[发明专利]基于循环穿孔的加速CNN图像处理方法及系统

说明书

本公开公开了基于循环穿孔的加速CNN图像处理方法及系统，获取待加速的基于卷积神经网络CNN的图像处理程序，从待加速的基于卷积神经网络CNN的图像处理程序中识别目标循环程序；基于动态质量管理策略，对待加速的基于卷积神经网络CNN的图像处理程序执行循环穿孔处理；获取待处理图像，将待处理图像输入到经过循环穿孔处理后的基于卷积神经网络CNN的图像处理程序中，输出处理后的结果。

技术领域

本公开涉及图像处理技术领域，特别是涉及基于循环穿孔的加速CNN图像处理方法及系统。

背景技术

本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。

由于人工智能的快速发展，深度学习也进入了发展高潮。随着深度学习的不断发展，算法的复杂性也越来越强，一个简单的现代深度学习程序要训练几百亿次以上才会收敛。因此，如何提高深度学习程序的运行速度是一个亟待解决的问题。

在实现本公开的过程中，发明人发现现有技术中存在以下技术问题：

图像处理领域的深度学习，尤其是卷积神经网络在近几年成为研究的热点，为了适应科技的发展，各种网络模型也是层出不穷，从AlexNet到VGGNet，再到GoogLeNet，再到后来的ResNet，为了提高输出精度，网络的层数不断增加，卷积计算的随之增加，效果虽然提升，但是由于计算量的显著增加，使得收敛速度也越来越慢。因此，如何保证图像处理后输出的精度，同时又加快网络收敛速度，提升图像处理的速度是需要解决的技术问题。

目前，很多专家利用模型压缩、优化加速、异构计算来加快程序的运行速度降低参数的冗余，减少存储占用，从而提升深度学习程序的性能。除此之外，使用近似计算来提升程序性能的方法也越来越受人们关注，近似计算是以用户可以接受的损失精度来换取程序性能提升的一种方法，最近几年，近似计算在一些机器学习、数据挖掘、图像处理等领域得到广泛应用，主流的近似计算的软件技术主要有循环穿孔、任务跳过、早期终止等等。

之前的循环穿孔是随机跳过一部分迭代，这样会造成精度损失比较大；或者选择穿孔，动态穿孔，选择的过程很繁琐，占用太多执行时间，会抵消一部分近似收益。

但是近似计算的使用，会造成程序的崩溃或者精度的大量损失，因此，如何在现代深度学习网络中合理使用近似计算，并保证程序顺利执行，同时使损失精度尽可能小成为研究的重点。

发明内容

为了解决现有技术的不足，本公开提供了基于循环穿孔的加速CNN图像处理方法及系统；

第一方面，本公开提供了基于循环穿孔的加速CNN图像处理方法；

基于循环穿孔的加速CNN图像处理方法，包括：

获取待加速的基于卷积神经网络CNN的图像处理程序，从待加速的基于卷积神经网络CNN的图像处理程序中识别目标循环程序；

基于动态质量管理策略，对待加速的基于卷积神经网络CNN的图像处理程序执行循环穿孔处理；

获取待处理图像，将待处理图像输入到经过循环穿孔处理后的基于卷积神经网络CNN的图像处理程序中，输出处理后的结果。

第二方面，本公开还提供了基于循环穿孔的加速CNN图像处理系统；

基于循环穿孔的加速CNN图像处理系统，包括：

目标循环程序识别模块，其被配置为：获取待加速的基于卷积神经网络CNN的图像处理程序，从待加速的基于卷积神经网络CNN的图像处理程序中识别目标循环程序；

循环穿孔模块，其被配置为：基于动态质量管理策略，对待加速的基于卷积神经网络CNN的图像处理程序执行循环穿孔处理；