[发明专利]卷积神经网络模型的通道调整方法、装置和设备

说明书

本发明公开了一种卷积神经网络模型的通道调整方法，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；对权重进行一次格式转换，以将权重从初始格式转换成通用格式；根据输入图片的当前格式对卷积层的通道进行调整；对通用格式下的所述权重进行二次格式转换，以将权重从通用格式转换成与卷积神经网络模型对应的目标格式；将目标格式下的权重赋值给卷积层。本发明还公开了一种卷积神经网络模型的通道调整装置、设备和一种计算机可读存储介质。采用本发明实施例，能支持不同框架模型中通道的调整，提高了卷积神经网络模型的处理效率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种卷积神经网络模型的通道调整方法、装置和设备。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。在人工智能技术领域，深度学习是一类机器学习算法，使用多个层逐步从原始输入中逐步提取更高级别的特征。例如，在图像处理中，较低层可以识别边缘，而较高层可以识别对人类有意义的部分，可以在分类和检测任务中达到较高的准确率。但是，由于受限于训练过程中使用的数据集和预处理工具，训练完成的神经网络通常仅能用在与训练集类型相同/数据格式一致的应用环境下，如果需要使用不同类型的输入数据，通常是对当前图片的格式做一次转换，然后再输入到模型中，但是格式的转换需要消耗计算，如果有很多的图片需要调整格式，将它们一一转换消耗的时间长，导致网络预处理时间长，数据处理效率低。

发明内容

本发明实施例的目的是提供一种卷积神经网络模型的通道调整方法、装置、设备和存储介质，能支持不同框架下模型中卷积通道的调整，提高了卷积神经网络模型的处理效率。

为实现上述目的，本发明实施例提供了一种卷积神经网络模型的通道调整方法，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。

作为上述方案的改进，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。

作为上述方案的改进，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。

作为上述方案的改进，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。

作为上述方案的改进，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：