方法包括：将待处理数据输入目标神经网络中处理，得到所述待处理数据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：将待处理数据输入目标神经网络中处理，得到所述待处理数据的处理结果，其中，所述目标神经网络包括多个卷积层，所述多个卷积层中的至少一个为关联卷积层，所述关联卷积层采用关联卷积核进行卷积，所述关联卷积核是通过超级卷积核对所述关联卷积层的基础卷积核进行重参数化得到的，所述超级卷积核的尺寸大于或等于所述基础卷积核的尺寸。2.根据权利要求1所述的方法，其特征在于，在所述将待处理数据输入目标神经网络中处理之前，所述方法还包括：对目标卷积层的N个基础卷积核进行拼接，得到至少一个第一特征，所述目标卷积层为所述关联卷积层中的任意一个，N为大于1的整数；通过所述目标卷积层的超级卷积核，分别对所述第一特征进行卷积，得到相应的第二特征；对所述第二特征进行重整理，得到重参数化后的N个关联卷积核，所述关联卷积核的尺寸与所述基础卷积核的尺寸相同。3.根据权利要求2所述的方法，其特征在于，所述对所述第二特征进行重整理，得到重参数化后的N个关联卷积核，包括：将所述第二特征分别与相应的第一特征融合，得到第三特征；对所述第三特征进行拆分，得到所述N个关联卷积核。4.根据权利要求2所述的方法，其特征在于，所述对所述第二特征进行重整理，得到重参数化后的N个关联卷积核，包括：对所述第二特征进行拆分，得到N个中间卷积核；对所述N个中间卷积核进行标准化和/或正交化处理，得到所述N个关联卷积核。5.根据权利要求2
‑
4中任意一项所述的方法，其特征在于，所述将待处理数据输入目标神经网络中处理，得到所述待处理数据的处理结果，包括：通过所述目标卷积层的N个关联卷积核，对所述目标卷积层的输入数据进行卷积，得到所述目标卷积层的输出数据，其中，所述输入数据为所述待处理数据经由所述目标卷积层之前的网络层...

【专利技术属性】
技术研发人员：赵荣臻，李健，吴臻志，
申请(专利权)人：北京灵汐科技有限公司，
类型：发明
国别省市：