[发明专利]数据存储方法、装置及计算机可读存储介质

说明书

本公开是关于一种深度卷积神经网络模型中的数据存储方法、装置及计算机可读存储介质，涉及网络技术领域，所述方法包括：在训练深度卷积神经网络模型的过程中，确定深度卷积神经网络模型中位于第一目标层之前的第二目标层；其中，第一目标层为深度卷积神经网络模型中包括的任一层，第二目标层的目标数据不会输入到位于第一目标层之后的层，第二目标层的目标数据为第二目标层的输入数据或输出数据；获取第一目标层的输入数据，并将第一目标层的输入数据存储到第二目标层的目标数据的存储空间中。本公开通过将第一目标层的输入数据存储至第二目标层的目标数据的存储空间中，从而不需要为第一目标层的输入数据新申请存储空间，节省了存储空间。

技术领域

本公开涉及网络技术领域，尤其涉及一种深度卷积神经网络模型中的数据存储方法、装置及计算机可读存储介质。

背景技术

深度卷积神经网络模型是一种能够高效的进行图像识别的网络模型。也即是，可以通过深度卷积神经网络模型包括的卷积层、激活层、池化层和全连接层对图像进行处理，最后通过深度卷积神经网络模型包括的类别概率层输出最终的图像识别结果。在使用深度卷积神经网络模型对图像进行识别之前，需要先对深度卷积神经网络模型进行训练。

在对深度卷积神经网络模型进行训练的过程中，深度卷积神经网络模型中包括的每一层都会有输入数据和输出数据，相关技术中，对于深度卷积神经网络模型中包括的每一层，获得该层的输入数据后，可以新申请一个存储空间来存储该层的输入数据，之后，若获得该层的输出数据，再新申请一个存储空间来存储该层的输出数据。

发明内容

为克服相关技术中存在的问题，本公开提供一种深度卷积神经网络模型中的数据存储方法、装置及计算机可读存储介质。

根据本公开实施例的第一方面，提供一种深度卷积神经网络模型中的数据存储方法，包括：

在训练深度卷积神经网络模型的过程中，确定所述深度卷积神经网络模型中位于第一目标层之前的第二目标层；

其中，所述第一目标层为所述深度卷积神经网络模型中包括的任一层，所述第二目标层的目标数据不会输入到位于所述第一目标层之后的层，所述第二目标层的目标数据为所述第二目标层的输入数据或输出数据；

获取所述第一目标层的输入数据，并将所述第一目标层的输入数据存储到所述第二目标层的目标数据的存储空间中。

可选地，所述获取所述第一目标层的输入数据之前，还包括：

将所述第二目标层的目标数据的名称、所述第一目标层的上一层的输出数据的名称和所述第一目标层的输入数据的名称设置为相同的名称；

相应地，所述获取所述第一目标层的输入数据，并将所述第一目标层的输入数据存储到所述第二目标层的目标数据的存储空间中，包括：

当获取到所述第一目标层的上一层的输出数据时，根据所述第一目标层的上一层的输出数据的名称，确定目标存储空间，所述目标存储空间用于存储具有所述第一目标层的上一层的输出数据的名称的数据；

根据所述第一目标层的上一层的输出数据，确定所述第一目标层的输入数据；

将所述第一目标层的输入数据存储到所述目标存储空间中。

可选地，所述根据所述第一目标层的上一层的输出数据，确定所述第一目标层的输入数据，包括：

当将所述第一目标层的上一层的输出数据输入到所述第一目标层时，将所述第一目标层的上一层的输出数据确定为所述第一目标层的输入数据。

可选地，所述根据所述第一目标层的上一层的输出数据，确定所述第一目标层的输入数据，包括：

当将所述第一目标层的上一层的输出数据与所述第二目标层的目标数据之和输入到所述第一目标层时，获取所述目标存储空间中存储的数据；