[发明专利]卷积神经网络模型及其训练方法和装置、巡检方法和装置

说明书

本发明涉及一种卷积神经网络模型及其训练方法和装置、巡检方法和装置，卷积神经网络模型的训练方法，包括：对获取的训练数据集进行卷积处理，得到所述训练数据集对应的特征映射数据；基于预设的边缘卷积规则，提取所述特征映射数据的有效特征数据；将所述有效特征数据输入待训练卷积神经网络模型，进行特征训练，实现了对无用特征数据进行过滤，从而利用有效特征数据对待训练卷积神经网络模型进行训练，使得训练过程能够快速收敛，得到训练后的卷积神经网络模型。采用本发明的技术方案，能够提高卷积神经网络模型的训练速度。

技术领域

本发明涉及卷积神经网络技术领域，具体涉及一种卷积神经网络模型及其训练方法和装置、巡检方法和装置。

背景技术

卷积神经网络是深度学习的一种，它通过组合低层特征形成更加抽象的高层，从而发现数据的分布式特征表示。近年来，在图像识别等计算机视觉领域的研究和应用中，卷积神经网络较为流行，相比于传统算法，其识别率在图像分类任务上已取得了优异的表现。

目前加快卷积神经网络训练的主要方法是通过缩小卷积神经网络模型实现的。例如：1、网络剪枝，可以将卷积神经网络模型变得更小，以便快速迭代，但该类方法不够稳定，需要经过调参才能达到良好效果；2、量化操作，即将卷积神经网络模型中的浮点数变成二值化数字，该方法虽然容易实现，但效果不明显。

因此，如何提高卷积神经网络模型的训练速度，是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种卷积神经网络模型及其训练方法和装置、巡检方法和装置，以提高卷积神经网络模型的训练速度。

为实现以上目的，本发明提供一种卷积神经网络模型的训练方法，包括：

对获取的训练数据集进行卷积处理，得到所述训练数据集对应的特征映射数据；

基于预设的边缘卷积规则，提取所述特征映射数据的有效特征数据；

将所述有效特征数据输入待训练卷积神经网络模型，进行特征训练，得到训练的卷积神经网络模型。

进一步地，上述所述的卷积神经网络模型的训练方法中，所述将所述有效特征数据输入待训练卷积神经网络模型，进行特征训练，得到训练的卷积神经网络模型，包括：

基于所述训练数据集对应的优化算法和所述训练数据集对应的损失函数，对所述有效特征数据进行特征训练，得到训练结果；

检测所述训练结果是否表示收敛；

若所述训练结果表示收敛，构建所述训练的卷积神经网络模型。

进一步地，上述所述的卷积神经网络模型的训练方法中，所述基于所述训练数据集对应的优化算法和所述训练数据集对应的损失函数，对所述有效特征数据进行特征训练，得到训练结果之前，还包括：

确定所述训练数据集的数据类型；

从预设的数据类型与损失函数的关联关系中，确定所述数据类型的关联损失函数作为所述训练数据集对应的损失函数；

从预设的数据类型与优化算法的关联关系中，确定所述数据类型的关联优化算法作为所述训练数据集对应的优化算法。

进一步地，上述所述的卷积神经网络模型的训练方法中，所述基于预设的边缘卷积规则，提取所述特征映射数据的有效特征数据，包括：

基于预设的边缘卷积算子，对所述特征映射数据沿第一预设方向进行边缘卷积，得到第一特征参数；

基于所述边缘卷积算子，对所述特征映射数据沿第二预设方向进行边缘卷积，得到第二特征参数；

基于预设的求和算法，将所述第一特征参数和所述第二特征参数进行求和，得到所述有效特征数据。