申请/专利权人：无锡北邮感知技术产业研究院有限公司;北京邮电大学

申请日：2020-02-11

公开（公告）日：2024-04-02

公开（公告）号：CN111340182B

主分类号：G06N3/084

分类号：G06N3/084;G06N3/0464;G06F18/213;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.04.02#授权;2020.10.02#实质审查的生效;2020.06.26#公开

摘要：本发明提供一种输入特征逼近的低复杂度CNN训练方法与装置，包括：对数据样本进行降维处理，得到数据样本的低维表征；将所述低维表征作为用于训练模型的输入数据，训练CNN模型。本发明通过降低数据样本的维度，利用降低数据量后的数据样本的低维表征作为用于训练模型的输入数据，训练模型，能够降低CNN模型训练的复杂度，降低训练模型所需存储资源和计算资源，能够在配置较低的终端设备上实现模型相关运算，扩展应用场景。

主权项：1.一种输入特征逼近的低复杂度CNN训练方法，其特征在于，包括：对数据样本进行降维处理，得到数据样本的低维表征，包括：将数据样本张量转换为数据矩阵；构造每列只有一个值为1的行采样矩阵，将所述行采样矩阵和所述数据矩阵进行计算得到行表征矩阵；构造每列只有一个值为1的列采样矩阵，将所述列采样矩阵和所述数据矩阵进行计算得到列表征矩阵；选取所述行表征矩阵和所述列表征矩阵的重合部分进行伪逆计算得到核心表征矩阵；将所述低维表征作为用于训练模型的输入数据，训练CNN模型；其中，所述模型部署于服务器和或边缘设备，用于对输入数据进行预测，所述输入数据包括图像数据、视频数据和或文本数据；利用所述输入数据，计算权重梯度；包括：将所述列表征矩阵的转置与误差矩阵相乘之后，与所述核心表征矩阵的转置相乘，得到的乘积再与所述行表征矩阵的转置相乘，将乘积除以数据样本数，得到权重梯度；根据所述权重梯度更新模型参数。

全文数据：

权利要求：

百度查询： 无锡北邮感知技术产业研究院有限公司;北京邮电大学 一种输入特征逼近的低复杂度CNN训练方法与装置

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD