[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

说明书

本发明提供一种卷积神经网络的池化方法、装置及存储介质、计算机设备，所述方法包括：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。上述方法可以扩充池化后的数据样本，丰富了卷积神经网络的输入信息。

技术领域

本发明涉及卷积神经网络模型技术领域，具体而言，本发明涉及一种卷积神经网络的池化方法、装置及存储介质、计算机设备。

背景技术

卷积神经网络(Convolutional Neural Network，CNN)是一种前馈神经网络。卷积神经网络采用大量的人工神经元，人工神经元可以响应一部分覆盖范围内的周围单元，其常用于大型图像处理。卷积神经网络采用包括卷积层(convolutional layer)和池化层(pooling layer)。

目前通用的池化函数采用最大池化(max-pooling)或平均池化(mean-pooling)。最大池化的缺点是，每次池化都会丢失最大值位置以外的信息；平均池化的缺点是，不能体现出一些离平均值较远但比较重要的信息。因此，当前卷积神经网络采用的池化方式，减少了卷积神经网络的输入信息，导致卷积神经网络模型的输出结果准确性降低。

发明内容

本发明提出一种卷积神经网络的池化方法、装置及存储介质、计算机设备，以扩充池化后的数据样本，丰富了卷积神经网络的输入信息。

本发明提供以下方案：

一种卷积神经网络的池化方法，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。

在一实施例中，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。

在一实施例中，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。

在一实施例中，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。

在一实施例中，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。

在一实施例中，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。