[发明专利]一种图像特征提取方法、装置、设备及存储介质

说明书

本申请公开了一种图像特征提取方法、装置、设备及存储介质。该方法的步骤包括：获取神经网络模型中网络层的待量化参数；判断待量化参数的值是否均为正数；若待量化参数的值均为正数，则基于非对称线性量化逻辑对待量化参数执行量化操作；若待量化参数的值不均为正数，则基于对称线性量化逻辑对待量化参数执行量化操作。利用执行量化操作后的神经网络模型对输入的图片进行特征提取，在保证神经网络模型提取图片特征的精度的同时提高了神经网络模型提取图片特征的效率。此外，本申请还提供一种图像特征提取装置、设备及存储介质，有益效果同上所述。

技术领域

本申请涉及深度学习领域，特别是涉及一种图像特征提取方法、装置、设备及存储介质。

背景技术

在当前深度学习领域中，往往通过将数据输入至预先训练得到神经网络模型的方式对输入数据进行推理并输出相应的推理结果。

在当前所使用的神经网络模型中，参数数据的数据类型普遍为精度较高的浮点型数据类型，而随着神经网络的网络层数量以及通道数量的不断增加，将导致当前的常用的神经网络模型中参数的总量的增加，进而基于神经网络模型的推理过程需要占用设备大量的存储空间、运算资源以及通信带宽，为了确保神经网络模型在设备中的稳定运行，往往需要对神经网络模型中的参数数据进行量化。目前对训练后的神经网络模型进行量化的通用方法主要有两种：对称线性量化(Symmetric linear quantization)和非对称线性量化(Asymmetric linear quantization)。非对称量化考虑了激活值分布不均匀的问题，相对对称量化精度会高一些。但是非对称量化引入了零点偏移，再量化模型过程中节点的输入特征需要减去偏移值，这无疑增加了推理过程的计算量，进而影响神经网络模型提取图片特征的效率。

由此可见，如何在保证神经网络模型提取图片特征的精度的同时提高神经网络模型提取图片特征的效率，是本领域技术人员需要解决的问题。

发明内容

本申请的目的是提供一种图像特征提取方法、装置、设备及存储介质，在保证神经网络模型提取图片特征的精度的同时提高神经网络模型提取图片特征的效率。

为解决上述技术问题，本申请提供一种图像特征提取方法，包括：

获取神经网络模型中网络层的待量化参数；

判断所述待量化参数的值是否均为正数；

若所述待量化参数的值均为正数，则基于非对称线性量化逻辑对所述待量化参数执行量化操作；

若所述待量化参数的值不均为正数，则基于对称线性量化逻辑对所述待量化参数执行量化操作；

利用执行量化操作后的神经网络模型对输入的图片进行特征提取。

可选地，所述方法还包括：

对执行包括短接、拼接在内的具有数据逐点相加或拼接操作的节点修正其统计值，使汇合的各个支路量化因子一致。

可选地，所述对执行包括短接、拼接在内的具有数据逐点相加或拼接操作的节点修正其统计值，使汇合的各个支路量化因子一致包括：

统计执行包括短接、拼接在内的具有数据逐点相加或拼接操作的节点作为待修正节点；

选取当前节点对应的所有前驱节点的统计值中的最大值设置为所有所述前驱节点的统计值；其中，所述当前节点为所有所述待修正节点中的任意一个节点；

对当前节点对应的所有所述前驱节点的标识值执行异或运算，得到运算值；

若所述运算值为非对称标识值，则更新所有所述前驱节点的输出标识值为所述运算值；并更新以所述前驱节点的输出作为输入的节点的输入标识值为所述运算值；