[发明专利]信息处理方法和设备以及存储介质

说明书

本公开提供了在卷积神经网络中进行数据处理的信息处理方法和设备以及存储介质。该信息处理方法包括针对优化的卷积神经网络中的一个卷积层进行下述操作：对该卷积层的第一组输入通道以第一组滤波器进行卷积处理，得到第一组输出通道；对该卷积层的至少第二组输入通道以第二组滤波器进行卷积处理，得到至少第二组输出通道；其中，第一组输入通道的输入数目与第一组输出通道的输出数目之比和第二组输入通道的输入数目与第二组输出通道的输出数目之比相同。

技术领域

本公开总体上涉及信息处理领域，具体而言，涉及利用卷积神经网络进行数据处理的信息处理方法和设备以及存储介质。

背景技术

目前，深度学习技术已在一些领域得到广泛应用。例如，深度神经网络、卷积神经网络、深度置信网络和递归神经网络等已应用于计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域，并获取了很好的效果。

在这些深度学习网络中，卷积神经网络正吸引到越来越多的关注。图1示意性地示出了卷积神经网络的一般结构。

如图1所示，卷积神经网络一般包括若干卷积层、池化层、全连接层。从图1可以看出，卷积神经网络每层的神经元是按照三维排列的，也就是排成一个长方体，有宽度、高度和深度。

对于图1展示的神经网络，输入图像101仅有一个通道(channel)，因此，输入层的深度为1。接着，第一个卷积层对这幅图像进行了卷积操作，得到了3个特征图102。换言之，该卷积层包含3个深度为1的1*k*k滤波器(k为大于2的自然数，滤波器的深度与输入图像的深度或该层的输入通道数目一致)，每个滤波器都可以把原始输入图像卷积得到一个特征图，3个滤波器就可以得到3个特征图，这3个特征图也可称为该卷积层的3个输出通道(输出通道的个数与该层滤波器的个数一致)，同时作为下一层的输入通道。

在第一个卷积层之后，第一个池化层对输入的3个特征图102进行下采样，得到了3个更小的特征图103作为其输出通道。接着是第二个卷积层，其具有5个深度为3的3*k*k滤波器，每个3*k*k滤波器都把前面下采样之后输出的3个特征图103卷积在一起，得到一个新的特征图，因而一共得到了5个特征图104，作为第二个卷积层105的输出通道。接着是第二个池化层，其继续对第二个卷积层输出的5个特征图104进行下采样，得到了5个更小的特征图105作为其输出通道。该网络的最后两层106是全连接层。第一个全连接层的每个神经元和上一层输出的5个特征图105中的每个神经元相连，第二个全连接层(也就是输出层)的每个神经元和第一个全连接层的每个神经元相连，这样得到了整个网络的输出。

从图1中可以看出，为了对数据进行高层抽象，卷积神经网络可利用多个处理层进行处理，当层数较多时，可能会涉及大量的计算，从而可能在应用时导致巨大的时间消耗。

因此，存在提高卷积神经网络的处理速度的需求。

发明内容

在下文中给出了关于本发明的简要概述，以便提供关于本发明的某些方面的基本理解。应当理解，这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分，也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念，以此作为稍后论述的更详细描述的前序。

鉴于现有技术的上述缺陷，本发明的目的之一是提供一种能够加速利用卷积神经网络进行数据处理的信息处理方法和信息处理设备，以至少克服现有的问题。

根据本公开的一个方面，提供了一种在卷积神经网络中进行数据处理的信息处理方法，所述方法包括针对优化的卷积神经网络中的一个卷积层进行下述操作：对该卷积层的第一组输入通道以第一组滤波器进行卷积处理，得到第一组输出通道；对该卷积层的至少第二组输入通道以第二组滤波器进行卷积处理，得到至少第二组输出通道；其中，所述第一组输入通道的输入数目与所述第一组输出通道的输出数目之比和所述第二组输入通道的输入数目与所述第二组输出通道的输出数目之比相同。