[发明专利]神经网络处理方法、装置、电子设备和存储介质

说明书

本申请提供的神经网络处理方法、装置、电子设备和存储介质，涉及神经网络分析处理技术领域。在本申请中，首先，可以基于待处理的神经网络模型中的神经网络参数建立目标函数；其次，可以基于预设的分析函数对所述目标函数进行分析处理，得到分析结果；然后，可以基于所述分析结果对所述神经网络模型进行更新处理。通过上述方法，可以改善现有技术中在对神经网络模型进行处理时存在的可解释性差的问题。

技术领域

本申请涉及神经网络分析处理技术领域，具体而言，涉及一种神经网络处理方法、装置、电子设备和存储介质。

背景技术

神经网络模型作为一种算法模型，在对信息或数据进行处理时，具有自学习和高速寻找最优解等能力，因而，被广泛应用。其中，基于工程的一些需要，在实际应用过程中可能会对当前的神经网络模型进行更新处理，而得到满足需求的神经网络模型。

经发明人研究发现，现有的对神经网络模型进行更新处理的技术，一般存在着可解释性差的问题。

发明内容

有鉴于此，本申请的目的在于提供一种神经网络处理方法、装置、电子设备和存储介质，以改善现有技术中在对神经网络模型进行处理时存在的可解释性差的问题。

为实现上述目的，本申请实施例采用如下技术方案：

一种神经网络处理方法，包括：

基于待处理的神经网络模型中的神经网络参数建立目标函数；

基于预设的分析函数对所述目标函数进行分析处理，得到分析结果；

基于所述分析结果对所述神经网络模型进行更新处理。

在本申请实施例较佳的选择中，在上述神经网络处理方法中，所述基于待处理的神经网络模型中的神经网络参数建立目标函数的步骤，包括：

获取待处理的神经网络模型中的批量归一化参数、通道参数、卷积核参数和特征参数；

根据所述批量归一化参数、所述通道参数、所述卷积核参数和所述特征参数建立目标函数。

在本申请实施例较佳的选择中，在上述神经网络处理方法中，所述根据所述批量归一化参数、所述通道参数、所述卷积核参数和所述特征参数建立目标函数的步骤，包括：

根据所述批量归一化参数、所述通道参数、所述卷积核参数和所述特征参数分别建立第一目标函数和/或第二目标函数；

其中，所述第一目标函数用于表征所述神经网络模型中每个输入通道的贡献程度，所述第二目标函数用于表征所述神经网络模型中每个输出通道的贡献程度。

在本申请实施例较佳的选择中，在上述神经网络处理方法中，所述第一目标函数包括：

W＝n*c*k_h*k_w；

其中，Y为各所述输出通道的张量拉成的向量，该向量的大小为n*h₀*w₀，Y_i为每个输入通道的输入特征对输出通道的贡献分量，该贡献分量的大小为n*h₀*w₀，α_i和β_i为批量归一化参数，A_i为一个矩阵，该矩阵的行数为n*h₀*w₀、列数为h*w，X_i为服从正态分布的向量，该向量的大小为h*w，e为全1向量，该向量的大小为h*w；

n为输出通道的数量，c为输入通道的数量，h₀*w₀为一个输出通道的大小，h*w为一个输入特征的大小，k_h*k_w为一个卷积核的大小。