申请/专利权人:电子科技大学
申请日:2021-03-10
公开(公告)日:2022-09-20
公开(公告)号:CN112766503B
主分类号:G06N3/08
分类号:G06N3/08
优先权:
专利状态码:有效-授权
法律状态:2022.09.20#授权;2021.05.25#实质审查的生效;2021.05.07#公开
摘要:本发明公开了一种基于关键层回滚机制的卷积神经网络模型容错方法,包括以下步骤:S1、寻找关键层,通过对原模型添加参数λ进行训练的方式寻找对分类影响最大的关键节点,确定网络的关键层分布;S2、输入分类图片,通过卷积神经网络对输入图片进行识别,获得关键层的输出特征,根据输出特征得到检测阈值;S3、将硬件约束进行建模,利用模拟退火算法求出在满足硬件条件约束的情况下的检测点数量。本发明通过分析实验获得卷积神经网络的关键节点分布,以此为依据获得网络的关键层和关键层的输出分布。在满足时间和空间约束的条件下,在关键层设置关键节点,当关键层输出异常的时候,利用检查点回滚机制实现卷积神经网络的容错。
主权项:1.一种基于关键层回滚机制的卷积神经网络模型容错方法,其特征在于,包括以下步骤:S1、寻找关键层,通过对原模型添加参数λ进行训练的方式寻找对分类影响最大的关键节点,依据关键节点的分布确定网络的关键层分布;S2、输入分类图片,通过卷积神经网络对输入图片进行识别,获得关键层的输出特征;并根据输出特征得到检测阈值,用于判定检测点的输出是否存在异常;包括以下子步骤:S21、输入的分类图片中包含多个已知类别的图片,每个类别的图片样本数量相等;S22、统计所有图片输入卷积网络后,网络层的输出数据;S23、根据步骤S22统计的输出数据,以输出最大值作为该网络层的检测阈值,若检测点的输出大于检测阈值则该检测点判定为异常,并回滚到上一个检测点的位置重新进行检测;否则该检测点判定为正常;S3、将硬件约束进行建模,利用模拟退火算法求出在满足硬件条件约束的情况下的检测点数量。
全文数据:
权利要求:
百度查询: 电子科技大学 基于关键层回滚机制的卷积神经网络模型容错方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。