[发明专利]神经网络的生成、图像处理、智能行驶控制方法及装置

权利要求书

1.一种神经网络的生成方法，其特征在于，该方法包括：

生成待压缩的超神经网络；所述超神经网络包括多层网络中每层网络分别对应的多个子网络；其中，同一层网络所对应的不同子网络的网络内参数的比特位数不同；

按照以下方式对所述超神经网络进行多轮训练中的每一轮训练，并基于多轮训练后的所述超神经网络，生成压缩后的神经网络：

将获取的样本图像输入至当前超神经网络进行处理，得到所述样本图像对应的预测结果；

基于所述样本图像的预测结果、标注结果、表征当前超神经网络中各层网络中每个子网络的重要性程度的指标值、当前超神经网络中各层网络所对应的不同子网络的网络内参数、以及计算代价约束条件，生成损失信息，并基于所述损失信息，调整当前超神经网络中的所述不同子网络的网络内参数、以及表征所述每个子网络的重要性程度的指标值。

2.根据权利要求1所述的神经网络的生成方法，其特征在于，所述生成待压缩的超神经网络，包括：

针对初始神经网络中多层网络中的每层网络，对该层网络中的网络内参数进行多次量化，得到多次量化中每次量化后分别对应的网络内参数；

基于多次量化中每次量化后分别对应的网络内参数，以及该层网络的网络结构，得到与该层网络对应的多个子网络；

基于所述多层网络中每层网络分别对应的多个子网络，构成所述待压缩的超神经网络。

3.根据权利要求2所述的神经网络的生成方法，其特征在于，所述基于所述多层网络中每层网络分别对应的多个子网络，构成所述待压缩的超神经网络，包括；

对每层网络层对应的多个子网络分别对应的重要性程度的指标值进行初始化，并基于初始化结果、以及所述多层网络中每层网络分别对应的多个子网络，构成所述待压缩的超神经网络。

4.根据权利要求1-3任一项所述的神经网络的生成方法，其特征在于，所述调整当前超神经网络中的所述不同子网络的网络内参数、以及表征所述每个子网络的重要性程度的指标值，包括：

基于所述样本图像的预测结果、标注结果、表征当前超神经网络中各层网络中每个子网络的重要性程度的指标值、以及当前超神经网络中各层网络所对应的不同子网络的网络内参数，生成第一损失信息，并基于所述第一损失信息，调整当前超神经网络中的所述不同子网络的网络内参数；

基于所述样本图像的预测结果、标注结果、表征当前超神经网络中各层网络中每个子网络的重要性程度的指标值、经过调整的各层网络所对应的不同子网络的网络内参数、以及计算代价约束条件，生成第二损失信息，并基于所述第二损失信息，调整当前超神经网络表征所述每个子网络的重要性程度的指标值。

5.根据权利要求1-4任一项所述的神经网络的生成方法，其特征在于，所述计算代价约束条件包括下述一种或者多种：最大迭代的轮数、超神经网络中各层网络中网络内参数的平均比特位数最大阈值、以及预先设置的障碍惩罚系数。

6.根据权利要求1-5任一项上所述的神经网络的生成方法，其特征在于，基于多轮训练后的所述超神经网络，生成所述压缩后的神经网络，包括：

基于多轮训练后的所述超神经网络中，各层网络中每个子网络的重要性程度的指标值，确定多轮训练后的所述超神经网络中各层网络中每个子网络的权重；

基于多轮训练后的所述超神经网络中各层网络中每个子网络的权重，从各层网络分别对应的多个子网络中，确定与各层网络分别对应的目标子网络；

基于各层网络分别对应的目标子网络，构成所述压缩后的神经网络。

7.一种图像处理方法，其特征在于，包括：

获取待处理图像；

利用基于权利要求1-6任一方法生成的神经网络处理所述待处理图像，得到所述待处理图像的处理结果。

8.一种智能行驶控制方法，其特征在于，包括：

获取道路图像；

利用基于权利要求1-6任一方法生成的神经网络处理所述道路图像，得到所述道路图像的处理结果；

根据所述处理结果，对获取所述道路图像的智能行驶设备进行控制。