1.一种深度神经网络的卷积层稀疏化方法,其特征在于,所述方法包括:
获取深度神经网络中卷积层的张量及结构参数;
根据所述结构参数,利用预设维度划分方法,将所述张量中处于同一维度的权值划分为同一维度单元,得到多个维度单元;
针对各维度单元,根据该维度单元中的权值,对该维度单元中的各权值进行相同的稀疏化操作。
2.根据权利要求1所述的方法,其特征在于,所述根据所述结构参数,利用预设维度划分方法,将所述张量中处于同一维度的权值划分为同一维度单元,得到多个维度单元,包括:
根据所述结构参数中滤波器空间维度的行参数,将所述张量中处于同一行的权值划分为同一维度单元,得到多个行维度单元;
或者,
根据所述结构参数中滤波器空间维度的列参数,将所述张量中处于同一列的权值划分为同一维度单元,得到多个列维度单元。
3.根据权利要求1所述的方法,其特征在于,所述根据所述结构参数,利用预设维度划分方法,将所述张量中处于同一维度的权值划分为同一维度单元,得到多个维度单元,包括:
根据所述结构参数中的滤波器空间维度参数,将所述张量中处于同一滤波器空间内的权值划分为同一维度单元,得到多个空间维度单元。
4.根据权利要求1所述的方法,其特征在于,所述根据所述结构参数,利用预设维度划分方法,将所述张量中处于同一维度的权值划分为同一维度单元,得到多个维度单元,包括:
根据所述结构参数中的输入通道参数,将所述张量中处于同一输入通道内的权值划分为同一维度单元,得到多个输入通道维度单元。
5.根据权利要求1所述的方法,其特征在于,所述针对各维度单元,根据该维度单元中的权值,对该维度单元中的各权值进行相同的稀疏化操作,包括:
针对各维度单元,对该维度单元中各权值的绝对值进行求和计算,得到计算结果;
判断所述计算结果是否大于预设阈值;
若不大于,则将该维度单元中的各权值置零;
若大于,则保持该维度单元中的各权值不变。
6.一种深度神经网络的卷积层稀疏化装置,其特征在于,所述装置包括:
获取模块,用于获取深度神经网络中卷积层的张量及结构参数;
划分模块,用于根据所述结构参数,利用预设维度划分方法,将所述张量中处于同一维度的权值划分为同一维度单元,得到多个维度单元;
稀疏模块,用于针对各维度单元,根据该维度单元中的权值,对该维度单元中的各权值进行相同的稀疏化操作。
7.根据权利要求6所述的装置,其特征在于,所述划分模块,具体用于:
根据所述结构参数中滤波器空间维度的行参数,将所述张量中处于同一行的权值划分为同一维度单元,得到多个行维度单元;
或者,
根据所述结构参数中滤波器空间维度的列参数,将所述张量中处于同一列的权值划分为同一维度单元,得到多个列维度单元。
8.根据权利要求6所述的装置,其特征在于,所述划分模块,具体用于:
根据所述结构参数中的滤波器空间维度参数,将所述张量中处于同一滤波器空间内的权值划分为同一维度单元,得到多个空间维度单元。
9.根据权利要求6所述的装置,其特征在于,所述划分模块,具体用于:
根据所述结构参数中的输入通道参数,将所述张量中处于同一输入通道内的权值划分为同一维度单元,得到多个输入通道维度单元。
10.根据权利要求6所述的装置,其特征在于,所述稀疏模块,具体用于:
针对各维度单元,对该维度单元中各权值的绝对值进行求和计算,得到计算结果;
判断所述计算结果是否大于预设阈值;
若不大于,则将该维度单元中的各权值置零;
若大于,则保持该维度单元中的各权值不变。