本发明涉及人工智能，具体为基于一次性自动化网络剪枝的分类方法及系统。
背景技术：
1、图像识别是神经网络在现实世界中应用的一个重要领域，通过对图像进行分类、检测和分割，广泛应用于自动驾驶、医疗诊断、安防监控等领域。然而，现有图像的分辨率越来越高，数据量越来越庞大，因此，对图像数据的分类越来越困难，存在效率低的问题。
技术实现思路
1、本发明的目的是：针对现有技术对图像数据进行分类，存在效率低的问题，提出基于一次性自动化网络剪枝的分类方法及系统。
2、本发明为了解决上述技术问题采取的技术方案是：
3、基于一次性自动化网络剪枝的分类方法，所述方法包括以下步骤：
4、获取待分类的多类别图像，并将多类别图像输入训练好的分类网络，得到分类结果，所述训练好的分类网络通过以下步骤得到：
5、步骤一：利用训练好的剪枝网络对分类网络进行参数重要性预测，设定稀疏度程度，并以设定的稀疏度程度为阈值，剪除预测重要性分数低于该阈值的参数，保留重要性不低于该阈值的参数，进而得到剪枝后的分类网络；
6、步骤二：获取多类别图像及图像中每个类别对应的标签，以此构建训练集；
7、步骤三：利用训练集训练剪枝后的分类网络，得到训练好的分类网络；
8、所述训练好的剪枝网络通过以下步骤得到：
9、步骤1：对神经网络进行迭代剪枝，进而得到神经网络中每个参数的重要性分数；
10、步骤2：利用每个参数及其对应的梯度作为输入，将参数重要性分数作为输出，训练剪枝网络，得到训练好的剪枝网络。
11、进一步的，所述步骤二中多类别图像为标准化处理后的图像，所述标准化处理包括缩放、裁剪、灰度化、归一化以及数据增强。
12、进一步的，所述分类网络为resnet、vggnet或mobilenet。
13、进一步的，所述迭代剪枝通过snip方法进行。
14、进一步的，所述迭代剪枝具体为：
15、将神经网络中每个参数分配一个二进制掩码，并将每一个二进制掩码初始化为1，设定稀疏度程度∈和剪枝过程的稀疏迭代次数n，之后进行剪枝迭代，并将迭代过程中移除的参数对应的二进制掩码的值更新为0，最终得到每个参数的重要性
16、进一步的，所述参数的重要性表示为：
17、
18、其中，mi表示第i次剪枝后，该参数的掩码值。
19、基于一次性自动化网络剪枝的分类系统，所述系统包括剪枝网络训练模块、分类网络训练模块以及分类模块；
20、所述剪枝网络训练模块具体执行如下步骤：
21、步骤1：对神经网络进行迭代剪枝，进而得到神经网络中每个参数的重要性分数；
22、步骤2：利用每个参数及其对应的梯度作为输入，将参数重要性分数作为输出，训练剪枝网络，得到训练好的剪枝网络；
23、所述分类网络训练模块具体执行如下步骤：
24、步骤一：利用训练好的剪枝网络对分类网络进行参数重要性预测，设定稀疏度程度，并以设定的稀疏度程度为阈值，剪除预测重要性分数低于该阈值的参数，保留重要性不低于该阈值的参数，进而得到剪枝后的分类网络；
25、步骤二：获取多类别图像及图像中每个类别对应的标签，以此构建训练集；
26、步骤三：利用训练集训练剪枝后的分类网络，得到训练好的分类网络；
27、所述分类模块具体执行如下步骤：
28、获取待分类的多类别图像，并将多类别图像输入训练好的分类网络，得到分类结果。
29、进一步的，所述多类别图像为标准化处理后的图像，所述标准化处理包括缩放、裁剪、灰度化、归一化以及数据增强；
30、所述分类网络为resnet、vggnet或mobilenet；
31、所述迭代剪枝通过snip方法进行。
32、进一步的，所述迭代剪枝具体为：
33、将神经网络中每个参数分配一个二进制掩码，并将每一个二进制掩码初始化为1，设定稀疏度程度∈和剪枝过程的稀疏迭代次数n，之后进行剪枝迭代，并将迭代过程中移除的参数对应的二进制掩码的值更新为0，最终得到每个参数的重要性
34、进一步的，所述参数的重要性表示为：
35、
36、其中，mi表示第i次剪枝后，该参数的掩码值。
37、本发明的有益效果是：
38、本申请通过引入数据驱动的初始化剪枝方法，可以在图像分类任务中有效减少神经网络的参数和计算需求，提升网络在资源受限环境中的应用性能。本申请能够在保持高识别准确性的同时，提升图像分类处理的效率。
1.基于一次性自动化网络剪枝的分类方法，其特征在于所述方法包括以下步骤：
2.根据权利要求1所述的面向图像识别网络的一次性自动化网络剪枝方法，其特征在于所述步骤二中多类别图像为标准化处理后的图像，所述标准化处理包括缩放、裁剪、灰度化、归一化以及数据增强。
3.根据权利要求1所述的面向图像识别网络的一次性自动化网络剪枝方法，其特征在于所述分类网络为resnet、vggnet或mobilenet。
4.根据权利要求1所述的面向图像识别网络的一次性自动化网络剪枝方法，其特征在于所述迭代剪枝通过snip方法进行。
5.根据权利要求4所述的面向图像识别网络的一次性自动化网络剪枝方法，其特征在于所述迭代剪枝具体为：
6.根据权利要求5所述的面向图像识别网络的一次性自动化网络剪枝方法，其特征在于所述参数的重要性表示为：
7.基于一次性自动化网络剪枝的分类系统，其特征在于所述系统包括剪枝网络训练模块、分类网络训练模块以及分类模块；
8.根据权利要求7所述的面向图像识别网络的一次性自动化网络剪枝系统，其特征在于所述多类别图像为标准化处理后的图像，所述标准化处理包括缩放、裁剪、灰度化、归一化以及数据增强；
9.根据权利要求8所述的面向图像识别网络的一次性自动化网络剪枝系统，其特征在于所述迭代剪枝具体为：
10.根据权利要求9所述的面向图像识别网络的一次性自动化网络剪枝系统，其特征在于所述参数的重要性表示为：
