[发明专利]一种便捷卷积方法

说明书

本发明属于卷积神经网络在计算机视觉中的应用研究领域，具体涉及一种便捷卷积方法，包括以下步骤：从MNIST数据集中获取训练集与测试集，其中训练集包括60000个样本，测试集包括10000个样本，输入尺寸为28*28，输出尺寸为10，样本大小为50；构建一个具有两个完全连接层的二次卷积神经网络，每个便捷卷积层之后是随机池化层和ReLU层，第一个完全连接层的末尾是ReLU层，第二个完全连接层直接连接到softmax层，便捷卷积层和随机池化层均由模式K来控制操作模式；本发明提出的便捷卷积池化技术仅需要常规卷积运算的25％；本发明能有效加快卷积的训练和测试速度。

技术领域

本发明属于卷积神经网络在计算机视觉中的应用研究领域，具体涉及一种便捷卷积方法。

背景技术

卷积神经网络(CNNs)是一种有前途的机器学习算法，在各种计算机视觉任务中可实现卓越的性能，例如图像分类。这种成功的关键原因之一是它们的深层架构。实践证明更深层次的架构可以提供更好的性能。因此，在过去几年中CNN的性能主要通过设计更深入的体系结构得到了改进。神经网络在其模型中具有大量参数的情况并不少见，因此需要花费更多的时间来训练和测试网络。

发明内容

由于神经网络在模型中具有大量参数的情况并不少见，需要花费更多的时间来训练和测试网络。本发明提出了一种便捷卷积池化(ECP)方法，以加快训练和测试速度。

一种便捷卷积方法，包括以下步骤：

从MNIST数据集中获取训练集与测试集，其中训练集包括60000个样本，测试集包括10000个样本，输入尺寸为28*28，输出尺寸为10，样本大小为50；

构建一个具有两个完全连接层的二次卷积神经网络，每个便捷卷积层之后是随机池化层和ReLU层，第一个完全连接层的末尾是ReLU层，第二个完全连接层直接连接到softmax层，便捷卷积层和随机池化层均由模式K来控制操作模式；

利用训练集与测试集对构建的系统进行测试。

便捷卷积层和随机池化层均由模式K来控制操作模式，包括：

随机池化层模式K在池化之前被随机设置，随机池化层随机选择滑动窗口中四个像素中的一个像素来表示池化滑动窗口的输出，当模式K为0时，每次都从滑动窗口中选择第0个像素，选择出第一个像素0元素后，将滑动窗口向右滑动两步以获得第二个像素0元素，直到挑选出全部的像素0元素，随机池化层的输出特征图由这些像素0元素组成，当模式K为1、2、3时，对像素1、2、3元素执行相同的操作；

便捷卷积层使用与随机池化层相同的模式K进行控制，窗口0是用于在池化层中生成用于池化窗口的选定像素0元素的选定窗口，每个窗口0是在模式0下输入图像上的滑动卷积窗口，这些卷积窗口的输出是池化层中用于随机池化所需的像素，第一个窗口0在合并窗口中生成第一个像素0，第二个窗口0在合并窗口中生成第二个像素0，卷积窗口在输入图像上滑动以产生卷积层的输出特征，各种模式K确定各种窗口K，以生成合并窗口中所需的各种像素K元素，从左到右，从上到下滑动后，形成卷积层的特征图；

利用从输入图像中提取到的数据进行卷积计算，卷积计算公式如下：

其中，x(m,n)表示输入图像的大小，W(u,v)是卷积滤波器的权重矩阵。

本发明的有益效果在于：

(1)本发明提出的便捷卷积池化技术仅需要常规卷积运算的25％；

(2)本发明能有效加快卷积的训练和测试速度；

(3)本发明提出的新颖技术(ECP)可以转移到支持Python的任何平台。

附图说明

图1是ECP网络的总体架构；