[发明专利]深度学习前向预测的实现方法、装置和机器设备

说明书

本发明揭示了一种深度学习前向预测的实现方法、装置和机器设备。所述方法包括：获取待进行深度学习对象识别的批量识别对象；获取部署有深度学习对象识别的机器的单次计算容量；根据单次计算容量对批量识别对象进行动态分组，获得若干组识别对象，其中每组识别对象所需的计算容量均匹配于单次计算容量；以组为单位将获得的若干组识别对象传入深度学习前向网络，获得批量识别对象进行深度学习对象识别的预测结果。在单次计算容量以及所进行的批量识别对象动态分组控制下，对输入的一组识别对象进行的深度学习前向运算是匹配于机器的单次计算容量的，充分利用了机器的计算资源，且避免内存资源的超负荷利用，并发性能得到增强。

技术领域

本发明涉及计算机应用技术领域，特别涉及一种深度学习前向预测的实现方法、装置和机器设备。

背景技术

深度学习技术作为机器学习的重要实现，在现代社会的各个方面表现出强大功能，即深度学习在互联网应用中的诸多方面都有涉足，并且越来越多的出现在终端设备中，比如智能手机等便携移动设备，以为各种互联网应用实现内容识别。

深度学习的实现，包括前向网络和后向网络两大部分。其中，前向网络用于支持所进行的内容识别，而后向网络则用于不断优化前向网络所进行的内容识别。

由此可知，深度学习为实现内容识别所进行的运算，实质是通过前向网络而进行前向运算，以此来获得输入数据的预测结果。

现有前向运算的进行包括两种实现方式，一是单步运算，二则是一次处理。单步运算是对输入数据逐一进行运算，所以内存波动大，且计算资源并未获得充分利用。

为充分利用计算资源，则使用一次处理的方式进行前向运算。一次处理的方式，相当于将所有输入数据一次性打包输入进行运算，此方式的进行虽可充分利用计算资源，即所有计算资源将全部作用于一次性打包进行运算的输入数据，但是将造成非常大的内存波动，占用的内存过大，往往超负荷利用计算资源和内存资源，且影响了并发性能。

因此，亟待避免通过超负荷利用计算资源和内存资源而在深度学习前向运算中实现资源的充分利用，进而通过计算资源超负荷利用的避免，消除对并发性能的影响。

发明内容

为了避免通过超负荷利用计算资源和内存资源而实现资源的充分利用，且解决并发性能低下的技术问题，本发明提供了一种深度学习前向预测的实现方法、装置和机器设备。

一种深度学习前向预测的实现方法，所述方法包括：

获取待进行深度学习对象识别的批量识别对象；

获取部署有所述深度学习对象识别的机器的单次计算容量；

根据所述单次计算容量对所述批量识别对象进行动态分组，获得若干组识别对象，其中每组识别对象所需的计算容量均匹配于所述单次计算容量；

以组为单位将获得的所述若干组识别对象传入深度学习前向网络，获得所述批量识别对象进行深度学习对象识别的预测结果。

在一个示例性实施例中，所述获取待进行深度学习对象识别的批量识别对象，包括：

接收待进行深度学习对象识别的选择操作；

根据所述选择操作获取待进行深度学习对象识别的对象；

通过进行的对象检测获得所述对象对应的批量识别对象。

在一个示例性实施例中，所述对象包括图片，所述通过进行的对象检测获得所述对象对应的批量识别对象，包括：

将所述图片进行文本检测，获得所述图片中存在的文本区域；

根据所述图片中存在的文本区域，从所述图片提取得到多个文本行图片，所述多个文本行图片形成批量识别对象。