[发明专利]神经网络的处理方法及评估方法、数据分析方法及装置

说明书

一种神经网络的处理方法和处理装置、神经网络的评估方法、数据分析方法及装置、存储介质。该神经网络的处理方法包括：利用至少一个非线性层中的第N个非线性层处理输入至第N个非线性层的输入矩阵，以得到第N个非线性层输出的输出矩阵；根据所述输入矩阵和所述输出矩阵，对第N个非线性层进行线性化处理以确定第N个非线性层对应的第N个线性函数的表达式。

技术领域

本公开的实施例涉及一种神经网络的处理方法和处理装置、神经网络的评估方法、数据分析方法及数据分析装置、计算机可读存储介质。

背景技术

当前，基于人工神经网络的深度学习技术已经在诸如物体分类、文本处理、推荐引擎、图像搜索、面部识别、年龄和语音识别、人机对话以及情感计算等领域取得了巨大进展。人工神经网络包括卷积神经网络(Convolution Neural Network，CNN)，卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习(deep learning)的代表算法之一。卷积神经网络是一种非线性系统，其包括多个层结构以及连接这些层结构的非线性单元，这些非线性单元可以允许卷积神经网络适应各种输入。

发明内容

本公开至少一些实施例提供一种神经网络的处理方法，所述神经网络包括至少一个非线性层，

所述处理方法包括：

利用所述至少一个非线性层中的第N个非线性层处理输入至所述第N个非线性层的输入矩阵，以得到所述第N个非线性层输出的输出矩阵；

根据所述输入矩阵和所述输出矩阵，对所述第N个非线性层进行线性化处理以确定所述第N个非线性层对应的第N个线性函数的表达式，

其中，所述第N个线性函数的表达式表示为：

f_LN＝A_N*x+B_N

其中，f_LN表示所述第N个线性函数，A_N表示所述第N个线性函数的第一参数，B_N表示所述第N个线性函数的第二参数，x表示所述第N个非线性层的输入，A_N和B_N根据所述输入矩阵和所述输出矩阵确定，其中，N为正整数。

例如，在本公开一些实施例提供的处理方法中，所述第N个线性函数的第一参数的表达式为：

A_N＝(Df_NN)(x1)，

其中，Df_NN表示所述第N个非线性层对应的非线性函数的一阶导数，x1表示所述输入矩阵；

所述第N个线性函数的第二参数的表达式为：

B_N＝f_NN(x1)-A*(x1)，

其中，f_NN表示所述第N个非线性层对应的非线性函数，f_NN(x1)表示所述输出矩阵。

例如，本公开一些实施例提供的处理方法还包括：对所述神经网络中的所有非线性层进行所述线性化处理。

例如，在本公开一些实施例提供的处理方法中，所述至少一个非线性层包括激活层、实例归一化层、最大池化层或softmax层，

所述激活层的激活函数为ReLU函数、tanh函数或sigmod函数。

本公开一些实施例还提供一种基于神经网络的数据分析方法，包括：

获取输入数据；

利用所述神经网络对所述输入数据进行处理以得到第一输出数据；