[发明专利]一种基于区间算法的神经网络卷积层设计方法

说明书

技术领域

本发明公开一种神经网络卷积层设计方法，涉及人工智能领域，具体地说是一种基于区间算法的神经网络卷积层设计方法。

背景技术

卷积神经网络(Convolutional Neural Network,CNN)是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。它包括卷积层(alternating convolutional layer)和池化层(pooling layer)。

卷积神经网络中卷积层主要利用局部感受野以及共享权重技术，大大减少了神经网络中参数个数，使神经网络更容易训练，同时能够大大提高模式识别的准确率。

但现实生活中存在很多不能被准确数值描述的数据，同时某些精确数值也不可能被机器精确地表述。本发明提供一种基于区间算法的神经网络卷积层设计方法，利用衍生出来区间算法来处理此类数据，引入区间神经网络的卷积层设计方法，使此类数据也能够利用卷积神经网络的技术解决实际问题，应用于实际的场景中。

发明内容

本发明提供一种基于区间算法的神经网络卷积层设计方法，使区间类型数据也能够利用卷积神经网络的技术解决实际问题，应用于实际的场景中。

本发明提出的具体方案是：

一种基于区间算法的神经网络卷积层设计方法：

利用数据重新排列方法将卷积层的区间输入数据及卷积核参数转换为区间输入矩阵和区间卷积核参数矩阵，再通过区间输入矩阵和区间卷积核参数矩阵的相乘运算获得区间输出矩阵，将区间输出矩阵的数据应用于神经网络技术，构建区间卷积神经网络。

所述的方法中使用im2col方法将卷积层输入数据及卷积核参数转换为区间输入矩阵和区间卷积核参数矩阵。

所述的方法中通过通用矩阵相乘GeMM将区间输入矩阵和区间卷积核参数矩阵进行相乘运算获得区间输出矩阵。

一种基于区间算法的神经网络卷积层，包括区间输入数据、卷积核参数、区间输出数据，数据类型均为区间数据类型，

其中利用数据重新排列方法将卷积层的区间输入数据及卷积核参数转换为区间输入矩阵和区间卷积核参数矩阵，再通过区间输入矩阵和区间卷积核参数矩阵的相乘运算获得区间输出矩阵，用于构建区间卷积神经网络。

所述的卷积层，使用im2col方法将卷积层输入数据及卷积核参数转换为区间输入矩阵和区间卷积核参数矩阵。

所述的卷积层，通过通用矩阵相乘GeMM将区间输入矩阵和区间卷积核参数矩阵进行相乘运算获得区间输出矩阵。

本发明的有益之处是：

本发明提供一种基于区间算法的神经网络卷积层设计方法，利用区间算法，将卷积层的输入值，卷积核参数，以及输出值，定义成区间数据类型，从而形成区间卷积层，该区间卷积层能够处理不确定的有一定范围的输入值，并输出可靠的区间值，弥补了神经网络无法处理区间数据的不足，同时避免了有些高精度浮点数值无法被计算机精确表达的情况发生，也解决了某些技术上的参数没有确定值的问题，提高可靠性。本发明中卷积层设计方法可应用于实际场景中，解决实际问题。

附图说明

图1卷积神经网络中利用im2col方法的卷积层运算示例；

图2区间矩阵乘法运算示例；

图3本发明方法流程示意图。

具体实施方式

本发明提供一种基于区间算法的神经网络卷积层设计方法：

利用数据重新排列方法将卷积层的区间输入数据及卷积核参数转换为区间输入矩阵和区间卷积核参数矩阵，再通过区间输入矩阵和区间卷积核参数矩阵的相乘运算获得区间输出矩阵，将区间输出矩阵的数据应用于神经网络技术，构建区间卷积神经网络。

同时提供一种基于区间算法的神经网络卷积层，包括区间输入数据、卷积核参数、区间输出数据，数据类型均为区间数据类型，

其中利用数据重新排列方法将卷积层的区间输入数据及卷积核参数转换为区间输入矩阵和区间卷积核参数矩阵，再通过区间输入矩阵和区间卷积核参数矩阵的相乘运算获得区间输出矩阵，用于构建区间卷积神经网络。

结合附图及具体实施，对本发明做进一步说明。

区间数据类型描述如下：

在数学里，区间通常是指这样的一类实数集合：如果x和y是两个在集合里的数，那么，任何x和y之间的数也属于该集合。例如，由符合0≤x≤1的实数所构成的集合，便是一个区间，它包含了0、1，还有0和1之间的全体实数。记为[0,1]。0为该区间的下界，1为该区间的上界。