[发明专利]为数据库确定卷积神经网络CNN模型的装置和方法有效
| 申请号： | 201611095599.7 | 申请日： | 2016-12-01 |
| 公开（公告）号： | CN108133222B | 公开（公告）日： | 2021-11-02 |
| 发明（设计）人： | 孙利;王淞;范伟;孙俊 | 申请（专利权）人： | 富士通株式会社 |
| 主分类号： | G06N3/04 | 分类号： | G06N3/04;G06N3/08;G06F16/51;G06K9/62 |
| 代理公司： | 北京集佳知识产权代理有限公司 11227 | 代理人： | 唐京桥;李春晖 |
| 地址： | 日本神*** | 国省代码： | 暂无信息 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 数据库 确定 卷积 神经网络 cnn 模型 装置 方法 | ||
1.一种为数据库确定卷积神经网络CNN模型的装置，包括：
选取单元，用于从多个已知分类能力的CNN模型中选取至少两个CNN模型；
拟合单元，用于根据所述至少两个CNN模型的分类能力和第一参数拟合以分类能力和第一参数为变量的曲线，其中，所述第一参数用于表征CNN模型的分类精度；
预测单元，用于根据所述曲线预测所述多个CNN模型中的除所述至少两个CNN模型之外的其它CNN模型的第一参数；以及
确定单元，用于根据所述多个CNN模型中的每一个CNN模型的第一参数从所述多个CNN模型中确定适用于所述数据库的CNN模型，
其中，所述装置还包括训练单元，用于训练所述至少两个CNN模型中的每一个CNN模型以获取所述每一个CNN模型的第一参数。
2.根据权利要求1所述的装置，其中，所述选取单元还包括：
第一模型确定单元，用于从所述多个CNN模型中确定分类能力与所述数据库最匹配的模型作为第一模型；
第二模型确定单元，用于从所述多个CNN模型中确定分类能力最差的模型作为第二模型；以及
处理单元，用于确定所述至少两个CNN模型，其中，所述至少两个CNN模型包括所述第一模型和所述第二模型。
3.根据权利要求2所述的装置，其中，所述选取单元还包括第三模型确定单元，用于从所述多个CNN模型中确定分类能力最优的模型作为第三模型，并且所述处理单元确定的所述至少两个CNN模型还包括所述第三模型。
4.根据权利要求1-3中任一项所述的装置，其中，所述拟合单元通过幂指数函数或者对数函数来拟合所述曲线。
5.根据权利要求1-3中任一项所述的装置，其中，所述确定单元还用于根据所述多个CNN模型中的每一个CNN模型的第一参数和第二参数从所述多个CNN模型中确定适用于所述数据库的CNN模型，所述第二参数用于表征CNN模型的性能。
6.根据权利要求5所述的装置，其中，所述第二参数包括用于表征所述CNN模型计算速度的参数或者用于表征所述CNN模型的内存占用率的参数。
7.根据权利要求6所述的装置，其中，用于表征所述CNN模型的计算速度的参数包括所述CNN模型的浮点计算次数。
8.一种为数据库确定卷积神经网络CNN模型的方法，包括：
从多个已知分类能力的CNN模型中选取至少两个CNN模型；
根据所述至少两个CNN模型的分类能力和第一参数拟合以分类能力和第一参数为变量的曲线，其中，所述第一参数用于表征CNN模型的分类精度；
根据所述曲线预测所述多个CNN模型中的除所述至少两个CNN模型之外的其它CNN模型的第一参数；以及
根据所述多个CNN模型中的每一个CNN模型的第一参数从所述多个CNN模型中确定适用于所述数据库的CNN模型，
其中，所述方法还包括：训练所述至少两个CNN模型中的每一个CNN模型以获取所述每一个CNN模型的第一参数。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于富士通株式会社，未经富士通株式会社许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201611095599.7/1.html，转载请声明来源钻瓜专利网。
