[发明专利]图像识别方法、装置、计算机设备以及存储介质

说明书

本申请具体涉及一种图像识别方法、装置、计算机设备和存储介质。方法包括：通过获取待识别图像，并将待识别图像输入训练完成的深度卷积神经网络；其中深度卷积神经网络通过在卷积层进行数据并行，而在全连阶层进行模型并行的训练方案训练获得。本申请图像识别方法通过在深度卷积神经网络的训练过程中，通过在卷积层采取数据并行，在全连接层进行模型并行的训练方法，通过多重并行训练缩短有效地缩短了深度卷积神经网络的训练周期，进而整体提高了图像识别过程的处理效率。

技术领域

本申请涉及深度学习领域，特别是涉及一种图像识别方法、装置、计算机设备以及存储介质。

背景技术

图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。目前可以通过VGG系列的深度卷积神经网络来实现图像识别。VGG(Visual Geometry Group)是牛津大学工程科学系的视觉几何组提出的针对大规模图像识别的算法，其名字VGG也来自研究团队的组名Visual Geometry Group。该算法在2014年的ImageNet挑战赛中获得了定位 (localisation)第一和分类(classification)第二的名次。现代的卷积神经网络通常都包含卷积层和全连接层。深度卷积神经网络中有大量的矩阵运算，适合使用GPU(Graphics Processing Unit，图形处理器)来加速。

因为VGG系列深度卷积神经网络有11-19不等的权重层，导致使用VGG 系列深度卷积神经网络的相关应用的开发时间变长，从而影响图像识别过程的处理效率。

发明内容

基于此，有必要针对上述技术问题，提供一种可以提高VGG系列深度卷积神经网络训练效率，进而提高图像识别处理效率的图像识别方法、装置、计算机设备以及存储介质。

一种图像识别方法，所述方法包括：

获取待识别图像，将所述待识别图像输入已训练的深度卷积神经网络；

获取所述待识别图像对应的图像识别结果；

所述已训练的深度卷积神经网络的训练过程包括：

获取训练数据以及初始深度卷积神经网络，所述初始深度卷积神经网络包括卷积层以及全连接层；

将所述训练数据分批并行输入所述初始深度卷积神经网络对应的多个训练器；

对所述初始深度卷积神经网络的卷积层进行数据并行的前向传播训练，对所述深度卷积神经网络的全连接层进行模型并行的前向传播训练以及反向传播训练，对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练；

根据所述对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练的训练结果，更新所述初始深度卷积神经网络的权重，获取已训练的深度卷积神经网络。

在其中一个实施例中，所述对所述初始深度卷积神经网络的卷积层进行数据并行的前向传播训练，对所述深度卷积神经网络的全连接层进行模型并行的前向传播训练以及反向传播训练，对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练包括：

对当前训练数据进行卷积层前向传播训练，获取所述当前训练数据对应的最终卷积活动结果；

根据所述最终卷积活动结果进行模型并行的前向传播训练以及反向传播训练，获取所述各训练器对应的反向传播梯度；

根据处理后训练器中携带的所有反向传播梯度进行卷积层反向传播训练。

在其中一个实施例中，所述根据所述最终卷积活动结果进行模型并行的前向传播训练以及反向传播训练，获取所述各训练器对应的反向传播梯度包括：

依次对所述各训练器对应的所述最终卷积活动结果进行交叉传播处理，根据交叉传播后的所述最终卷积活动结果进行模型并行的全连接层前向传播训练，获取当前训练器对应的全连接活动结果；