[发明专利]卷积神经网络模型优化方法、装置、计算机设备及存储介质

说明书

本发明实施例公开了一种卷积神经网络模型优化方法、装置、计算机设备及存储介质。其中，所述方法属于人工智能技术，所述方法包括：将卷积神经网络模型的输入层输出的初始特征矩阵划分为多个子初始特征矩阵；将各子初始特征矩阵逐一输入到卷积神经网络模型的卷积层中以获得各子初始特征矩阵的子特征提取矩阵；将各子初始特征矩阵的子特征提取矩阵进行叠加后获得总特征提取矩阵；将总特征提取矩阵输入到卷积神经网络模型的下一层中以得到输出结果。由于子初始特征矩阵的数据量要小于初始特征矩阵的数据量，由此可极大地降低卷积层中卷积计算所需的计算量，使得卷积神经网络模型能够应用到低计算能力的终端中，提高了卷积神经网络网络的应用范围。

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优化方法、装置、计算机设备及存储介质。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)，是一种前馈神经网络，人工神经元可以响应周围单元，可以进行大型图像处理。

目前，文本分类或者是图像识别等领域常用到卷积神经网络模型。但卷积神经网络模型中的卷积层带来的计算量通常非常巨大，以至于其无法应用到计算能力较差的终端中，极大地限制了卷积神经网络模型的应用范围。

发明内容

本发明实施例提供了一种卷积神经网络模型优化方法、装置、计算机设备及存储介质，旨在解决现有卷积神经网络模型所需的计算资源较多的问题。

第一方面，本发明实施例提供了一种卷积神经网络模型优化方法，其包括：

将预设的卷积神经网络模型的输入层输出的初始特征矩阵划分为多个子初始特征矩阵；

将各所述子初始特征矩阵逐一输入到所述卷积神经网络模型的卷积层中以获得各所述子初始特征矩阵的子特征提取矩阵；

将各所述子初始特征矩阵的子特征提取矩阵进行叠加后获得总特征提取矩阵；

将所述总特征提取矩阵输入到所述卷积神经网络模型的下一层中以得到输出结果。

第二方面，本发明实施例还提供了一种卷积神经网络模型优化装置，其包括：

第一划分单元，用于将预设的卷积神经网络模型的输入层输出的初始特征矩阵划分为多个子初始特征矩阵；

第一输入单元，用于将各所述子初始特征矩阵逐一输入到所述卷积神经网络模型的卷积层中以获得各所述子初始特征矩阵的子特征提取矩阵；

第一叠加单元，用于将各所述子初始特征矩阵的子特征提取矩阵进行叠加后获得总特征提取矩阵；

第二输入单元，用于将所述总特征提取矩阵输入到所述卷积神经网络模型的下一层中以得到输出结果。

第三方面，本发明实施例还提供了一种计算机设备，其包括存储器及处理器，所述存储器上存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序当被处理器执行时可实现上述方法。