[发明专利]卷积神经网络的池化方法、装置及存储介质、计算机设备

权利要求书

1.一种卷积神经网络的池化方法，其特征在于，包括：

获取卷积神经网络的训练样本，将训练样本输入卷积神经网络模型；

将卷积神经网络模型的卷积层输出的样本数据矩阵输入卷积神经网络模型的池化层，在池化层中将样本数据矩阵划分为多个数据子矩阵；

从每个数据子矩阵中随机提取一个样本数据；

根据提取的每个样本数据生成池化矩阵，将该池化矩阵作为池化层的输出。

2.根据权利要求1所述的方法，其特征在于，所述多个数据子矩阵包括行数与列数相同的数据子矩阵；所述在池化层中将样本数据矩阵划分为多个数据子矩阵，包括：

获取所述样本数据矩阵的行数和列数；

根据所述样本数据矩阵的行数和列数，在池化层中将所述样本数据矩阵划分为多个行数与列数相同的数据子矩阵。

3.根据权利要求1所述的方法，其特征在于，所述多个数据子矩阵包括行数与列数相同的第一数据子矩阵以及行数与列数不相同的第二数据子矩阵；所述在池化层中将样本数据矩阵划分为多个数据子矩阵，包括：

获取样本数据矩阵的行数和列数；

根据样本数据矩阵的行数和列数在池化层中将样本数据矩阵划分为多个所述第一数据子矩阵以及多个所述第二数据子矩阵。

4.根据权利要求1所述的方法，其特征在于，所述数据子矩阵为多行及多列的矩阵；所述从每个数据子矩阵中随机提取一个样本数据，包括：

从所述每个数据子矩阵的多行中随机选取任一行数据；从该行数据中，随机选取任一列对应的数据作为所述样本数据；或，

从所述每个数据子矩阵的多列中随机选取任一列数据；从该列数据中，随机选取任一行对应的数据作为所述样本数据。

5.根据权利要求1所述的方法，其特征在于，所述数据子矩阵为多行及多列的矩阵；所述从每个数据子矩阵中随机提取一个样本数据，包括：

从所述每个数据子矩阵的多行及多列中，随机选取任一行和任一列对应的数据作为所述样本数据。

6.根据权利要求1所述的方法，其特征在于，所述训练样本为图像样本数据；所述获取卷积神经网络的训练样本，将训练样本输入卷积神经网络模型，包括：

获取所述图像样本数据作为所述卷积神经网络模型的训练样本。

7.根据权利要求6所述的方法，其特征在于，所述获取所述图像样本数据作为所述卷积神经网络模型的训练样本，包括：获取所述图像样本数据中的图片样本数据作为所述卷积神经网络模型的训练样本；

所述将卷积神经网络模型的卷积层输出的样本数据矩阵输入卷积神经网络模型的池化层，在池化层中将样本数据矩阵划分为多个数据子矩阵，从每个数据子矩阵中随机提取一个样本数据，根据提取的每个样本数据生成池化矩阵，将该池化矩阵作为池化层的输出，包括：

将卷积神经网络模型的第一卷积层输出的图片样本数据矩阵经过激活后，输入卷积神经网络模型的第一池化层，在第一池化层中将样本数据矩阵划分为多个数据子矩阵，从每个数据子矩阵中随机提取一个图片样本数据，根据提取的图片样本数据生成池化矩阵进行第一池化层输出后，再将所述第一池化层输出的数据输入第二卷积层进行卷积，对所述第二卷积层输出的数据进行随机激活，并将随机激活后的数据输入第二池化层进行池化训练，将该池化训练结果作为系统池化层的输出。

8.一种卷积神经网络的池化装置，其特征在于，包括：

获取模块，用于获取卷积神经网络的训练样本，将训练样本输入卷积神经网络模型；

划分模块，用于将卷积神经网络模型的卷积层输出的样本数据矩阵输入卷积神经网络模型的池化层，在池化层中将样本数据矩阵划分为多个数据子矩阵；

提取模块，用于从每个数据子矩阵中随机提取一个样本数据；

生成模块，用于根据提取的每个样本数据生成池化矩阵，将该池化矩阵作为池化层的输出。

9.一种存储介质，其特征在于，其上存储有计算机程序；所述计算机程序适于由处理器加载并执行上述权利要求1至7中任一项所述的卷积神经网络的池化方法。

10.一种计算机设备，其特征在于，其包括：

一个或多个处理器；

存储器；

一个或多个应用程序，其中所述一个或多个应用程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个应用程序配置用于执行根据权利要求1至7中任一项所述的卷积神经网络的池化方法。