公开(公告)号：CN109766800A

公开(公告)日：2019-05-17

申请号：CN201811621118.0

申请日：2018-12-28

Applicant: 华侨大学

Inventor： 李国刚 ,  陈浩

IPC: G06K9/00 ,  G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种移动端花卉识别模型的构建方法，包括如下步骤：S10、创建一个ImageNet数据集训练好的浮点类型的卷积神经网络模型；S20、添加量化运算，即在原始的浮点计算模型中的权重读取和激活输出后插入模拟量化操作；S30、用花卉数据集训练该卷积神经网络模型，直到模型收敛；S40、将浮点模型转化为8-bit整数运算模型，得到花卉识别模型；S50、使用Bazel构建工具将该花卉识别模型编译成APK安装包。本发明将用于移动端花卉识别的浮点运算卷积神经网络转化为高效8-bit整数运算卷积神经网络，减小模型大小的同时缩短模型预测时间，而精度下降却非常低。

公开(公告)号：CN109766800B

公开(公告)日：2022-09-30

申请号：CN201811621118.0

申请日：2018-12-28

Applicant: 华侨大学

Inventor： 李国刚 ,  陈浩

IPC: G06V20/00 ,  G06V10/774 ,  G06V10/82 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供了一种移动端花卉识别模型的构建方法，包括如下步骤：S10、创建一个ImageNet数据集训练好的浮点类型的卷积神经网络模型；S20、添加量化运算，即在原始的浮点计算模型中的权重读取和激活输出后插入模拟量化操作；S30、用花卉数据集训练该卷积神经网络模型，直到模型收敛；S40、将浮点模型转化为8‑bit整数运算模型，得到花卉识别模型；S50、使用Bazel构建工具将该花卉识别模型编译成APK安装包。本发明将用于移动端花卉识别的浮点运算卷积神经网络转化为高效8‑bit整数运算卷积神经网络，减小模型大小的同时缩短模型预测时间，而精度下降却非常低。