1.一种提升卷积神经网络可靠性的方法,其特征在于,包括:
根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码;
利用所述校验码对所述卷积神经网络模型进行软错误校验;
若所述卷积神经网络模型未出现软错误,则利用所述卷积神经网络模型对所述待处理图像数据进行图像处理。
2.根据权利要求1所述的方法,其特征在于,所述卷积神经网络模型使用的数据类型包括32位浮点数,利用所述校验码对所述卷积神经网络模型进行软错误校验,包括:
确定所述卷积神经网络模型中的待检测卷积核;
利用所述校验码对所述待检测卷积核中权重的第30位进行sec-dedecc检测。
3.根据权利要求2所述的方法,其特征在于,还包括:
当所述待检测卷积核的权重的第30位出现软错误时,利用所述校验码对所述待检测卷积核中权重的第30位进行修正;
利用修正后的所述待检测卷积核对所述待处理图像数据进行图像处理。
4.根据权利要求1所述的方法,其特征在于,所述卷积神经网络模型使用的数据类型包括32位浮点数,利用所述校验码对所述卷积神经网络模型进行软错误校验,包括:
确定所述卷积神经网络模型中的待检测卷积核;
利用所述校验码对所述待检测卷积核中权重的第21位至第30位进行sec-dedecc检测。
5.根据权利要求1所述的方法,其特征在于,在根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码之前,还包括:
利用预设训练集对初始模型进行训练得到所述卷积神经网络模型;
根据所述卷积神经网络模型中的卷积核生成对应的校验码。
6.根据权利要求1所述的方法,其特征在于,所述卷积神经网络模型使用的数据类型包括16位浮点数或64位浮点数。
7.一种提升卷积神经网络可靠性的系统,其特征在于,包括:
确定模块,用于根据输入的图像处理命令确定待处理图像数据、卷积神经网络模型及校验码;
校验模块,用于利用所述校验码对所述卷积神经网络模型进行软错误校验;
图像处理模块,用于若所述卷积神经网络模型未出现软错误,则利用所述卷积神经网络模型对所述待处理图像数据进行图像处理。
8.根据权利要求7所述的系统,其特征在于,所述卷积神经网络模型使用的数据类型包括32位浮点数,所述校验模块包括:
第一确定子模块,用于确定所述卷积神经网络模型中的待检测卷积核;
第一检测子模块,用于利用所述校验码对所述待检测卷积核中权重的第30位进行sec-dedecc检测。
9.一种提升卷积神经网络可靠性设备,其特征在于,包括:
存储器,用于存储计算机程序;
处理器,用于执行所述计算机程序时实现如权利要求1至6任一项所述提升卷积神经网络可靠性的方法的步骤。
10.一种可读存储介质,其特征在于,所述可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述提升卷积神经网络可靠性的方法的步骤。