[发明专利]基于卷积神经网络的数据分类方法、系统、介质及设备

权利要求书

1.一种基于卷积神经网络的数据分类方法，其特征在于，步骤如下：

对获取的分类数据进行预处理，构建数据集；

构建卷积神经网络，并利用数据集中的数据训练卷积神经网络，所述卷积神经网络中至少包括一个卷积层，所述卷积层对特征矩阵进行压缩，并对所生成的稀疏矩阵在图形处理单元上进行稀疏矩阵向量乘运算，用于提取局部特征；

将待分类数据预处理后输入到已训练好的卷积神经网络模型，输出数据分类结果；

将特征矩阵进行分割压缩处理，包括：确定子矩阵分割窗口，将每一组所属行内的所有子矩阵分配一个线程块，在线程块中分配线程处理所属块内的子矩阵，采用GPU进行多线程计算；

采用新的格式进行存储，具体为：将矩阵的后续非零值放在连续的共享内存中，针对某一子矩阵，创建三个向量：第一向量用于存储此子矩阵内的非零值，第二向量用于存储非零值映射的卷积核数值，第三向量用于存储非零值的个数。

2.如权利要求1所述的基于卷积神经网络的数据分类方法，其特征在于，对获取的分类数据进行预处理，具体为：对数据集增广并进行归一化预处理，得到统一规格的特征图，所述特征图的特征矩阵维度一致；

进一步的，将特征矩阵和数据标签导入卷积神经网络进行训练，得到训练好的卷积神经网络模型。

3.如权利要求1所述的基于卷积神经网络的数据分类方法，其特征在于，所述卷积层的处理方法，具体为：

(3-1)分割压缩过程：根据滤波器的宽度和步长找到特征矩阵的子矩阵分割窗口，根据分割窗口对数据进行压缩处理，并将数据存放至共享内存；

(3-2)在图形处理单元上进行稀疏矩阵向量乘运算：将(3-1)所得到的压缩矩阵与向量化的滤波器进行稀疏矩阵向量乘运算得到卷积结果。

4.如权利要求3所述的基于卷积神经网络的数据分类方法，其特征在于，所述(3-1)中，对每一个线程的子矩阵的零值进行压缩，将非零值和非零值索引所对应卷积核数值存储到共享内存，并记录窗口内非零值的个数到共享内存中。

5.如权利要求4所述的基于卷积神经网络的数据分类方法，其特征在于，所述(3-2)中，将(3-1)中的非零值与对应卷积核数值进行乘积运算，得到最终的卷积结果。

6.如权利要求4所述的基于卷积神经网络的数据分类方法，其特征在于，子矩阵分割窗口的长为滤波器的宽度，子矩阵分割窗口沿着特征矩阵的第一行从左到右移动，移动步长为滤波器的步长；

第一行分割后开始下一行分割，依然从左到右移动，在移动过程中，子矩阵分割窗口总处于特征矩阵内部，将分割的一行子矩阵用一个线程块表示，用线程块内的一个线程处理一个子矩阵，线程对每一个子矩阵使用新的格式进行存储。

7.一种基于卷积神经网络的数据分类系统，其特征在于，包括：

预处理模块，被配置为：对获取的分类数据进行预处理，构建数据集；

模型构建模块，被配置为：构建卷积神经网络，所述卷积神经网络中至少包括一个卷积层，用于提取局部特征，所述卷积层对特征矩阵进行压缩，并对所生成的稀疏矩阵在图形处理单元上进行稀疏矩阵向量乘运算，利用数据集中的数据训练卷积神经网络；

数据分类模块，被配置为：将待分类数据预处理后输入到已训练好的卷积神经网络模型，输出数据分类结果；

模型构建模块中，将特征矩阵进行分割压缩处理，包括：确定子矩阵分割窗口，将每一组所属行内的所有子矩阵分配一个线程块，在线程块中分配线程处理所属块内的子矩阵，采用GPU进行多线程计算；

采用新的格式进行存储，具体为：将矩阵的后续非零值放在连续的共享内存中，针对某一子矩阵，创建三个向量：第一向量用于存储此子矩阵内的非零值，第二向量用于存储非零值映射的卷积核数值，第三向量用于存储非零值的个数。

8.一种可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-6任一项所述的基于卷积神经网络的数据分类方法中的步骤。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6任一项所述的基于卷积神经网络的数据分类方法中的步骤。