1.一种图像识别方法,所述方法包括:获取待识别图像,将所述待识别图像输入已训练的深度卷积神经网络;
获取所述待识别图像对应的图像识别结果;
所述已训练的深度卷积神经网络的训练过程包括:获取训练数据以及初始深度卷积神经网络,所述初始深度卷积神经网络包括卷积层以及全连接层;
将所述训练数据分批并行输入所述初始深度卷积神经网络对应的多个训练器,所述输入各个训练器的训练数据为不相同的训练数据;
对所述初始深度卷积神经网络的卷积层进行数据并行的前向传播训练,对所述深度卷积神经网络的全连接层进行模型并行的前向传播训练以及反向传播训练,对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练;
根据所述对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练的训练结果,更新所述初始深度卷积神经网络的权重,获取已训练的深度卷积神经网络;
所述对所述初始深度卷积神经网络的卷积层进行数据并行的前向传播训练,对所述深度卷积神经网络的全连接层进行模型并行的前向传播训练以及反向传播训练,对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练包括:对当前训练数据进行卷积层前向传播训练,获取所述当前训练数据对应的最终卷积活动结果;
根据所述最终卷积活动结果进行模型并行的前向传播训练以及反向传播训练,获取所述各训练器对应的反向传播梯度;
根据处理后训练器中携带的所有反向传播梯度进行卷积层反向传播训练;
所述根据所述最终卷积活动结果进行模型并行的前向传播训练以及反向传播训练,获取所述各训练器对应的反向传播梯度包括:依次对所述各训练器对应的所述最终卷积活动结果进行交叉传播处理,根据交叉传播后的所述最终卷积活动结果进行模型并行的全连接层前向传播训练,获取当前训练器对应的全连接活动结果;
根据所述当前训练器对应的全连接活动结果进行全连接层反向传播训练,获取所述当前训练器对应的反向传播梯度。
2.根据权利要求1所述的方法,其特征在于,所述根据所述对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练的训练结果,更新所述初始深度卷积神经网络的权重之后,还包括:
将下一批的训练数据重新作为当前训练数据,将更新后的初始深度卷积神经网络的权重重新作为当前初始深度卷积神经网络的权重,返回所述将训练数据分批并行输入初始深度卷积神经网络对应的多个训练器的步骤。
3.根据权利要求1所述的方法,其特征在于,所述训练器为CPU或者GPU。
4.根据权利要求1所述的方法,其特征在于,所述根据所述对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练的训练结果,更新所述初始深度卷积神经网络的权重,获取已训练的深度卷积神经网络包括:根据所述对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练的训练结果,获取各预设训练单元对应的权重矩阵;
同步所述各预设训练单元对应的权重矩阵,获取已训练的深度卷积神经网络。
5.根据权利要求4所述的方法,其特征在于,所述同步所述各预设训练单元对应的权重矩阵,获取已训练的深度卷积神经网络包括:控制各训练器将对应的权重矩阵发送至除自身外各训练器;
控制各训练器根据训练器数目以及所述权重矩阵对自身权重矩阵进行更新,获取已训练的深度卷积神经网络。
6.一种图像识别装置,其特征在于,所述装置包括:图像获取模块,用于获取待识别图像,将所述待识别图像输入已训练的深度卷积神经网络;
结果输出模块,用于获取所述待识别图像对应的图像识别结果;
所述已训练的深度卷积神经网络的训练过程包括:获取训练数据以及初始深度卷积神经网络,所述初始深度卷积神经网络包括卷积层以及全连接层;
将所述训练数据分批并行输入所述初始深度卷积神经网络对应的多个训练器,所述输入各个训练器的训练数据为不相同的训练数据;
对所述初始深度卷积神经网络的卷积层进行数据并行的前向传播训练,对所述深度卷积神经网络的全连接层进行模型并行的前向传播训练以及反向传播训练,对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练;
根据所述对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练的训练结果,更新所述初始深度卷积神经网络的权重,获取已训练的深度卷积神经网络;
传播训练模块,用于:对当前训练数据进行卷积层前向传播训练,获取所述当前训练数据对应的最终卷积活动结果;根据所述最终卷积活动结果进行模型并行的前向传播训练以及反向传播训练,获取所述各训练器对应的反向传播梯度;根据处理后训练器中携带的所有反向传播梯度进行卷积层反向传播训练;
所述传播训练模块还用于:依次对所述各训练器对应的所述最终卷积活动结果进行交叉传播处理,根据交叉传播后的所述最终卷积活动结果进行模型并行的全连接层前向传播训练,获取当前训练器对应的全连接活动结果;根据所述当前训练器对应的全连接活动结果进行全连接层反向传播训练,获取所述当前训练器对应的反向传播梯度。
7.根据权利要求6所述的装置,其特征在于,还包括权重更新模块,用于:根据所述对所述深度卷积神经网络的卷积层进行数据并行的反向传播训练的训练结果,获取各预设训练单元对应的权重矩阵;
同步所述各预设训练单元对应的权重矩阵,获取已训练的深度卷积神经网络。
8.根据权利要求7所述的装置,其特征在于,所述权重更新模块还用于:控制各训练器将对应的权重矩阵发送至除自身外各训练器;
控制各训练器根据训练器数目以及所述权重矩阵对自身权重矩阵进行更新,获取已训练的深度卷积神经网络。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。