[发明专利]信息输出方法和装置

说明书

本申请实施例公开了信息输出方法和装置。该方法的一具体实施方式包括：针对对输入到待裁剪卷积神经网络中的图像进行处理的至少一个卷积核中的每个卷积核，基于该卷积核中的至少一个元素，确定该卷积核的第一分数，基于经过该卷积核的处理所得到的至少一张特征图中每张特征图上的至少一个特征值，确定该卷积核的第二分数，基于第一分数和第二分数，确定该卷积核的第三分数；按照第三分数由小到大的顺序选取第一预设数目个卷积核，并裁剪待裁剪卷积神经网络中选取出的卷积核；输出裁剪后的卷积神经网络。该实施方式减少了卷积神经网络的参数，提高了卷积神经网络的工作效率。

技术领域

本申请实施例涉及计算机技术领域，具体涉及信息处理技术领域，尤其涉及信息输出方法和装置。

背景技术

卷积神经网络(Constitutional Neural Networks，CNN)是一种处理大型图像的深度神经网络模型，主要应用于图像识别、自然语言处理、语音视频处理等领域。由于卷积神经网络可以共享卷积核，对高维数据处理无压力以及特征分类效果好等特点，目前被各大互联网公司广泛应用。

发明内容

本申请实施例提出了信息输出方法和装置。

第一方面，本申请实施例提供了一种信息输出方法，包括：针对对输入到待裁剪卷积神经网络中的图像进行处理的至少一个卷积核中的每个卷积核，基于该卷积核中的至少一个元素，确定该卷积核的第一分数，基于经过该卷积核的处理所得到的至少一张特征图中每张特征图上的至少一个特征值，确定该卷积核的第二分数，基于第一分数和第二分数，确定该卷积核的第三分数；按照第三分数由小到大的顺序选取第一预设数目个卷积核，并裁剪待裁剪卷积神经网络中选取出的卷积核；输出裁剪后的卷积神经网络。

在一些实施例中，该方法还包括：将对输入到目标卷积神经网络的最后一个卷积层中的图像进行处理的卷积核的数量修改为第二预设数目；利用机器学习方法，将环境样本图像作为输入，将交通灯识别结果作为输出，对修改后的目标卷积神经网络进行训练得到训练后的卷积神经网络，并将训练后的卷积神经网络确定为待裁剪卷积神经网络，其中，交通灯识别结果的取值的数目为第二预设数目个。

在一些实施例中，按照第三分数由小到大的顺序选取第一预设数目个卷积核，包括：按照第三分数由小到大的顺序选取除对输入到最后一个卷积层中的图像进行处理的卷积核之外的第一预设数目个卷积核。

在一些实施例中，在输出裁剪后的卷积神经网络之后，该方法还包括：采集无人驾驶车辆在行驶过程中的环境图像；将环境图像输入到裁剪后的卷积神经网络得到交通灯识别结果；执行与交通灯识别结果相关的操作。

在一些实施例中，确定该卷积核的第一分数，包括：确定至少一个元素的平方和，将平方和与至少一个元素的个数的商确定为该卷积核的第一分数。

在一些实施例中，确定该卷积核的第二分数，包括：针对每个特征图，将该特征图上的至少一个特征值之和与至少一个特征值的个数的商确定为该卷积核针对该特征图的分数；将该卷积核针对至少一个特征图的至少一个分数的平均值确定为该卷积核的第二分数。

在一些实施例中，确定该卷积核的第三分数，包括：将第一分数与第二分数的平均值确定为该卷积核的第三分数。

第二方面，本申请实施例提供了一种信息输出装置，包括：确定单元，配置用于针对对输入到待裁剪卷积神经网络中的图像进行处理的至少一个卷积核中的每个卷积核，基于该卷积核中的至少一个元素，确定该卷积核的第一分数，基于经过该卷积核的处理所得到的至少一张特征图中每张特征图上的至少一个特征值，确定该卷积核的第二分数，基于第一分数和第二分数，确定该卷积核的第三分数；裁剪单元，配置用于按照第三分数由小到大的顺序选取第一预设数目个卷积核，并裁剪待裁剪卷积神经网络中选取出的卷积核；输出单元，配置用于输出裁剪后的卷积神经网络。