[发明专利]一种类卷积人工神经网络的构造方法及装置

说明书

本发明涉及数据处理领域，尤其涉及一种类卷积人工神经网络的构造方法及装置。本发明的一种类卷积人工神经网络的构造方法，包括：对多个通道特征输入映像进行类卷积人工神经网络单个类卷积层操作；将上一类卷积层的输出作为下一类卷积层的输入。本发明的一种类卷积人工神经网络的构造装置，包括：操作模块，用于对多个通道特征输入映像进行类卷积人工神经网络单个类卷积层操作；输出输入模块，用于将上一类卷积层的输出作为下一类卷积层的输入。本发明提供了一种类卷积人工神经网络的构造方法及装置，可以缩短基于卷积的人工神经网络训练时间，可以降低基于卷积的人工神经网络的应用能耗。

技术领域

本发明涉及数据处理领域，尤其涉及一种类卷积人工神经网络的构造方法及装置。

背景技术

人工神经网络，特别是卷积人工神经网络目前已在数据处理领域取得了大规模应用。但是，卷积人工神经网络训练耗费的时间非常惊人，从而导致人工神经网络应用的能耗显著增加。能够通过利用有效的方式降低基于卷积的人工神经网络的应用能耗，对于高效地进行大规模的数据处理无疑具有重大意义。而当前广泛使用的卷积人工神经网络中，对于输入为多个通道的特征映像进行卷积时，采用的是将不同通道运算之后的卷积结果进行直接累加。

发明内容

本发明的目的在于克服上述卷积人工神经网络训练耗费的时间过大的不足，提供了一种类卷积人工神经网络的构造方法及装置，可以缩短基于卷积的人工神经网络训练时间，可以降低基于卷积的人工神经网络的应用能耗。

为了实现上述目的，本发明采用以下技术方案：

一种类卷积人工神经网络的构造方法，包括以下步骤：

步骤1：对多个通道特征输入映像进行类卷积人工神经网络单个类卷积层操作；

步骤2：将上一类卷积层的输出作为下一类卷积层的输入。

优选地，所述步骤1包括：

步骤1.1：计算多个通道特征输入映像和卷积核的二维卷积结果：

对于单个类卷积层L＝{k_j},j∈{1,...,n}，计算多个通道特征输入映像和卷积核的二维卷积结果，采用标准的二维卷积计算多个通道特征输入映像I＝{I_i},i∈{1,...,m}和卷积核k_j的卷积结果Conv2d(I_i,k_j)；

步骤1.2：对二维卷积结果进行加权，并将加权后的结果作为本层类卷积输出映像：

将多个通道的二维卷积结果使用权重参数Λ＝{λ_i}进行加权，得到输出卷积映像O＝{O_j}，作为本类卷积层的输出映像，O_j的计算公式如下所示：

其中，O_j为第j个卷积核作用于多通道输入映像的卷积结果，i表示通道，m表示通道个数，λ_i为通道i对应的权重，k_j为第j个卷积核，I_i为第i个通道的特征输入映像，Conv2d(k_j,I_i)表示对第j个卷积核及第i个通道的特征输入映像的2维卷积操作。

优选地，在所述步骤2之后还包括：

构建多层类卷积人工神经网络，所述多层类卷积人工神经网络包括：输入层、类卷积层、全连接层及分类器层；包括：将输入层、类卷积层及全连接层进行串行连接，并制定分类器。一种类卷积人工神经网络的构造装置，包括：

操作模块，用于对多个通道特征输入映像进行类卷积人工神经网络单个类卷积层操作；

输出输入模块，用于将上一类卷积层的输出作为下一类卷积层的输入。