[发明专利]一种提升卷积神经网络可靠性的方法、系统及设备

说明书

本申请公开了一种提升卷积神经网络可靠性的方法，包括：根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码；利用校验码对卷积神经网络模型进行软错误校验；若卷积神经网络模型未出现软错误，则利用卷积神经网络模型对待处理图像数据进行图像处理。本申请通过在利用卷积神经网络模型对待处理图像数据进行图像处理之前，先对卷积神经网络模型进行软错误校验，进而降低了计算机系统发生软错误的概率。同时，利用校验码进行软错误校验，极大地降低了校验后的卷积神经网络模型出现的概率，提高了利用CNNs得到的图像处理结果精度。本申请同时还提供了一种提升卷积神经网络可靠性的系统、设备及可读存储介质，具有上述有益效果。

技术领域

本申请涉及卷积神经网络领域，特别涉及一种提升卷积神经网络可靠性的方法、系统、设备及可读存储介质。

背景技术

卷积神经网络(Convolutinal Neural Networks，CNNs)是一种包含卷积计算且具有深度结构的前馈神经网络，能够实现对图像进行特征提取，然后对图像进行处理。CNNs因其精度高而受到人工智能领域的广泛关注。

然而，软错误是现代计算机系统中一个重要的脆弱因素，它通常是由存储电路和逻辑电路中的高能粒子碰撞引起的。软错误是在程序执行过程中，指令和数据可能出现的暂态错误。随着制造工艺技术规模的扩大，计算机系统发生软错误的概率增加，导致利用CNNs得到的图像处理结果精度较低。

因此，如何提升卷积神经网络可靠性，进而提高利用CNNs得到的图像处理结果的精度是本领域技术人员目前需要解决的技术问题。

发明内容

本申请的目的是提供一种提升卷积神经网络可靠性的方法、系统、设备及可读存储介质，用于提升卷积神经网络可靠性，进而提高利用CNNs得到的图像处理结果的精度。

为解决上述技术问题，本申请提供一种提升卷积神经网络可靠性的方法，该方法包括：

根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码；

利用所述校验码对所述卷积神经网络模型进行软错误校验；

若所述卷积神经网络模型未出现软错误，则利用所述卷积神经网络模型对所述待处理图像数据进行图像处理。

可选的，所述卷积神经网络模型使用的数据类型包括32位浮点数，利用所述校验码对所述卷积神经网络模型进行软错误校验，包括：

确定所述卷积神经网络模型中的待检测卷积核；

利用所述校验码对所述待检测卷积核中权重的第30位进行SEC-DED ECC检测。

可选的，还包括：

当所述待检测卷积核的权重的第30位出现软错误时，利用所述校验码对所述待检测卷积核中权重的第30位进行修正；

利用修正后的所述待检测卷积核对所述待处理图像数据进行图像处理。

可选的，所述卷积神经网络模型使用的数据类型包括32位浮点数，利用所述校验码对所述卷积神经网络模型进行软错误校验，包括：

确定所述卷积神经网络模型中的待检测卷积核；

利用所述校验码对所述待检测卷积核中权重的第21位至第30位进行SEC-DED ECC检测。

可选的，在根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码之前，还包括：

利用预设训练集对初始模型进行训练得到所述卷积神经网络模型；

根据所述卷积神经网络模型中的卷积核生成对应的校验码。

可选的，所述卷积神经网络模型使用的数据类型包括16位浮点数或64位浮点数。