[发明专利]一种确定卷积神经网络的决策因素的方法及电子设备

权利要求书

1.一种确定卷积神经网络的决策因素的方法，其特征在于，包括：

获取输入图像，以及识别所述输入图像的卷积神经网络模型，所述卷积神经网络模型包括至少一个卷积层，至少一个池化层，以及至少一个全连接层；

根据所述至少一个卷积层中每个卷积层包含的一个或多个卷积核，确定每个卷积层对应的第二权重矩阵；根据所述至少一个池化层中每个池化层包含的池化窗口矩阵，确定每个池化层对应的第三权重矩阵；根据所述至少一个全连接层中每个全连接层包含的激活函数，确定每个全连接层对应的第四权重矩阵；

根据所述第二权重矩阵、所述第三权重矩阵和所述第四权重矩阵确定第一权重矩阵，所述第一权重矩阵与所述输入图像像素尺寸的大小相同；

根据所述第一权重矩阵中各个元素的权重值确定与所述第一权重矩阵中各个元素位置对应的所述输入图像中的一个或多个像素，作为所述卷积神经网络模型的决策因素。

2.根据权利要求1所述的方法，其特征在于，所述根据所述至少一个卷积层中每个卷积层包含的一个或多个卷积核，确定每个卷积层对应的第二权重矩阵，包括：

根据所述每个卷积层的输入数据确定所述每个卷积层对应的第二权重矩阵的宽度；

根据所述每个卷积层的所述一个或多个卷积核感受野和卷积步长，以及每个卷积层的输入数据的尺寸确定所述每个卷积层对应的第二权重矩阵的高度。

3.根据权利要求2所述的方法，其特征在于，

所述至少一个卷积层中第一卷积层的输入数据为m1×n1×r1的多通道矩阵，m1×n1为通道矩阵的尺寸，r1为通道矩阵的数量，且包括k个卷积核，所述k个卷积核的感受野为p1×q1，卷积步长为s1，

所述第一卷积层对应的所述第二权重矩阵的宽度为

Wc_width＝m1×n1×r1；

所述第一卷积层对应的所述第二权重矩阵的高度为

4.根据权利要求2或3所述的方法，其特征在于，根据所述至少一个卷积层中每个卷积层包含的一个或多个卷积核，确定每个卷积层对应的第二权重矩阵，具体为：

将每个卷积层对应的所述第二权重矩阵中每个元素的数值初始化为零；

根据每个卷积层包含的一个或多个卷积核的权重值，按照输入数据中通道矩阵的顺序、通道矩阵中元素的排列顺序以及卷积计算顺序，设置所述每个卷积层对应的所述第二权重矩阵中各个元素的数值。

5.根据权利要求1-4任一项所述的方法，其特征在于，所述根据所述至少一个池化层中每个池化层包含的池化窗口的大小，确定每个池化层对应的第三权重矩阵，包括：

根据所述每个池化层的输入数据确定所述每个池化层对应的第三权重矩阵的宽度；

根据所述每个池化层的池化窗口矩阵和池化步长，以及每个池化层的输入数据确定所述每个池化层对应的第三权重矩阵的高度。

6.根据权利要求5所述的方法，其特征在于，

所述至少一个池化层中第一池化层的输入数据为m2×n2×r2的多通道矩阵，m1×n1为通道矩阵的尺寸，r1为通道矩阵的数量，且池化窗口的大小为p2×q2，池化步长为s2，

所述第一池化层对应的所述第三权重矩阵的宽度为

Wp_width＝m2×n2×r2；

所述第一池化层对应的所述第三权重矩阵的高度为

7.根据权利要求5或6任一项所述的方法，其特征在于，根据所述至少一个池化层中每个池化层包含的池化窗口，确定每个池化层对应的第三权重矩阵，具体为：

使用每个池化层包含的池化窗口矩阵以及每个池化层采用的池化方法，计算每个池化层的输入数据对应的池化结果；

根据每个池化层的输入数据对应的池化结果，按照通道矩阵的顺序、通道矩阵中元素的排列顺序以及池化计算顺序，设置所述每个池化层对应的所述第三权重矩阵中各个元素的数值。