[发明专利]神经网络模型的构建方法、装置及移动终端

说明书

本发明揭示了一种神经网络模型的构建方法、装置及移动终端，属于计算机应用技术领域。所述深度学习平台包括：构建神经网络对采集的样本图像进行深度学习的训练，所述神经网络包括多个网络结构及其对应的权重参数；根据所述权重参数对所述神经网络进行网络结构的裁剪，使最终得到神经网络模型在保持较高的准确率的同时，能够大大减少深度学习时的计算时间，提高采用该神经网络模型进行深度学习时的计算速率，实现将神经网络模型可应用于移动终端。

技术领域

本发明涉及计算机应用技术领域，特别涉及一种神经网络模型的构建方法、装置及移动终端。

背景技术

深度学习作为机器学习领域的变革者已经众人皆知了，尤其是计算机视觉领域。与深度学习在图形分类领域碾压传统模型类似，深度学习模型现在也是目标检测领域最好的方法。但是深度学习依赖于神经网络，而采用神经网络计算时须消耗过多的计算机资源，使得深度学习必须要使用高性能、具有强大算力的硬件来支持，如高端显卡，这使得深度学习在实际应用时受到很多的限制。

目前，深度学习的应用为了解决上述问题，通常采用云服务方式，即训练模型和使用模型都在具有高端显卡的高性能服务端上运行，客户端通过上传需要处理的图片到服务端，服务端处理完成后将结果返回客户端，完成深度学习的目标检测。但由于基于云服务的深度学习应用必须依赖于网络，导致目前的深度学习移动应用难于推广和应用。

发明内容

为了解决相关技术中深度学习严重依赖于网络的技术问题，本发明提供了一种神经网络模型的构建方法、装置及移动终端。

第一方面，提供了一种神经网络模型的构建方法，包括：

构建神经网络对采集的样本图像进行深度学习的训练，所述神经网络包括多个网络结构及其对应的权重参数；

根据所述权重参数对所述神经网络进行网络结构的裁剪，得到神经网络模型。

可选的，所述根据所述权重参数对所述神经网络进行网络结构的裁剪，得到神经网络模型的步骤包括：

将各网络结构对应的权重参数与预设的权重参数阈值进行比对，得到小权重网络结构；

从所述神经网络中删除所述小权重网络结构得到神经网络模型。

可选的，所述根据所述权重参数对所述神经网络进行网络结构的裁剪，得到神经网络模型的步骤之后，所述方法还包括：

降低所述神经网络模型中各权重参数的精度。

可选的，所述根据所述权重参数对所述神经网络进行网络结构的裁剪，得到神经网络模型的步骤之后，所述方法还包括：

采用所述样本图像构建校验集；

将所述校验集输入到所述神经网络模型中，获取相应的准确率；

根据所述准确率对所述神经网络模型进行权重参数的调整。

第二方面，提供了一种神经网络模型的构建装置，包括：

训练模块，用于构建神经网络对采集的样本图像进行深度学习的训练，所述神经网络包括多个网络结构及其对应的权重参数；

裁剪模块，用于根据所述权重参数对所述神经网络进行网络结构的裁剪，得到神经网络模型。

可选的，所述裁剪模块包括：

比对单元，用于将各网络结构对应的权重参数与预设的权重参数阈值进行比对，得到小权重网络结构；

裁剪单元，用于从所述神经网络中删除所述小权重网络结构得到神经网络模型。

可选的，所述装置还包括：

精度降低模块，用于降低所述神经网络模型中各权重参数的精度。