[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

说明书

本公开提供了一种基于卷积神经网络的数据分类方法、系统、介质及设备，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，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；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；本公开通过对卷积层的特征矩阵进行压缩处理，在GPU上并行计算，减少了在计算过程中内存消耗和对于零值的计算，进而减少了神经网络的训练时间和内存消耗。

技术领域

本公开涉及数据分类技术领域，特别涉及一种基于卷积神经网络的数据分类方法、系统、介质及设备。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。

卷积神经网络是深度学习在计算机视觉领域的基石。同时也在自然语言处理、推荐系统和语音识别等领域取得成效。在卷积神经网络中，卷积层在所有层中比列最高。卷积层数目越多，获取信息越多，提取特征越多，模型效果越好，但计算时间和内存消耗比例增加。为了优化训练卷积网络模型的时间，优化卷积层是推动神经网络工业可用性的巨大推力。

卷积是两个变量在某范围内相乘后求和的结果。如果卷积的变量是序列x(n)和h(n)，则卷积的结果其中星号*表示卷积。当时序n＝0时，序列h(-i)是h(i)的时序i取反的结果；时序取反使得h(i)以纵轴为中心翻转180度，所以这种相乘后求和的计算法称为卷积和，简称卷积。在二维互相关运算中，卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次在输入数组上滑动。当卷积窗口滑动到某一位置时，窗口中的输入子数组与核数组按元素相乘并求和，得到输出数组中相应位置的元素。

本公开发明人发现，为了进行数据分类，研究人员提出了多种卷积计算方案，如im2col(Image to Column)算法、FFT算法和Winograd算法等，但是上述卷积算法均采用了消耗内存和减少时间的方案，虽然提高了卷积的计算速度，但是增加了计算内存。

发明内容

为了解决现有技术的不足，本公开提供了一种基于卷积神经网络的数据分类方法、系统、介质及设备，通过对卷积层的特征矩阵进行压缩处理，在GPU上并行计算，减少了在计算过程中内存消耗和对于零值的计算，进而减少了神经网络的训练时间和内存消耗。

为了实现上述目的，本公开采用如下技术方案：

本公开第一方面提供了一种基于卷积神经网络的数据分类方法。

一种基于卷积神经网络的数据分类方法，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，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；

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。

作为可能的一些实现方式，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。

作为可能的一些实现方式，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。