[发明专利]一种深度神经网络运算方法及装置

权利要求书

1.一种深度神经网络运算方法，其特征在于，所述方法包括：

获取网络层输入特征图；

按照预设位移参数，将所述网络层输入特征图的每个通道分别沿各轴向进行位移，得到位移特征图，其中，所述预设位移参数包括每个通道在各轴向上的位移量；

利用1×1卷积核，对所述位移特征图进行卷积运算，得到网络层输出特征图。

2.根据权利要求1所述的方法，其特征在于，所述位移量为预设的多个不同偏移量的平均分布。

3.根据权利要求1所述的方法，其特征在于，所述预设位移参数经过预先学习得到；

所述预设位移参数的学习方式，包括：

获取初始的位移参数；

将所述位移参数中的位移量转化为浮点位移量；

根据所述网络层输入特征图以及所述浮点位移量，利用双线性插值算法，得到网络层输出函数；

根据所述深度神经网络的输入数据、所述1×1卷积核、所述位移参数以及所述输入数据对应的标签，确定所述深度神经网络的网络损失值；

根据所述网络层输出函数，计算所述网络损失值对所述位移参数的梯度，并利用梯度下降法，对位移参数进行多次迭代更新，得到预设位移参数。

4.根据权利要求3所述的方法，其特征在于，所述根据所述深度神经网络的输入数据、所述1×1卷积核、所述位移参数以及所述输入数据对应的标签，确定所述深度神经网络的网络损失值，包括：

根据所述深度神经网络的输入数据、所述1×1卷积核、所述位移参数以及所述输入数据对应的标签，计算所述深度神经网络的网络损失函数；

根据所述1×1卷积核，计算第一正则项；

根据所述位移参数，计算第二正则项；

对所述网络损失函数、所述第一正则项及所述第二正则项进行加权，得到所述深度神经网络的网络损失值。

5.根据权利要求3所述的方法，其特征在于，所述按照预设位移参数，将所述输入特征图的每个通道分别沿各轴向进行位移，得到位移特征图，包括：

对所述预设位移参数中的浮点位移量进行四舍五入取整操作，得到整型位移量；

按照所述预设位移参数中的整型位移量，将所述输入特征图的每个通道分别沿各轴向进行位移，得到位移特征图。

6.一种深度神经网络运算装置，其特征在于，所述装置包括：

获取模块，用于获取网络层输入特征图；

位移模块，用于按照预设位移参数，将所述网络层输入特征图的每个通道分别沿各轴向进行位移，得到位移特征图，其中，所述预设位移参数包括每个通道在各轴向上的位移量；

运算模块，用于利用1×1卷积核，对所述位移特征图进行卷积运算，得到网络层输出特征图。

7.根据权利要求6所述的装置，其特征在于，所述位移量为预设的多个不同偏移量的平均分布。

8.根据权利要求6所述的装置，其特征在于，所述预设位移参数经过预先学习得到；

所述装置还包括：学习模块；

所述学习模块，用于：

获取初始的位移参数；

将所述位移参数中的位移量转化为浮点位移量；

根据所述网络层输入特征图以及所述浮点位移量，利用双线性插值算法，得到网络层输出函数；根据所述深度神经网络的输入数据、所述1×1卷积核、所述位移参数以及所述输入数据对应的标签，确定所述深度神经网络的网络损失值；

根据所述网络层输出函数，计算所述网络损失值对所述位移参数的梯度，并利用梯度下降法，对位移参数进行多次迭代更新，得到预设位移参数。