CN109919300A - 神经网络训练方法及装置以及图像处理方法及装置 - Google Patents
神经网络训练方法及装置以及图像处理方法及装置 Download PDFInfo
- Publication number
- CN109919300A CN109919300A CN201910138574.8A CN201910138574A CN109919300A CN 109919300 A CN109919300 A CN 109919300A CN 201910138574 A CN201910138574 A CN 201910138574A CN 109919300 A CN109919300 A CN 109919300A
- Authority
- CN
- China
- Prior art keywords
- network
- training
- state
- nervus opticus
- nerves
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及一种神经网络训练方法及装置以及图像处理方法及装置,所述方法包括:将训练集中的样本图像分别输入N个中间训练状态的第一神经网络中处理,得到N个中间训练状态的第一处理结果;根据所述训练集以及所述N个中间训练状态的第一处理结果,训练第二神经网络。本公开实施例能够使得第二神经网络的学习过程受到第一神经网络的优化路径的约束,从而得到更高性能的第二神经网络。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种神经网络训练方法及装置以及图像处理方法及装置。
背景技术
在人工智能技术领域,深度神经网络在许多任务(例如视觉任务)中取得了非常好的性能。一般而言,网络的参数量和计算量越大,性能越好。在资源受限的***(例如终端)上部署这类大的网络模型较为困难,仅能部署规模较小的网络。然而,直接训练小网络得到的模型性能远低于大网络的性能。如何在不增加样本图像的情况下,提升小网络的性能是一个亟待解决的问题。
发明内容
本公开提出了一种神经网络训练技术方案。
根据本公开的一方面,提供了一种神经网络训练方法,包括:
将训练集中的样本图像分别输入N个中间训练状态的第一神经网络中处理,得到N个中间训练状态的第一处理结果;
根据所述训练集以及所述N个中间训练状态的第一处理结果,训练第二神经网络,
其中,所述第二神经网络为用于对待处理图像进行处理的网络,所述第一神经网络为用于训练所述第二神经网络的网络。
在一种可能的实现方式中,根据所述训练集以及所述N个中间训练状态的第一处理结果,训练第二神经网络,包括:
将所述训练集中的样本图像输入第i状态的第二神经网络中处理,获得第i状态的第二处理结果,所述第i状态为预设的N个训练状态中的一个,且1≤i<N;
根据所述样本图像的标注信息、第i状态的第二处理结果以及第i个中间训练状态的第一处理结果,确定所述第二神经网络在第i状态下的第一损失;
根据所述第一损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第i+1状态的第二神经网络。
在一种可能的实现方式中,所述第一神经网络包括M个训练状态,M为整数且M>N,所述方法还包括:
从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络。
在一种可能的实现方式中,从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络,包括:
以相等的状态数量间隔对M个训练状态的第一神经网络进行采样,得到N个中间训练状态的第一神经网络。
在一种可能的实现方式中,从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络,包括:
从M个训练状态的第一神经网络中随机选取N个中间训练状态的第一神经网络。
在一种可能的实现方式中,所述方法还包括:根据所述训练集训练所述第一神经网络,
其中,根据所述训练集训练所述第一神经网络,包括:
将所述训练集中的样本图像输入第m状态的第一神经网络中处理,得到第m个第一处理结果,所述第m状态为所述M个训练状态中的一个,且1≤m<M;
根据所述样本图像的标注信息以及第m个第一处理结果,确定所述第一神经网络的第二损失;
根据所述第二损失,调整所述第一神经网络的网络参数,得到第m+1状态的第一神经网络。
在一种可能的实现方式中,所述待处理图像及所述样本图像包括人脸图像,所述第二神经网络用于识别人脸图像的类别。
根据本公开的一方面,提供了一种图像处理方法,包括:
将待处理图像输入神经网络中处理,得到图像处理结果,
其中,所述神经网络包括根据上述任意一项方法训练得到的第二神经网络。
根据本公开的一方面,提供了一种神经网络训练装置,包括:
处理模块,用于将训练集中的样本图像分别输入N个中间训练状态的第一神经网络中处理,得到N个中间训练状态的第一处理结果;
第一训练模块,用于根据所述训练集以及所述N个中间训练状态的第一处理结果,训练第二神经网络,
其中,所述第二神经网络为用于对待处理图像进行处理的网络,所述第一神经网络为用于训练所述第二神经网络的网络。
在一种可能的实现方式中,所述第一训练模块,包括:
第一处理子模块,用于将所述训练集中的样本图像输入第i状态的第二神经网络中处理,获得第i状态的第二处理结果,所述第i状态为预设的N个训练状态中的一个,且1≤i<N;
第一损失确定子模块,用于根据所述样本图像的标注信息、第i状态的第二处理结果以及第i个中间训练状态的第一处理结果,确定所述第二神经网络在第i状态下的第一损失;
训练子模块,用于根据所述第一损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第i+1状态的第二神经网络。
在一种可能的实现方式中,所述第一神经网络包括M个训练状态,M为整数且M>N,所述装置还包括:
确定模块,用于从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络。
在一种可能的实现方式中,所述确定模块,包括:
第一确定子模块,用于以相等的状态数量间隔对M个训练状态的第一神经网络进行采样,得到N个中间训练状态的第一神经网络。
在一种可能的实现方式中,所述确定模块,包括:
第二确定子模块,用于从M个训练状态的第一神经网络中随机选取N个中间训练状态的第一神经网络。
在一种可能的实现方式中,所述装置还包括:第二训练模块,用于根据所述训练集训练所述第一神经网络,
其中,所述第二训练模块,包括:
第二处理子模块,用于将所述训练集中的样本图像输入第m状态的第一神经网络中处理,得到第m个第一处理结果,所述第m状态为所述M个训练状态中的一个,且1≤m<M;
第二损失确定子模块,用于根据所述样本图像的标注信息以及第m个第一处理结果,确定所述第一神经网络的第二损失;
网络调整子模块,用于根据所述第二损失,调整所述第一神经网络的网络参数,得到第m+1状态的第一神经网络。
在一种可能的实现方式中,所述待处理图像及所述样本图像包括人脸图像,所述第二神经网络用于识别人脸图像的类别。
根据本公开的一方面,提供了一种图像处理装置,包括:
图像处理模块,用于将待处理图像输入神经网络中处理,得到图像处理结果,
其中,所述神经网络包括根据上述任意一项所述的装置训练得到的第二神经网络。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述任意一项所述的方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述任意一项所述的方法。
在本公开实施例中,能够获取中间训练状态的第一神经网络(教师网络)对样本图像的处理结果,并根据这些处理结果以及样本图像来训练第二神经网络(学生网络),使得第二神经网络的学习过程受到第一神经网络的优化路径的约束,从而得到更高性能的第二神经网络。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的神经网络训练方法的流程图。
图2示出根据本公开实施例的神经网络训练过程的示意图。
图3示出根据本公开实施例的神经网络训练装置的框图。
图4示出根据本公开实施例的一种电子设备的框图。
图5示出根据本公开实施例的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的神经网络训练方法的流程图。如图1所示,所述方法包括:
步骤S11,将训练集中的样本图像分别输入N个中间训练状态的第一神经网络中处理,得到N个第一处理结果;
步骤S12,根据所述训练集以及所述N个第一处理结果,训练第二神经网络,
其中,所述第二神经网络为用于对待处理图像进行处理的网络,所述第一神经网络为用于训练所述第二神经网络的网络。
根据本公开实施例的神经网络训练方法,能够获取中间训练状态的第一神经网络(教师网络)对样本图像的处理结果,并根据这些处理结果以及样本图像来训练第二神经网络(学生网络),使得第二神经网络的学习过程受到第一神经网络的优化路径的约束,从而得到更高性能的第二神经网络。
在一种可能的实现方式中,所述神经网络训练方法可以由终端设备或服务器等电子设备执行,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。或者,可通过服务器执行所述方法。
在一种可能的实现方式中,所述第二神经网络为用于对待处理图像进行处理的学生网络,所述第一神经网络为用于训练所述第二神经网络的教师网络。所述第一神经网络和第二神经网络的网络结构和参数量不同,例如,第一神经网络可以应用于服务器端,网络结构较为复杂且参数量较大;第二神经网络可以应用于移动终端,网络结构较为简单且参数量较小。训练后的学生网络的性能与教师网络相近。
在一种可能的实现方式中,可预先设定有训练集,训练集中可包括大量的、符合数学分布的样本图像,用于对第一神经网络和第二神经网络进行训练。
在一种可能的实现方式中,待处理图像以及训练集中的样本图像可以例如为人脸图像,第二神经网络例如用于识别人脸图像的类别。应当理解,待处理图像和样本图像也可以是其他类型的图像,第二神经网络也可应用于其他类型的使用场景中,本公开对此不作限制。
在一种可能的实现方式中,在对第二神经网络进行训练之前,所述神经网络训练方法还可包括:根据所述训练集训练所述第一神经网络。
举例来说,可给定训练集X×Y,其中,X=(x1、x2、……、xn)表示样本图像的集合;Y=(y1、y2、……、yn)表示各个样本图像的标注信息(例如标签),n表示样本图像的数量。根据该训练集,可采用优化算法(例如SGD算法或Adam算法等)来训练参数量较多的第一神经网络T。本公开对训练第一神经网络所采用的具体优化方式不作限制。
在一种可能的实现方式中,根据所述训练集训练所述第一神经网络的步骤可包括:
将所述训练集中的样本图像输入第m状态的第一神经网络中处理,得到第m个第一处理结果,所述第m状态为所述M个训练状态中的一个,且1≤m<M;
根据所述样本图像的标注信息以及第m个第一处理结果,确定所述第一神经网络的第二损失;
根据所述第二损失,调整所述第一神经网络的网络参数,得到第m+1状态的第一神经网络。
举例来说,在训练过程中,可通过多次迭代来更新第一神经网络T的网络参数,每次迭代都会得到一个中间训练状态的第一神经网络T。
在一种可能的实现方式中,设第一神经网络T训练迭代的总轮数(MaxIters)为M(M为大于1的整数),则对于当前的第m状态(为M个训练状态中的一个,且1≤m<M)的第一神经网络T,可将多个样本图像分别输入第m状态的第一神经网络中处理,输出第m状态的第一处理结果,也即第m个第一处理结果。
在一种可能的实现方式中,根据各个样本图像的标注信息以及对应的多个第m状态的第一处理结果,可根据预设的优化算法(例如SGD算法或Adam算法)确定第m状态的第一神经网络的网络损失(第二损失);并根据该网络损失来反向调整第一神经网络的网络参数,得到第m+1状态的第一神经网络。在第一神经网络满足训练条件时,可以得到训练后的第一神经网络。
通过这种方式,可经过多次迭代来训练第一神经网络,得到高精度的教师网络。
在训练好第一神经网络(教师网络)后,可通过知识蒸馏的方式,采用教师网络(大网络)来训练学生网络(小网络),例如通过最小化大网络和小网络的输出之间的交叉熵,从而更好地训练小网络,缩小大小网络之间的性能差距。在相关技术中,可能直接采用训练完毕的大网络作为小网络的学习目标,然而该学习目标较为困难,难以训练出高性能的小网络。
在一种可能的实现方式中,可以选择教师网络的训练路径上的多个中间状态的教师网络来训练学生网络,逐步提高学习目标的难度,从而降低学生网络的训练难度,进一步提升学生网络的性能。
在一种可能的实现方式中,所述方法还可包括:从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络。
举例来说,可以从M次迭代(M个训练状态)的第一神经网络中选择部分中间训练状态(N个中间训练状态,N<M)的第一神经网络。将N个中间训练状态的第一神经网络作为检查点(检查点模型)并进行存储,从而体现第一神经网络的优化路径。
在一种可能的实现方式中,从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络的步骤可包括:以相等的状态数量间隔对M个训练状态的第一神经网络进行采样,得到N个中间训练状态的第一神经网络。也就是说,可以进行等间隔挑选(采样),例如采样的状态数量间隔可以取值为M/N,本公开对状态数量间隔的具体取值不作限制。
通过这种方式,可以均匀地选取检查点,使得检查点体现更均匀的优化路径,降低学生网络的训练难度。
在一种可能的实现方式中,从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络的步骤可包括:从M个训练状态的第一神经网络中随机选取N个中间训练状态的第一神经网络。也就是说,可以进行随机挑选(采样),从M个训练状态的第一神经网络中采样出N个中间训练状态的第一神经网络(检查点)。
通过这种方式,可以随机选取检查点,使得检查点体现不固定的优化路径,提高学生网络的训练效果。
在一种可能的实现方式中,在确定出N个中间训练状态的第一神经网络之后,可在步骤S11中将训练集中的每个样本图像分别输入N个中间训练状态的第一神经网络中处理,得到N个中间训练状态的第一处理结果;根据各个中间训练状态的第一处理结果,可以在步骤S12中训练第二神经网络。
在一种可能的实现方式中,步骤S12可包括:
将所述训练集中的样本图像输入第i状态的第二神经网络中处理,获得第i状态的第二处理结果,所述第i状态为预设的N个训练状态中的一个,且1≤i<N;
根据所述样本图像的标注信息、第i状态的第二处理结果以及第i个中间训练状态的第一处理结果,确定所述第二神经网络在第i状态下的第一损失;
根据所述第一损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第i+1状态的第二神经网络。
举例来说,设第二神经网络S具有N个训练状态,与第一神经网络T的N个中间训练状态相对应。对于当前的第i状态(为N个训练状态中的一个,且1≤i<N)的第二神经网络S,可将多个样本图像分别输入第i状态的第二神经网络S中处理,输出第i状态的第二处理结果。
在一种可能的实现方式中,根据样本图像的标注信息(标签)、第i状态的第二处理结果以及第i个中间训练状态的第一处理结果,可确定所述第二神经网络在第i状态下的第一损失。其中,第一损失可例如包括交叉熵损失函数,如公式(1)所示:
在公式(1)中,LOSSi表示第i状态的第一损失,Si表示第i状态的第二神经网络;表示第j个训练图像xj输入第二神经网络Si后得到的第二处理结果;yi表示第j个训练图像xj的标签;表示交叉熵损失。
公式(1)中, 表示图像xj在第二神经网络Si最后的softmax层之前得到特征,将该特征除以松弛因子τ后再进行softmax处理,可得到处理结果类似地,Ti表示第i个中间训练状态的第一神经网络; 表示图像xj在第一神经网络Ti最后的softmax层之前得到特征,将该特征除以松弛因子τ后再进行softmax处理,可得到处理结果λ表示交叉熵损失的权重。
其中,松弛因子τ的取值可以例如为2-10,本公开对松弛因子τ的取值不作限制。
在一种可能的实现方式中,根据第i状态的第一损失LOSSi,可对所述第二神经网络进行训练。例如,根据第一损失LOSSi反向梯度调整第二神经网络的网络参数;经过多次调整,当第二神经网络满足预设的训练条件时,可以完成第i状态的训练过程,并将训练后的第二神经网络确定为第i+1状态的第二神经网络。本公开对第二神经网络的具体训练方式不作限制。
图2示出根据本公开实施例的神经网络训练过程的示意图。如图2所示,框21表示第一神经网络T的训练过程,框22表示第二神经网络S的训练过程。T1、T2、……、TN分别表示N个中间训练状态的第一神经网络,S1、S2、……、SN分别表示N个训练状态的第二神经网络。
在一种可能的实现方式中,可以先确定出N个中间训练状态的第一神经网络T1、T2、……、TN;将训练集23中的训练图像输入T1中,输出第一个中间训练状态的第一处理结果,并通过训练图像以及该第一处理结果训练第二神经网络S1,得到下一个状态的第二神经网络S2。以此类推,可以得到第N个训练状态的第二神经网络SN。
通过这种方式,可以让学生网络(第二神经网络)先学习比较靠前训练轮数的教师网络,再学习靠后训练轮数的教师网络,使得学生网络的网络参数逐步更新,从而提高最终得到的第二神经网络的精度。
根据本公开的实施例,还提供了一种图像处理方法,该方法包括:
将待处理图像输入神经网络中处理,得到图像处理结果,其中,所述神经网络包括根据如上所述的方法训练得到的第二神经网络。
在一种可能的实现方式中,待处理图像可以例如为人脸图像,可将人脸图像输入到已训练的学生网络(第二神经网络)中进行图像识别,从而确定人脸图像的类别。通过这种方式,能够提高图像的识别精度。
根据本公开的实施例的神经网络训练方法得到的学生网络可部署于嵌入式设备(例如终端)中,可应用于手机解锁,行人识别等各种使用场景中。本公开对学生网络的部署方式及使用场景不作限制。
根据本公开的实施例,能够利用大网络(教师网络)的优化路径作为知识蒸馏的学习目标,实现了基于优化路径约束的知识蒸馏,使得小网络(学生网络)能够从易到难地依次学习大网络,在相同运算量的小网络上得到了更好的性能。根据本公开的实施例,无论是随机选择的检查点(中间训练状态的教师网络),还是等间隔均匀地选择的检查点,以及无论检查点的数量是多少(>1),均能够有效提升小网络的性能。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了神经网络训练装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种神经网络训练方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图3示出根据本公开实施例的神经网络训练装置的框图,如图3所示,所述神经网路训练装置包括:
处理模块31,用于将训练集中的样本图像分别输入N个中间训练状态的第一神经网络中处理,得到N个中间训练状态的第一处理结果;
第一训练模块32,用于根据所述训练集以及所述N个中间训练状态的第一处理结果,训练第二神经网络,
其中,所述第二神经网络为用于对待处理图像进行处理的网络,所述第一神经网络为用于训练所述第二神经网络的网络。
在一种可能的实现方式中,所述第一训练模块32,包括:
第一处理子模块,用于将所述训练集中的样本图像输入第i状态的第二神经网络中处理,获得第i状态的第二处理结果,所述第i状态为预设的N个训练状态中的一个,且1≤i<N;
第一损失确定子模块,用于根据所述样本图像的标注信息、第i状态的第二处理结果以及第i个中间训练状态的第一处理结果,确定所述第二神经网络在第i状态下的第一损失;
训练子模块,用于根据所述第一损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第i+1状态的第二神经网络。
在一种可能的实现方式中,所述第一神经网络包括M个训练状态,M为整数且M>N,所述装置还包括:
确定模块,用于从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络。
在一种可能的实现方式中,所述确定模块,包括:
第一确定子模块,用于以相等的状态数量间隔对M个训练状态的第一神经网络进行采样,得到N个中间训练状态的第一神经网络。
在一种可能的实现方式中,所述确定模块,包括:
第二确定子模块,用于从M个训练状态的第一神经网络中随机选取N个中间训练状态的第一神经网络。
在一种可能的实现方式中,所述装置还包括:第二训练模块,用于根据所述训练集训练所述第一神经网络,
其中,所述第二训练模块,包括:
第二处理子模块,用于将所述训练集中的样本图像输入第m状态的第一神经网络中处理,得到第m个第一处理结果,所述第m状态为所述M个训练状态中的一个,且1≤m<M;
第二损失确定子模块,用于根据所述样本图像的标注信息以及第m个第一处理结果,确定所述第一神经网络的第二损失;
网络调整子模块,用于根据所述第二损失,调整所述第一神经网络的网络参数,得到第m+1状态的第一神经网络。
在一种可能的实现方式中,所述待处理图像及所述样本图像包括人脸图像,所述第二神经网络用于识别人脸图像的类别。
根据本公开的实施例,还提供了一种图像处理装置,包括:图像处理模块,用于将待处理图像输入神经网络中处理,得到图像处理结果,其中,所述神经网络包括根据上述任意一项所述的装置训练得到的第二神经网络。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图4示出根据本公开实施例的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图4,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理***,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜***或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和***接口模块之间提供接口,上述***接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理***的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图5示出根据本公开实施例的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图5,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作***,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是***、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(***)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种神经网络训练方法,其特征在于,所述方法包括:
将训练集中的样本图像分别输入N个中间训练状态的第一神经网络中处理,得到N个中间训练状态的第一处理结果;
根据所述训练集以及所述N个中间训练状态的第一处理结果,训练第二神经网络,
其中,所述第二神经网络为用于对待处理图像进行处理的网络,所述第一神经网络为用于训练所述第二神经网络的网络。
2.根据权利要求1所述的方法,其特征在于,根据所述训练集以及所述N个中间训练状态的第一处理结果,训练第二神经网络,包括:
将所述训练集中的样本图像输入第i状态的第二神经网络中处理,获得第i状态的第二处理结果,所述第i状态为预设的N个训练状态中的一个,且1≤i<N;
根据所述样本图像的标注信息、第i状态的第二处理结果以及第i个中间训练状态的第一处理结果,确定所述第二神经网络在第i状态下的第一损失;
根据所述第一损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第i+1状态的第二神经网络。
3.根据权利要求1或2所述的方法,其特征在于,所述第一神经网络包括M个训练状态,M为整数且M>N,所述方法还包括:
从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络。
4.根据权利要求3所述的方法,其特征在于,从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络,包括:
以相等的状态数量间隔对M个训练状态的第一神经网络进行采样,得到N个中间训练状态的第一神经网络。
5.根据权利要求3所述的方法,其特征在于,从M个训练状态的第一神经网络中确定出N个中间训练状态的第一神经网络,包括:
从M个训练状态的第一神经网络中随机选取N个中间训练状态的第一神经网络。
6.一种图像处理方法,其特征在于,所述方法包括:
将待处理图像输入神经网络中处理,得到图像处理结果,
其中,所述神经网络包括根据权利要求1-5中任意一项所述的方法训练得到的第二神经网络。
7.一种神经网络训练装置,其特征在于,包括:
处理模块,用于将训练集中的样本图像分别输入N个中间训练状态的第一神经网络中处理,得到N个中间训练状态的第一处理结果;
第一训练模块,用于根据所述训练集以及所述N个中间训练状态的第一处理结果,训练第二神经网络,
其中,所述第二神经网络为用于对待处理图像进行处理的网络,所述第一神经网络为用于训练所述第二神经网络的网络。
8.一种图像处理装置,其特征在于,所述装置包括:
图像处理模块,用于将待处理图像输入神经网络中处理,得到图像处理结果,
其中,所述神经网络包括根据权利要求7所述的装置训练得到的第二神经网络。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至5中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至5中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910138574.8A CN109919300B (zh) | 2019-02-25 | 2019-02-25 | 神经网络训练方法及装置以及图像处理方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910138574.8A CN109919300B (zh) | 2019-02-25 | 2019-02-25 | 神经网络训练方法及装置以及图像处理方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109919300A true CN109919300A (zh) | 2019-06-21 |
CN109919300B CN109919300B (zh) | 2021-03-05 |
Family
ID=66962246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910138574.8A Active CN109919300B (zh) | 2019-02-25 | 2019-02-25 | 神经网络训练方法及装置以及图像处理方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109919300B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110472681A (zh) * | 2019-08-09 | 2019-11-19 | 北京市商汤科技开发有限公司 | 基于知识蒸馏的神经网络训练方案和图像处理方案 |
CN110569709A (zh) * | 2019-07-16 | 2019-12-13 | 浙江大学 | 一种基于知识重组的场景解析方法 |
CN111191722A (zh) * | 2019-12-30 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 通过计算机训练预测模型的方法及装置 |
CN111242303A (zh) * | 2020-01-14 | 2020-06-05 | 北京市商汤科技开发有限公司 | 网络训练方法及装置、图像处理方法及装置 |
CN111428613A (zh) * | 2020-03-19 | 2020-07-17 | 北京市商汤科技开发有限公司 | 数据处理方法、装置、设备和存储介质 |
CN112541577A (zh) * | 2020-12-16 | 2021-03-23 | 上海商汤智能科技有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
WO2021077529A1 (zh) * | 2019-10-24 | 2021-04-29 | 北京小米智能科技有限公司 | 神经网络模型压缩方法、语料翻译方法及其装置 |
CN112825143A (zh) * | 2019-11-20 | 2021-05-21 | 北京眼神智能科技有限公司 | 深度卷积神经网络压缩方法、装置、存储介质及设备 |
CN113660038A (zh) * | 2021-06-28 | 2021-11-16 | 华南师范大学 | 基于深度强化学习和知识蒸馏的光网络路由方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898168A (zh) * | 2018-06-19 | 2018-11-27 | 清华大学 | 用于目标检测的卷积神经网络模型的压缩方法和*** |
CN108921294A (zh) * | 2018-07-11 | 2018-11-30 | 浙江大学 | 一种用于神经网络加速的渐进式块知识蒸馏方法 |
-
2019
- 2019-02-25 CN CN201910138574.8A patent/CN109919300B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108898168A (zh) * | 2018-06-19 | 2018-11-27 | 清华大学 | 用于目标检测的卷积神经网络模型的压缩方法和*** |
CN108921294A (zh) * | 2018-07-11 | 2018-11-30 | 浙江大学 | 一种用于神经网络加速的渐进式块知识蒸馏方法 |
Non-Patent Citations (2)
Title |
---|
GEOFFREY HINTON等: "Distilling the Knowledge in a Neural Network", 《ARXIV:1503.02531V1》 * |
YOSHUA BENGIO等: "Curriculum Learning", 《ICML 09:PROCEEDINGS OF THE 26TH ANNUAL INTERNATIONAL CONFERENCE ON MACHINE LEARNING》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569709A (zh) * | 2019-07-16 | 2019-12-13 | 浙江大学 | 一种基于知识重组的场景解析方法 |
CN110472681A (zh) * | 2019-08-09 | 2019-11-19 | 北京市商汤科技开发有限公司 | 基于知识蒸馏的神经网络训练方案和图像处理方案 |
US11556723B2 (en) | 2019-10-24 | 2023-01-17 | Beijing Xiaomi Intelligent Technology Co., Ltd. | Neural network model compression method, corpus translation method and device |
WO2021077529A1 (zh) * | 2019-10-24 | 2021-04-29 | 北京小米智能科技有限公司 | 神经网络模型压缩方法、语料翻译方法及其装置 |
CN112825143A (zh) * | 2019-11-20 | 2021-05-21 | 北京眼神智能科技有限公司 | 深度卷积神经网络压缩方法、装置、存储介质及设备 |
CN111191722A (zh) * | 2019-12-30 | 2020-05-22 | 支付宝(杭州)信息技术有限公司 | 通过计算机训练预测模型的方法及装置 |
CN111191722B (zh) * | 2019-12-30 | 2022-08-09 | 支付宝(杭州)信息技术有限公司 | 通过计算机训练预测模型的方法及装置 |
CN111242303A (zh) * | 2020-01-14 | 2020-06-05 | 北京市商汤科技开发有限公司 | 网络训练方法及装置、图像处理方法及装置 |
CN111242303B (zh) * | 2020-01-14 | 2023-12-01 | 北京市商汤科技开发有限公司 | 网络训练方法及装置、图像处理方法及装置 |
CN111428613A (zh) * | 2020-03-19 | 2020-07-17 | 北京市商汤科技开发有限公司 | 数据处理方法、装置、设备和存储介质 |
CN112541577A (zh) * | 2020-12-16 | 2021-03-23 | 上海商汤智能科技有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN113660038A (zh) * | 2021-06-28 | 2021-11-16 | 华南师范大学 | 基于深度强化学习和知识蒸馏的光网络路由方法 |
CN113660038B (zh) * | 2021-06-28 | 2022-08-02 | 华南师范大学 | 基于深度强化学习和知识蒸馏的光网络路由方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109919300B (zh) | 2021-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109919300A (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109800737A (zh) | 面部识别方法及装置、电子设备和存储介质 | |
CN110348537A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109800744A (zh) | 图像聚类方法及装置、电子设备和存储介质 | |
CN109089133A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN110378976A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110287874A (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN109241835A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109614613A (zh) | 图像的描述语句定位方法及装置、电子设备和存储介质 | |
CN109801270A (zh) | 锚点确定方法及装置、电子设备和存储介质 | |
CN109165738A (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN109766954A (zh) | 一种目标对象处理方法、装置、电子设备及存储介质 | |
CN109816764A (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN109543537A (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN109783256A (zh) | 人工智能教学***及方法、电子设备、存储介质 | |
CN109145213A (zh) | 基于历史信息的查询推荐方法及装置 | |
CN109858614A (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN110909815A (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN109902738A (zh) | 网络模块和分配方法及装置、电子设备和存储介质 | |
CN110532956A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109635920A (zh) | 神经网络优化方法及装置、电子设备和存储介质 | |
CN109978891A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110458102A (zh) | 一种人脸图像识别方法及装置、电子设备和存储介质 | |
CN110188865A (zh) | 信息处理方法及装置、电子设备和存储介质 | |
CN109934275A (zh) | 图像处理方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |