[发明专利]图像处理的方法和装置

说明书

本公开是关于一种图像处理的方法和装置，属于机器学习模型技术领域。所述方法包括：确定当前层的输入图像特征数据和权重系数数据分别对应的数据量限制条件；确定当前层的输入图像特征数据和权重系数数据中是否存在数据量不满足对应的数据量限制条件的目标数据，根据确定结果，选择对目标数据进行切分的切分维度，基于切分维度，将目标数据切分为满足对应的数据量限制条件的数据；基于当前层的输入图像特征数据和权重系数数据中除目标数据之外的数据以及切分后的目标数据，确定当前层的输出图像特征数据。采用本公开，即使计算机设备中的缓存较小、可使用存储空间较小，计算机设备都可以正常对图像进行处理。

技术领域

本公开是关于机器学习模型技术领域，尤其是关于一种图像处理的方法和装置。

背景技术

随着科技的发展，许多对图像进行处理的任务都可以由卷积神经网络来执行。卷积神经网络一般可以由不同类型的层组成，如卷积层、池化层、全连接层等。不同类型的层具有不同的运算逻辑，例如，在卷积层中需要进行卷积运算。对于卷积神经网络的任一层，可以将第一图像特征数据输入到当前层中，第一图像特征数据和当前层中的权重系数数据进行预设的运算处理，在运算处理之后输出第二图像特征数据。

可以在计算机设备中通过卷积神经网络对图像进行处理。计算机设备可以包括主存、缓存、处理器等部件。主存的存储空间较大速度较慢，缓存的存储空间较小速度较快。卷积神经网络中的数据一般都会存储在主存中，只有在处理器需要对卷积神经网络中的当前层的第一图像特征数据和权重系数数据进行运算处理时，才会将当前层的第一图像特征数据和权重系数数据读取到缓存中，基于缓存中的第一图像特征数据、权重系数数据进行运算处理。在进行运算处理的过程中，还需要在缓存中存储运算过程中产生的中间特征数据、以及当前层需要输出的第二图像特征数据等数据。

在实现本公开的过程中，发明人发现至少存在以下问题：

由于在进行卷积神经网络中的任一层的运算处理时，缓存中至少需要存储当前层对应的第一图像特征数据、权重系数数据、中间特征数据、第二图像特征数据等数据，这些数据所需的存储空间较大。对于缓存较小的计算机设备，如果不能容纳上述数据，会导致无法正常对图像进行处理。

发明内容

为了克服相关技术中存在的问题，本公开提供了以下技术方案：

根据本公开实施例的第一方面，提供一种图像处理的方法，所述方法包括：

确定当前层的输入图像特征数据和权重系数数据分别对应的数据量限制条件；

确定当前层的输入图像特征数据和权重系数数据中是否存在数据量不满足对应的数据量限制条件的目标数据，根据确定结果，选择对所述目标数据进行切分的切分维度，基于所述切分维度，将所述目标数据切分为满足对应的数据量限制条件的数据；

基于当前层的输入图像特征数据和权重系数数据中除所述目标数据之外的数据以及切分后的目标数据，确定当前层的输出图像特征数据。

根据本公开实施例的第二方面，提供一种图像处理的装置，所述装置包括：

确定模块，用于确定当前层的输入图像特征数据和权重系数数据分别对应的数据量限制条件；

切分模块，用于确定当前层的输入图像特征数据和权重系数数据中是否存在数据量不满足对应的数据量限制条件的目标数据，根据确定结果，选择对所述目标数据进行切分的切分维度，基于所述切分维度，将所述目标数据切分为满足对应的数据量限制条件的数据；

所述确定模块，还用于基于当前层的输入图像特征数据和权重系数数据中除所述目标数据之外的数据以及切分后的目标数据，确定当前层的输出图像特征数据。

根据本公开实施例的第三方面，提供一种计算机设备，所述计算机设备包括处理器、通信接口、存储器和通信总线，其中：