[发明专利]降低贝叶斯深度神经网络计算复杂度的方法和装置

说明书

本发明公开了一种降低贝叶斯深度神经网络计算复杂度的方法和装置。其中，该方法包括：获取目标贝叶斯深度神经网络模型的一层网络结构中的高斯分布参数对应的第一目标参数矩阵和第二目标参数矩阵；获取待识别的目标对象与第一目标参数矩阵进行运算得到的特征矩阵，及目标对象与第二目标参数矩阵进行运算得到的特征向量；利用特征矩阵和特征向量，与多个待确定矩阵中的每个待确定矩阵分别进行组合运算，得到多个识别子向量，其中，多个待确定矩阵为对参考曲线进行采样后得到；根据多个识别子向量确定与目标对象对应的识别结果。本发明解决了相关技术中需要对输入向量进行多次重复计算所导致识别操作复杂度较高的技术问题。

技术领域

本发明涉及计算机领域，具体而言，涉及一种降低贝叶斯深度神经网络计算复杂度的方法和装置。

背景技术

近年来大数据的发展和处理器计算能力的增加，都大大地促进了人工智能(Artificial Intelligence，简称AI)技术的不断进步。深度学习(Deep Learning，简称DL)也成为AI领域中最为活跃的一个分支。

其中，受到物理世界的随机性、信息不完整性以及测量噪声的影响，仅基于点估计理论的深度学习将无法准确地表征物理世界。因而，相关技术提供了一种从概率的视角切入机器学习的方式，将贝叶斯方法与深度学习进行结合，以得到贝叶斯深度神经网络。该贝叶斯深度神经网络既可以提供强大的非线性拟合能力，也具有强大的不确定性表征能力。

但是，在贝叶斯深度神经网络进行前向传播(即推理)过程中，输入向量与网络参数需要进行多次重复计算，才可以实现对输入向量的识别，以得到输出结果，从而导致对输入向量进行识别的操作复杂度较高的问题。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种降低贝叶斯深度神经网络计算复杂度的方法和装置，以至少解决相关技术中需要对输入向量进行多次重复计算所导致识别操作复杂度较高的技术问题。

根据本发明实施例的一个方面，提供了一种降低贝叶斯深度神经网络计算复杂度的方法，包括：获取目标贝叶斯深度神经网络模型的一层网络结构中的高斯分布参数对应的第一目标参数矩阵和第二目标参数矩阵，其中，上述目标贝叶斯深度神经网络模型为利用样本数据对初始化的贝叶斯深度神经网络模型进行训练，得到的完成训练的神经网络模型；获取待识别的目标对象与上述第一目标参数矩阵进行运算得到的特征矩阵，及上述目标对象与上述第二目标参数矩阵进行运算得到的特征向量；利用上述特征矩阵和上述特征向量，与多个待确定矩阵中的每个待确定矩阵分别进行组合运算，得到多个识别子向量，其中，上述多个待确定矩阵为对参考曲线进行采样后得到；根据上述多个识别子向量确定与上述目标对象对应的识别结果。

根据本发明实施例的另一方面，还提供了一种降低贝叶斯深度神经网络计算复杂度的装置，包括：第一获取单元，用于获取目标贝叶斯深度神经网络模型的一层网络结构中的高斯分布参数对应的第一目标参数矩阵和第二目标参数矩阵，其中，上述目标贝叶斯深度神经网络模型为利用样本数据对初始化的贝叶斯深度神经网络模型进行训练，得到的完成训练的神经网络模型；第二获取单元，用于获取待识别的目标对象与上述第一目标参数矩阵进行运算得到的特征矩阵，及上述目标对象与上述第二目标参数矩阵进行运算得到的特征向量；第一运算单元，用于利用上述特征矩阵和上述特征向量，与多个待确定矩阵中的每个待确定矩阵分别进行组合运算，得到多个识别子向量，其中，上述多个待确定矩阵为对参考曲线进行采样后得到；第一识别单元，用于根据上述多个识别子向量确定与上述目标对象对应的识别结果。

可选地，上述第二获取单元包括：第一运算模块，用于对上述目标对象与上述第一目标参数矩阵进行叉乘运算，得到上述特征矩阵；第二运算模块，用于对上述目标对象与上述第二目标参数矩阵进行点乘运算，得到上述特征向量。