[发明专利]卷积神经网络模型的通道调整方法、装置和设备

权利要求书

1.一种卷积神经网络模型的通道调整方法，其特征在于，包括：

当输入图片的当前格式与卷积神经网络模型的输入格式不同时，提取卷积神经网络模型中第一层卷积层的权重；

对所述权重进行一次格式转换，以将所述权重从初始格式转换成通用格式；其中，所述通用格式为扩展程序库中的数组形式；

根据输入图片的当前格式对所述卷积层的通道进行调整；

对所述通用格式下的所述权重进行二次格式转换，以将所述权重从通用格式转换成与所述卷积神经网络模型对应的目标格式；

将所述目标格式下的所述权重赋值给所述卷积层。

2.如权利要求1所述的卷积神经网络模型的通道调整方法，其特征在于，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式的通道的顺序不对应时，所述根据输入图片的当前格式对所述卷积层的通道进行调整，包括：

对所述卷积层中所有卷积核的通道顺序进行调整，以跟所述输入图片的当前格式的通道的顺序对应。

3.如权利要求1所述的卷积神经网络模型的通道调整方法，其特征在于，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式的通道数不同时，所述根据输入图片的当前格式对所述卷积层的通道进行调整，包括：

当所述卷积神经网络模型的输入格式的通道数大于所述输入图片的当前格式的通道数时，在所述卷积层的所有卷积核中删掉对应个通道；

当所述卷积神经网络模型的输入格式的通道数小于所述输入图片的当前格式的通道数时，在所述卷积层中所有卷积核中添加对应个通道。

4.如权利要求3所述的卷积神经网络模型的通道调整方法，其特征在于，所述在所述卷积层中所有卷积核中添加对应个通道，包括：

在所述卷积层中所有卷积核中添加对应个用零值填充的通道。

5.如权利要求1所述的卷积神经网络模型的通道调整方法，其特征在于，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式的通道格式不同时，所述根据输入图片的当前格式对所述卷积层的通道进行调整，包括：

根据所述输入图片的当前格式，对所述卷积层中所有卷积核的通道权值进行调整。

6.如权利要求1所述的卷积神经网络模型的通道调整方法，其特征在于，所述扩展程序库为numpy库。

7.一种卷积神经网络模型的通道调整装置，其特征在于，包括：

权重提取模块，用于当输入图片的当前格式与卷积神经网络模型的输入格式不同时，提取卷积神经网络模型中第一层卷积层的权重；

一次格式转换模块，用于对所述权重进行一次格式转换，以将所述权重从初始格式转换成通用格式；其中，所述通用格式为扩展程序库中的数组形式；

通道调整模块，用于根据输入图片的当前格式对所述卷积层的通道进行调整；

二次格式转换模块，对所述通用格式下的所述权重进行二次格式转换，以将所述权重从通用格式转换成与所述卷积神经网络模型对应的目标格式；

权重赋值模块，用于将所述目标格式下的所述权重赋值给所述卷积层。

8.如权利要求7所述的卷积神经网络模型的通道调整装置，其特征在于，当所述卷积神经网络模型的输入格式与所述输入图片的当前格式的通道的顺序不对应时，所述通道调整模块用于：

对所述卷积层中所有卷积核的通道顺序进行调整，以跟所述输入图片的当前格式的通道的顺序对应。

9.一种卷积神经网络模型的通道调整设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至6中任意一项所述的卷积神经网络模型的通道调整方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的卷积神经网络模型的通道调整方法。