本發(fā)明涉及確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法。根據(jù)本發(fā)明的確定CNN模型的裝置包括：第一確定單元，用于確定包括多個(gè)樣本的數(shù)據(jù)庫(kù)的復(fù)雜度；第二確定單元，用于根據(jù)數(shù)據(jù)庫(kù)的復(fù)雜度確定適用于數(shù)據(jù)庫(kù)的CNN模型的分類能力；第三確定單元，用于獲取多個(gè)候選CNN模型中的每個(gè)候選CNN模型的分類能力；以及匹配單元，用于根據(jù)每個(gè)候選CNN模型的分類能力以及適用于數(shù)據(jù)庫(kù)的CNN模型的分類能力確定適用于數(shù)據(jù)庫(kù)的CNN模型。使用根據(jù)本發(fā)明的確定CNN模型的裝置和方法，可以簡(jiǎn)化CNN模型的設(shè)計(jì)流程，使得作為用戶的普通人員也能夠容易地設(shè)計(jì)和調(diào)整CNN模型，并能夠根據(jù)數(shù)據(jù)庫(kù)的復(fù)雜度為該數(shù)據(jù)庫(kù)確定出更匹配的CNN模型。

技術(shù)領(lǐng)域

本發(fā)明的實(shí)施例涉及機(jī)器學(xué)習(xí)領(lǐng)域，具體地涉及可以確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置和方法。

背景技術(shù)

這個(gè)部分提供了與本發(fā)明有關(guān)的背景信息，這不一定是現(xiàn)有技術(shù)。

深度學(xué)習(xí)技術(shù)已經(jīng)廣泛應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域。作為深度學(xué)習(xí)技術(shù)之一，CNN(Convolutional Neural Network，卷積神經(jīng)網(wǎng)絡(luò))大大提高了圖像分類的準(zhǔn)確性，給圖像分類任務(wù)帶來(lái)質(zhì)變。針對(duì)任何一個(gè)數(shù)據(jù)庫(kù)都可以設(shè)計(jì)合適的CNN模型，該CNN模型可以用于訓(xùn)練數(shù)據(jù)庫(kù)中的樣本，從而得到數(shù)據(jù)庫(kù)中的樣本與樣本的標(biāo)簽之間的聯(lián)系。這里，數(shù)據(jù)庫(kù)中的樣本可以是圖像。

然而，設(shè)計(jì)和調(diào)整CNN模型需要專業(yè)的背景，對(duì)普通人員來(lái)說(shuō)并不容易。此外，傳統(tǒng)的CNN模型的設(shè)計(jì)和調(diào)整與工程師的專業(yè)技能密切相關(guān)，通常需要大量的實(shí)驗(yàn)才能獲得最好的模型。

本發(fā)明希望提出一種方案，能夠簡(jiǎn)化CNN模型的設(shè)計(jì)流程，使得作為用戶的普通人員也能夠容易地設(shè)計(jì)和調(diào)整CNN模型，同時(shí)希望能夠針對(duì)不同的數(shù)據(jù)庫(kù)設(shè)計(jì)出與該數(shù)據(jù)庫(kù)更加匹配的CNN模型。

發(fā)明內(nèi)容

這個(gè)部分提供了本發(fā)明的一般概要，而不是其全部范圍或其全部特征的全面披露。

本發(fā)明的目的在于提供一種確定CNN模型的裝置和方法，能夠簡(jiǎn)化CNN模型的設(shè)計(jì)流程，使得作為用戶的普通人員也能夠容易地設(shè)計(jì)和調(diào)整CNN模型，并能夠針對(duì)不同的數(shù)據(jù)庫(kù)設(shè)計(jì)出與該數(shù)據(jù)庫(kù)更加匹配的CNN模型。

根據(jù)本發(fā)明的一方面，提供了一種確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的裝置，包括：第一確定單元，用于確定包括多個(gè)樣本的數(shù)據(jù)庫(kù)的復(fù)雜度；第二確定單元，用于根據(jù)所述數(shù)據(jù)庫(kù)的復(fù)雜度確定適用于所述數(shù)據(jù)庫(kù)的CNN模型的分類能力；第三確定單元，用于獲取多個(gè)候選CNN模型中的每個(gè)候選CNN模型的分類能力；以及匹配單元，用于根據(jù)每個(gè)候選CNN模型的分類能力以及適用于所述數(shù)據(jù)庫(kù)的CNN模型的分類能力確定適用于所述數(shù)據(jù)庫(kù)的CNN模型。

根據(jù)本發(fā)明的另一方面，提供了一種確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的方法，包括：確定包括多個(gè)樣本的數(shù)據(jù)庫(kù)的復(fù)雜度；根據(jù)所述數(shù)據(jù)庫(kù)的復(fù)雜度確定適用于所述數(shù)據(jù)庫(kù)的CNN模型的分類能力；獲取多個(gè)候選CNN模型中的每個(gè)候選CNN模型的分類能力；以及根據(jù)每個(gè)候選CNN模型的分類能力以及適用于所述數(shù)據(jù)庫(kù)的CNN模型的分類能力確定適用于所述數(shù)據(jù)庫(kù)的CNN模型。

根據(jù)本發(fā)明的另一方面，提供了一種程序產(chǎn)品，該程序產(chǎn)品包括存儲(chǔ)在其中的機(jī)器可讀指令代碼，其中，所述指令代碼當(dāng)由計(jì)算機(jī)讀取和執(zhí)行時(shí)，能夠使所述計(jì)算機(jī)執(zhí)行根據(jù)本發(fā)明的確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的方法。

根據(jù)本發(fā)明的另一方面，提供了一種機(jī)器可讀存儲(chǔ)介質(zhì)，其上攜帶有包括存儲(chǔ)在其中的機(jī)器可讀指令代碼的程序產(chǎn)品，其中，所述指令代碼當(dāng)由計(jì)算機(jī)讀取和執(zhí)行時(shí)，能夠使所述計(jì)算機(jī)執(zhí)行根據(jù)本發(fā)明的確定卷積神經(jīng)網(wǎng)絡(luò)CNN模型的方法。