[发明专利]基于在线深度学习的数据集自适应裁减方法

权利要求书

1.一种基于在线深度学习的数据集自适应裁减方法，其特征在于，包括：

根据采集的图像数据集确定神经网络架构；

使用KNN分类算法对图像数据集进行分类获得数据集类别标签；

强化模型根据数据集类别和神经网络层数、卷积核尺寸、已裁减通道数和剩余通道数识别待裁剪神经网络当前状态；

根据贪婪算法选择执行探索或者利用，其中探索指随机选择一种裁剪策略，利用指根据当前状态从Q表格选取Q值最大的动作；

根据选择的探索或利用选取相应的动作并执行；

神经网络进行预测及反向传播训练后计算奖励反馈值并将反馈值更新到Q表格。

2.根据权利要求1所述的基于在线深度学习的数据集自适应裁减方法，其特征在于，所述神经网络架构包括卷积层、池化层、全连接 层三种隐层。

3.根据权利要求2所述的基于在线深度学习的数据集自适应裁减方法，其特征在于，确定神经网络架构的具体方法为：将数据集输入神经网络，依次增加每种隐层的层数以及深度，直至神经网络收敛至预测结果的精度大于给定阈值。

4.根据权利要求1所述的基于在线深度学习的数据集自适应裁减方法，其特征在于，所述Q表格用来保存强化学习的学习成果，表格纵轴为所有状态，横轴为所有动作，每个状态-动作栏目维护该状态-动作的Q值。

5.根据权利要求1所述的基于在线深度学习的数据集自适应裁减方法，其特征在于，所述动作为若干种结构性裁减方式的组合，对卷积层的裁剪动作定义为对每个卷积核选择某一种核裁剪形状或者完全裁减该核，每次动作裁减一个卷积核，对全连接层的动作定义为对每个通道选择一种结构性裁减算法进行裁剪。

6.根据权利要求1所述的基于在线深度学习的数据集自适应裁减方法，其特征在于，神经网络进行预测及反向传播训练后获得执行动作后的预测精度、神经网络内存开销、推理开销及训练开销，并对预测精度、神经网络内存开销、推理开销及训练开销加权组合获得奖励反馈值。

7.根据权利要求6所述的基于在线深度学习的数据集自适应裁减方法，其特征在于，将奖励反馈值加权叠加到Q表格中对应的状态-动作栏目中的Q值获得更新后的Q值。