[發明專利]基于卷積神經網絡的數據處理方法和裝置、存儲介質

在審

• 申請號: 202010381996.0
• 申請日: 2020-05-08
• 公開（公告）號: CN111598218A
• 公開（公告）日: 2020-08-28
• 發明（設計）人: 張弓
• 申請（專利權）人: OPPO廣東移動通信有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08
• 代理公司: 廣州華進聯合專利商標代理有限公司 44224
• 代理人: 唐彩琴

本申請涉及一種基于卷積神經網絡的數據處理方法和裝置、存儲介質，將原始數據輸入至卷積神經網絡。通過卷積神經網絡對原始數據進行處理，得到數據處理結果，輸出數據處理結果。卷積神經網絡包括自定義卷積層，自定義卷積層包括至少一個自定義卷積核。因為自定義卷積核的部分系數或全部系數不會隨卷積神經網絡的反向傳播而改變。即在運算過程中不會通過卷積神經網絡的運算結果，反過來對自定義卷積層的部分系數或全部系數進行修正。因此，充分利用自定義卷積核的系數來提高卷積神經網絡的可解釋性和針對性，提高數據處理結果的準確性。

技術領域

本申請涉及計算機技術領域，特別是涉及一種基于卷積神經網絡的數據處理方法和裝置、存儲介質。

背景技術

隨著計算機技術的不斷發展，深度學習技術也被越來越廣泛地應用到圖像處理、圖像識別、物體識別、數據處理分析、自然語言識別、人工智能等領域。其中，卷積神經網絡(Convolutional Neural Networks,CNN)是一類包含卷積計算且具有深度結構的前饋神經網絡(Feedforward Neural Networks)，是深度學習(deep learning)的代表算法之一。

傳統的卷積神經網絡在數據處理過程中，由于卷積神經網絡的可解釋性和針對性較差，因此，數據處理結果的準確性不夠高，不能滿足用戶越來越高的需求。

發明內容

本申請實施例提供一種基于卷積神經網絡的數據處理方法和裝置、存儲介質，可以提高卷積神經網絡的可解釋性和針對性，進而提高數據處理結果的準確性。

一種基于卷積神經網絡的數據處理方法，所述卷積神經網絡包括自定義卷積層，所述自定義卷積層包括至少一個自定義卷積核，所述自定義卷積核的系數為根據數據處理需求設置，所述自定義卷積核的部分系數或全部系數不會隨所述卷積神經網絡的反向傳播而改變；所述方法包括：

將原始數據輸入至所述卷積神經網絡，所述原始數據包括圖像數據、音頻數據、自然語言數據中的至少一種；

通過所述卷積神經網絡對所述原始數據進行處理，得到數據處理結果；

輸出所述數據處理結果。

一種卷積神經網絡，所述卷積神經網絡包括自定義卷積層，所述自定義卷積層包括至少一個自定義卷積核，所述自定義卷積核的系數為根據數據處理需求設置，所述自定義卷積核的部分系數或全部系數不會隨所述卷積神經網絡的反向傳播而改變；

所述自定義卷積層用于對原始數據進行數據處理，得到數據處理結果，所述原始數據包括圖像數據、音頻數據、自然語言數據中的至少一種。

一種基于卷積神經網絡的數據處理裝置，所述卷積神經網絡包括自定義卷積層，所述自定義卷積層包括至少一個自定義卷積核，所述自定義卷積核的系數為根據數據處理需求設置，所述自定義卷積核的部分系數或全部系數不會隨所述卷積神經網絡的反向傳播而改變；所述方法包括：

輸入模塊，用于將原始數據輸入至所述卷積神經網絡，所述原始數據包括圖像數據、音頻數據、自然語言數據中的至少一種；

數據處理模塊，用于通過所述卷積神經網絡對所述原始數據進行處理，得到數據處理結果；

輸出模塊，用于輸出所述數據處理結果。

一種電子設備，包括存儲器及處理器，所述存儲器中儲存有計算機程序，所述計算機程序被所述處理器執行時，使得所述處理器執行如上所述的基于卷積神經網絡的數據處理方法的步驟。

一種計算機可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時實現如上所述的基于卷積神經網絡的數據處理方法的步驟。