[发明专利]卷积神经网络、基于卷积神经网络的数据处理方法和装置

说明书

本申请涉及一种卷积神经网络、基于卷积神经网络的数据处理方法和装置、电子设备、计算机可读存储介质，该方法包括：将原始数据输入至卷积神经网络，原始数据包括图像数据、音频数据、自然语言数据中的至少一种。通过卷积神经网络的自定义层对原始数据进行处理，得到数据处理结果，输出数据处理结果。卷积神经网络包括自定义层，自定义层包括根据数据处理需求设置的至少一种数据处理方式，数据处理方式对应的参数不会随卷积神经网络的反向传播而改变，所以就可以通过自定义层对整个卷积神经网络引入人工控制，避免出现过度运算，从而可以降低数据处理过程中的运算量，并提高数据处理的效率。

技术领域

本申请涉及计算机技术领域，特别是涉及一种卷积神经网络、基于卷积神经网络的数据处理方法和装置、电子设备、计算机可读存储介质。

背景技术

随着计算机技术的不断发展，深度学习技术也被越来越广泛地应用到图像处理、图像识别、物体识别、数据处理分析、自然语言识别、人工智能等领域。其中，卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络(Feedforward Neural Networks)，是深度学习(deep learning)的代表算法之一。

传统的卷积神经网络在数据处理过程中，由于计算过程过于复杂，往往会出现过度运算、从而导致运算效率较低。

发明内容

本申请实施例提供一种卷积神经网络、基于卷积神经网络的数据处理方法和装置、电子设备、计算机可读存储介质，可以降低图像处理过程中的运算量，并提高图像处理的效率。

一种基于卷积神经网络的图像处理方法，所述卷积神经网络包括自定义层，所述自定义层包括根据数据处理需求设置的至少一种数据处理方式，所述数据处理方式对应的参数不会随所述卷积神经网络的反向传播而改变；所述方法包括：

将原始数据输入至所述卷积神经网络，所述原始数据包括图像数据、音频数据、自然语言数据中的至少一种；

通过所述卷积神经网络的自定义层对所述原始数据进行处理，得到数据处理结果；

输出所述数据处理结果。

一种卷积神经网络，所述卷积神经网络包括自定义层，所述自定义层包括根据数据处理需求设置的至少一种数据处理方式，所述数据处理方式对应的参数不会随所述卷积神经网络的反向传播而改变；

所述自定义层用于对原始数据进行数据处理，得到数据处理结果，所述原始数据包括图像数据、音频数据、自然语言数据中的至少一种。

一种基于卷积神经网络的数据处理装置，所述卷积神经网络包括自定义层，所述自定义层包括根据数据处理需求设置的至少一种数据处理方式，所述数据处理方式对应的参数不会随所述卷积神经网络的反向传播而改变；所述装置包括：

输入模块，用于将原始数据输入至所述卷积神经网络，所述原始数据包括图像数据、音频数据、自然语言数据中的至少一种；

数据处理模块，用于通过所述卷积神经网络的自定义层对所述原始数据进行处理，得到数据处理结果；

输出模块，用于输出所述数据处理结果。

一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上所述的基于卷积神经网络的数据处理方法的步骤。

一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于卷积神经网络的数据处理方法的步骤。