[发明专利]一种数据处理方法和装置

权利要求书

1.一种数据处理方法，应用于包含卷积层和BN批量标准化层的深度学习网络中，其特征在于，所述方法具体包括：

通过BN层的参数，对卷积层数据处理规则中的参数进行修正；其中，所述通过BN层的参数，对卷积层数据处理规则中的参数进行修正，包括，

通过BN层的第一参数，对卷积层数据处理规则中的卷积核对应值进行修正，生成融合层的卷积核对应值，所述BN层的第一参数包括BN层的缩放因子、训练样本的标准差以及极小正值；

通过BN层的第二参数，对卷积层数据处理规则中的偏置值进行修正，生成融合层的偏置值，所述BN层的第二参数包括BN层的缩放因子、偏置值、训练样本的均值、训练样本的标准差以及极小正值；

通过修正后的参数，对卷积层数据处理规则进行修正，生成融合层数据处理规则，其中，所述修正后的参数包括所述融合层的卷积核对应值以及所述融合层的偏置值；所述通过修正后的参数，对卷积层数据处理规则进行修正，生成融合层数据处理规则，具体根据以下公式完成：

其中，BN(i，j)，表示坐标(i，j)的融合层输出的像素值；

conv(i，j)′，表示修正后的卷积层数据处理规则；

k_h，表示待处理数据的卷积核的高；

k_w，表示待处理数据的卷积核的宽；

image(i+x，j+y)，表示相对与坐标(i，j)偏移(x，y)对应的像素值；

kernel(x，y)′，表示融合层的卷积核对应值；

b′，表示融合层的偏置值；

当接收到待处理数据时，通过所述融合层数据处理规则进行处理，并输出处理结果。

2.如权利要求1所述的方法，其特征在于，所述通过BN层的第一参数，对卷积层数据处理规则中的卷积核对应值进行修正，生成融合层的卷积核对应值，具体根据以下公式完成：

其中，kernel(x，y)，表示卷积层数据处理规则中的卷积核对应的值；

γ，表示BN层的缩放因子；

σ_B，表示BN层的训练样本的标准差；

ε，表示BN层的极小正直；

kernel(x，y)′，表示融合层的卷积核对应值。

3.如权利要求1所述的方法，其特征在于，所述通过BN层的第二参数，对卷积层数据处理规则中的偏置值进行修正，生成融合层的偏置值，具体根据以下公式完成：

其中，b表示卷积层数据处理规则中的偏置值；

γ，表示BN层的缩放因子；

β，表示BN层的偏置值；

μ_B，表示BN层的训练样本的均值；

σ_B，表示BN层的训练样本的标准差；

ε，表示BN层的极小正值；

b′，表示融合层的偏置值。