[發明專利]一種輸入特征逼近的低復雜度CNN訓練方法與裝置

在審

• 申請號: 202010086794.3
• 申請日: 2020-02-11
• 公開（公告）號: CN111340182A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 李斌;陳沛鋆;劉宏福;趙成林;許方敏
• 申請（專利權）人: 無錫北郵感知技術產業研究院有限公司;北京郵電大學
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06K9/62;G06N20/00
• 代理公司: 北京風雅頌專利代理有限公司 11403
• 代理人: 徐雅琴

1.一種輸入特征逼近的低復雜度CNN訓練方法，其特征在于，包括：

對數據樣本進行降維處理，得到數據樣本的低維表征；

將所述低維表征作為用于訓練模型的輸入數據，訓練CNN模型。

2.根據權利要求1所述的方法，其特征在于，所述對數據樣本進行降維處理，得到數據樣本的低維表征，包括：

將數據樣本張量轉換為數據矩陣；

從所述數據矩陣中抽取出行表征矩陣和列表征矩陣；

根據所述行表征矩陣和列表征矩陣，計算得到核心表征矩陣。

3.根據權利要求2所述的方法，其特征在于，將所述低維表征作為用于訓練模型的輸入數據，訓練CNN模型，包括：

將所述行表征矩陣、列表征矩陣和核心表征矩陣作為用于訓練模型的輸入數據，訓練CNN模型。

4.根據權利要求2所述的方法，其特征在于，從所述數據矩陣中抽取出行表征矩陣和列表征矩陣，包括：

構造每列只有一個值為1的行采樣矩陣，將所述行采樣矩陣和所述數據矩陣進行計算得到所述行表征矩陣；

構造每列只有一個值為1的列采樣矩陣，將所述列采樣矩陣和所述數據矩陣進行計算得到所述列表征矩陣。

5.根據權利要求4所述的方法，其特征在于，根據所述行表征矩陣和列表征矩陣，計算得到核心表征矩陣，包括：

選取所述行表征矩陣和所述列表征矩陣的重合部分進行偽逆計算得到所述核心表征矩陣。

6.根據權利要求1所述的方法，其特征在于，還包括：

利用所述輸入數據進行前向推理計算。

7.根據權利要求1所述的方法，其特征在于，還包括：

利用所述輸入數據進行后向傳播計算。

8.根據權利要求1所述的方法，其特征在于，還包括：

利用所述輸入數據更新模型參數。

9.一種輸入特征逼近的低復雜度CNN訓練裝置，其特征在于，包括：

樣本處理模塊，用于對數據樣本進行降維處理，得到數據樣本的低維表征；

模型訓練模塊，用于將所述低維表征作為用于訓練模型的輸入數據，訓練CNN模型。

10.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時實現如權利要求1至8任意一項所述的方法。