基于一次性自动化网络剪枝的分类方法及系统与流程

本发明涉及人工智能，具体为基于一次性自动化网络剪枝的分类方法及系统。

背景技术：

1、图像识别是神经网络在现实世界中应用的一个重要领域，通过对图像进行分类、检测和分割，广泛应用于自动驾驶、医疗诊断、安防监控等领域。然而，现有图像的分辨率越来越高，数据量越来越庞大，因此，对图像数据的分类越来越困难，存在效率低的问题。

技术实现思路

1、本发明的目的是：针对现有技术对图像数据进行分类，存在效率低的问题，提出基于一次性自动化网络剪枝的分类方法及系统。

2、本发明为了解决上述技术问题采取的技术方案是：

3、基于一次性自动化网络剪枝的分类方法，所述方法包括以下步骤：

4、获取待分类的多类别图像，并将多类别图像输入训练好的分类网络，得到分类结果，所述训练好的分类网络通过以下步骤得到：

5、步骤一：利用训练好的剪枝网络对分类网络进行参数重要性预测，设定稀疏度程度，并以设定的稀疏度程度为阈值，剪除预测重要性分数低于该阈值的参数，保留重要性不低于该阈值的参数，进而得到剪枝后的分类网络；

6、步骤二：获取多类别图像及图像中每个类别对应的标签，以此构建训练集；

7、步骤三：利用训练集训练剪枝后的分类网络，得到训练好的分类网络；

8、所述训练好的剪枝网络通过以下步骤得到：

9、步骤1：对神经网络进行迭代剪枝，进而得到神经网络中每个参数的重要性分数；

10、步骤2：利用每个参数及其对应的梯度作为输入，将参数重要性分数作为输出，训练剪枝网络，得到训练好的剪枝网络。

11、进一步的，所述步骤二中多类别图像为标准化处理后的图像，所述标准化处理包括缩放、裁剪、灰度化、归一化以及数据增强。

12、进一步的，所述分类网络为resnet、vggnet或mobilenet。

13、进一步的，所述迭代剪枝通过snip方法进行。

14、进一步的，所述迭代剪枝具体为：

15、将神经网络中每个参数分配一个二进制掩码，并将每一个二进制掩码初始化为1，设定稀疏度程度∈和剪枝过程的稀疏迭代次数n，之后进行剪枝迭代，并将迭代过程中移除的参数对应的二进制掩码的值更新为0，最终得到每个参数的重要性

16、进一步的，所述参数的重要性表示为：

17、

18、其中，mi表示第i次剪枝后，该参数的掩码值。

19、基于一次性自动化网络剪枝的分类系统，所述系统包括剪枝网络训练模块、分类网络训练模块以及分类模块；

20、所述剪枝网络训练模块具体执行如下步骤：

21、步骤1：对神经网络进行迭代剪枝，进而得到神经网络中每个参数的重要性分数；

22、步骤2：利用每个参数及其对应的梯度作为输入，将参数重要性分数作为输出，训练剪枝网络，得到训练好的剪枝网络；

23、所述分类网络训练模块具体执行如下步骤：

24、步骤一：利用训练好的剪枝网络对分类网络进行参数重要性预测，设定稀疏度程度，并以设定的稀疏度程度为阈值，剪除预测重要性分数低于该阈值的参数，保留重要性不低于该阈值的参数，进而得到剪枝后的分类网络；

25、步骤二：获取多类别图像及图像中每个类别对应的标签，以此构建训练集；

26、步骤三：利用训练集训练剪枝后的分类网络，得到训练好的分类网络；

27、所述分类模块具体执行如下步骤：

28、获取待分类的多类别图像，并将多类别图像输入训练好的分类网络，得到分类结果。

29、进一步的，所述多类别图像为标准化处理后的图像，所述标准化处理包括缩放、裁剪、灰度化、归一化以及数据增强；

30、所述分类网络为resnet、vggnet或mobilenet；

31、所述迭代剪枝通过snip方法进行。

32、进一步的，所述迭代剪枝具体为：

33、将神经网络中每个参数分配一个二进制掩码，并将每一个二进制掩码初始化为1，设定稀疏度程度∈和剪枝过程的稀疏迭代次数n，之后进行剪枝迭代，并将迭代过程中移除的参数对应的二进制掩码的值更新为0，最终得到每个参数的重要性

34、进一步的，所述参数的重要性表示为：

35、

36、其中，mi表示第i次剪枝后，该参数的掩码值。

37、本发明的有益效果是：

38、本申请通过引入数据驱动的初始化剪枝方法，可以在图像分类任务中有效减少神经网络的参数和计算需求，提升网络在资源受限环境中的应用性能。本申请能够在保持高识别准确性的同时，提升图像分类处理的效率。

1.基于一次性自动化网络剪枝的分类方法，其特征在于所述方法包括以下步骤：

2.根据权利要求1所述的面向图像识别网络的一次性自动化网络剪枝方法，其特征在于所述步骤二中多类别图像为标准化处理后的图像，所述标准化处理包括缩放、裁剪、灰度化、归一化以及数据增强。

3.根据权利要求1所述的面向图像识别网络的一次性自动化网络剪枝方法，其特征在于所述分类网络为resnet、vggnet或mobilenet。

4.根据权利要求1所述的面向图像识别网络的一次性自动化网络剪枝方法，其特征在于所述迭代剪枝通过snip方法进行。

5.根据权利要求4所述的面向图像识别网络的一次性自动化网络剪枝方法，其特征在于所述迭代剪枝具体为：

6.根据权利要求5所述的面向图像识别网络的一次性自动化网络剪枝方法，其特征在于所述参数的重要性表示为：

7.基于一次性自动化网络剪枝的分类系统，其特征在于所述系统包括剪枝网络训练模块、分类网络训练模块以及分类模块；

8.根据权利要求7所述的面向图像识别网络的一次性自动化网络剪枝系统，其特征在于所述多类别图像为标准化处理后的图像，所述标准化处理包括缩放、裁剪、灰度化、归一化以及数据增强；

9.根据权利要求8所述的面向图像识别网络的一次性自动化网络剪枝系统，其特征在于所述迭代剪枝具体为：

10.根据权利要求9所述的面向图像识别网络的一次性自动化网络剪枝系统，其特征在于所述参数的重要性表示为：