[发明专利]基于剪枝卷积神经网络的分类方法及相关设备

权利要求书

1.一种基于剪枝卷积神经网络的分类方法，其特征在于，包括：

基于训练数据以及训练数据对应的标签训练得到预先训练好的分类模型；

在预设的模型目标性能基础上通过对所述预先训练好的分类模型分别进行结构化剪枝与非结构化剪枝后得到剪枝后的分类模型；

获取待分类的图片；

将所述待分类的图片输入剪枝后的分类模型，得到对应的分类结果。

2.根据权利要求1所述的基于剪枝卷积神经网络的分类方法，其特征在于，所述结构化剪枝包括卷积层剪枝与过滤器剪枝；

相应地，在预设的模型目标性能基础上通过对所述预先训练好的分类模型分别进行结构化剪枝与非结构化剪枝后得到剪枝后的分类模型，包括：

S1、对预先训练好的分类模型中的每个卷积层的各个过滤器进行过滤器剪枝敏感度分析，得到满足预设的模型目标性能的最大卷积层剪枝率；

S2、判断所述最大卷积层剪枝率是否大于预设的卷积层剪枝率阈值；

在所述最大卷积层剪枝率大于预设的卷积层剪枝率阈值的情况下，对所述最大卷积层剪枝率所对应的卷积层进行卷积层剪枝；

在所述最大卷积层剪枝率不大于预设的卷积层剪枝率阈值的情况下，对所述最大卷积层剪枝率所对应的过滤器进行过滤器剪枝；

S3、重复所述S2直到穷尽所有最大卷积层剪枝率，从而得到第一剪枝后模型；

S4、对所述第一剪枝后模型进行非结构化剪枝，得到第二剪枝后模型作为剪枝后的分类模型。

3.根据权利要求2所述的基于剪枝卷积神经网络的分类方法，其特征在于，所述对预先训练好的分类模型中的每个卷积层的各个过滤器进行过滤器剪枝敏感度分析，得到满足预设的模型目标性能的最大卷积层剪枝率，包括：

为每个卷积层配置待分析剪枝率集合；其中，所述待分析剪枝率集合包括多个待分析剪枝率；

依次计算每个卷积层在各个待分析剪枝率下的模型性能，并判断计算得到的模型性能是否满足所述预设的模型目标性能；

在计算得到的模型性能满足所述预设的模型目标性能的情况下，将每个卷积层中数值最大的待分析剪枝率作为最大卷积层剪枝率。

4.根据权利要求2所述的基于剪枝卷积神经网络的分类方法，其特征在于，所述非结构剪枝为卷积核剪枝；

相应地，所述S4、对所述第一剪枝后模型进行非结构化剪枝，得到第二剪枝后模型作为剪枝后的分类模型，包括：

S41、对所述第一剪枝后模型中所有权重进行规范化处理，得到规范后参数；

S42、按照数值大小对所述规范后参数进行排序，得到规范后参数序列；

S43、利用预定的权重剪枝定位方法，从所述规范后参数序列中确定待剪枝权重；

S44、判断所述待剪枝权重对应的核剪枝率是否大于预设的核剪枝率阈值，

在所述待剪枝权重对应的核剪枝率大于预设的核剪枝率阈值的情况下，对所述核剪枝率对应的卷积核进行卷积核剪枝；

在所述待剪枝权重对应的核剪枝率不大于预设的核剪枝率阈值的情况下，对所述待剪枝权重进行权重剪枝；

S45、重复所述S44直到穷尽所有待剪枝权重，从而得到第二剪枝后模型，将第二剪枝后模型作为剪枝后的分类模型。

5.根据权利要求4所述的基于剪枝卷积神经网络的分类方法，其特征在于，所述按照数值大小对所述规范后参数进行排序是从小到大对所述规范后参数进行排序，从而得到规范后参数序列；

相应地，所述S43、利用预定的权重剪枝定位方法，从所述规范后参数序列中确定待剪枝权重，包括：

S431、对所述规范后参数序列中前i个规范后参数进行剪枝，得到初始第二剪枝后模型，其中，i初始值为1且小于所述规范后参数序列中所有规范后参数的总数量；

S432、判断所述初始第二剪枝后模型是否满足所述预设的模型目标性能；

S433、在所述初始第二剪枝后模型满足所述预设的模型目标性能的情况下，将i+1作为新的i，并重复所述S431至所述S432，直到所述初始第二剪枝后模型不满足所述预设的模型目标性能，根据所述新的i将所述规范后参数序列中前i个规范后参数对应的权重确定为待剪枝权重。