[发明专利]一种目标识别方法及设备

说明书

本发明公开了一种目标识别方法及设备，用以解决对神经网络模型进行量化时，量化过程复杂，占用资源较多，消耗时间长，效率低，且量化后的模型训练精度损失大的问题，本发明方法包括：获取用于目标识别的图像数据；将所述图像数据输入定点神经网络模型，其中，在预设神经网络模型训练过程中，确定需要进行量化的一组模型参数，根据所述一组模型参数中各模型参数绝对值的最大值以及量化基准值，确定数据量化系数，利用所述数据量化系数对所述一组模型参数进行量化处理，利用量化前的模型参数调整训练结束后的预设神经网络模型的模型参数，得到定点神经网络模型；通过所述定点神经网络模型对所述图像数据进行处理，输出所述目标识别的识别结果。

技术领域

本发明涉及人工智能技术领域，特别涉及一种目标识别方法及设备。

背景技术

随着计算机技术、神经网络技术的发展，越来越多的人用神经网络模型进行目标识别，但在用神经网络模型进行目标识别的过程中，存在着大量复杂数据的运算，如各个网络层的浮点型模型参数，以及可能为小数形式的图像数据，上述各个网络层的模型参数以及上述图像数据间的运算直接影响着神经网络模型进行目标识别的效率，但由于上述各个网络层的参数常常是浮点数或者小数，在利用上述参数构建神经网络模型时，固件消耗时间较长，且构建出的神经网络模型处理任务时，占用的计算机资源多、消耗时间长，此时对各个网络层的参数处理的复杂度会导致构建模型效率低下，进而极大地降低了神经网络模型进行目标识别的效率；由于对参数的处理过程复杂导致数据处理效率低下，因此如何在保证不影响任务处理的效益的情况下，简化需处理的各个网络层的参数成为急需解决的问题。

发明内容

本发明提供一种目标识别方法及设备，用以解决现有技术中，对神经网络模型进行量化时，量化过程复杂，占用资源较多，消耗时间长，效率低，且量化后的模型训练精度损失大的问题。

第一方面，本申请提供一种目标识别方法，该方法包括：

获取用于目标识别的图像数据；

将所述图像数据输入定点神经网络模型，其中，在预设神经网络模型训练过程中，确定需要进行量化的一组模型参数，根据所述一组模型参数中各模型参数绝对值的最大值以及量化基准值，确定数据量化系数，利用所述数据量化系数对所述一组模型参数进行量化处理，利用量化前的模型参数调整训练结束后的预设神经网络模型的模型参数，得到定点神经网络模型；

通过所述定点神经网络模型对所述图像数据进行处理，输出所述目标识别的识别结果。

上述方法中，在利用神经网络模型进行目标识别的过程中，对复杂数据类型的处理数据进行量化，数据量化的步骤少，所用时间少，且占用资源少，因此利用量化后的参数构建神经网络模型的过程占用资源较少、消耗时间短，且构建的神经网络模型处理任务时占用计算资源少，消耗时间短，提高了利用神经网络模型进行目标识别的效率。

在一中可能的实施方式中，利用所述量化前的模型参数通过反向传播过程，更新所述预设定点神经网络模型的模型参数的梯度值。

在一中可能的实施方式中，通过所述定点神经网络模型对所述图像数据进行处理过程中，或者在预设神经网络模型训练过程中，还包括：

确定N个需要相乘的处理数据，从所述N个需要相乘的处理数据中确定M个移位数据，其中，所述N为大于1的整数，所述M为大于0小于N的整数；

根据各移位数据的真实值确实所述各移位数据对应的移位方向，根据各移位数据的绝对值确定所述各移位数据对应的移位位数；

根据所述各移位数据对应的移位方向和移位位数，确定所述N个处理数据相乘的结果。

在一种可能的实施方式中，所述需要进行量化的一组模型参数包括如下任一或任多：

所述预设神经网络模型的卷积层的每个网络层的权重；