[发明专利]一种卷积神经网络模型参数处理方法及系统

权利要求书

1.一种卷积神经网络模型参数处理方法，其特征在于，包括：

获取第一卷积神经网络模型及阈值因子；

提取所述第一卷积神经网络模型每一数据层中的权重信息，所述权重信息包括权重及权重的数目；

通过预设的阈值计算方法，利用所述权重及所述阈值因子计算得出每一数据层的阈值；

通过预设的置零化处理方法，利用所述每一数据层的阈值，对所述第一卷积神经网络模型每一数据层中的权重进行置零化处理，得到第二卷积神经网络模型，并记录被置零的权重的总数目；

根据所述被置零的权重的总数目及所述第一卷积神经网络模型中所有数据层权重的总数目计算权重置零率；

对所述第二卷积神经网络模型进行训练及测试，记录测试结果；

根据所述测试结果及所述权重置零率，判断所述第二卷积神经网络模型是否满足测试结果要求及权重置零率要求：若满足要求，则输出所述第二卷积神经网络模型；

若不满足要求，则将第二卷积神经网络模型作为第一卷积神经网络模型，重新获取该第一卷积神经网络模型的阈值因子，返回执行所述提取所述第一卷积神经网络模型每一数据层中的权重信息的操作。

2.如权利要求1所述的方法，其特征在于，在所述的获取第一卷积神经网络模型及阈值因子之前还包括：

获取第三卷积神经网络模型及衰减系数；

通过所述衰减系数对所述第三卷积神经网络模型进行处理，得到第一卷积神经网络模型。

3.如权利要求1所述的方法，其特征在于，所述通过预设的阈值计算方法，利用所述权重及所述阈值因子计算得出每一数据层的阈值包括：

计算出数据层的权重的标准差；

将所述标准差乘以该数据层所对应的所述阈值因子，得出该数据层对应的阈值。

4.如权利要求1所述的方法，其特征在于，所述通过预设的置零化处理方法，利用所述的阈值，对所述第一卷积神经网络模型每一数据层中的权重进行置零化处理包括：

判断权重与该权重所处数据层对应的阈值的大小关系：

若权重小于该权重所处数据层对应的阈值，则将权重置零；

若权重不小于该权重所处数据层对应的阈值，则保持权重不变。

5.如权利要求1所述的方法，其特征在于，所述记录被置零的权重的总数目同时还包括：

记录被置零的权重的位置。

6.一种卷积神经网络模型参数处理系统，其特征在于，包括：

第一获取单元，用于获取第一卷积神经网络模型及阈值因子；

提取单元，用于提取所述第一卷积神经网络模型每一数据层中的权重信息，所述权重信息包括权重及权重的数目；

第一计算单元，用于通过预设的阈值计算方法，利用所述权重及所述阈值因子计算得出每一数据层的阈值；

第一处理单元，用于通过预设的置零化处理方法，利用所述每一数据层的阈值，对所述第一卷积神经网络模型每一数据层中的权重进行置零化处理，得到第二卷积神经网络模型，并记录被置零的权重的总数目；

第二计算单元，根据所述被置零的权重的总数目及所述第一卷积神经网络模型中所有数据层权重的总数目计算权重置零率；

操作单元，用于对所述第二卷积神经网络模型进行训练及测试，记录测试结果；

判别单元，用于根据所述测试结果及所述权重置零率，判断所述第二卷积神经网络模型是否满足测试结果要求及权重置零率要求：若满足要求，则输出所述第二卷积神经网络模型；

若不满足要求，则将第二卷积神经网络模型作为第一卷积神经网络模型，重新获取该第一卷积神经网络模型的阈值因子，返回执行所述提取所述第一卷积神经网络模型每一数据层中的权重信息操作。

7.如权利要求6所述的系统，其特征在于，在所述的获取第一卷积神经网络模型及阈值因子之前还包括：

第二获取单元，用于获取第三卷积神经网络模型及衰减系数；

第二处理单元，用于通过所述衰减系数对所述第三卷积神经网络模型进行处理，得到第一卷积神经网络模型。

8.如权利要求6所述的系统，其特征在于，所述通过预设的阈值计算方法，利用所述权重及所述阈值因子计算得出每一数据层的阈值包括：

计算出数据层的权重的标准差；

将所述标准差乘以该数据层所对应的所述阈值因子，得出该数据层对应的阈值。