技术摘要：
本申请涉及一种基于卷积神经网络的数据处理方法和装置、存储介质，将原始数据输入至卷积神经网络。通过卷积神经网络对原始数据进行处理，得到数据处理结果，输出数据处理结果。卷积神经网络包括自定义卷积层，自定义卷积层包括至少一个自定义卷积核。因为自定义卷积核  全部
背景技术：
随着计算机技术的不断发展，深度学习技术也被越来越广泛地应用到图像处理、 图像识别、物体识别、数据处理分析、自然语言识别、人工智能等领域。其中，卷积神经网络 (Convolutional  Neural  Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经 网络(Feedforward  Neural  Networks)，是深度学习(deep  learning)的代表算法之一。 传统的卷积神经网络在数据处理过程中，由于卷积神经网络的可解释性和针对性 较差，因此，数据处理结果的准确性不够高，不能满足用户越来越高的需求。
技术实现要素：
本申请实施例提供一种基于卷积神经网络的数据处理方法和装置、存储介质，可 以提高卷积神经网络的可解释性和针对性，进而提高数据处理结果的准确性。 一种基于卷积神经网络的数据处理方法，所述卷积神经网络包括自定义卷积层， 所述自定义卷积层包括至少一个自定义卷积核，所述自定义卷积核的系数为根据数据处理 需求设置，所述自定义卷积核的部分系数或全部系数不会随所述卷积神经网络的反向传播 而改变；所述方法包括： 将原始数据输入至所述卷积神经网络，所述原始数据包括图像数据、音频数据、自 然语言数据中的至少一种； 通过所述卷积神经网络对所述原始数据进行处理，得到数据处理结果； 输出所述数据处理结果。 一种卷积神经网络，所述卷积神经网络包括自定义卷积层，所述自定义卷积层包 括至少一个自定义卷积核，所述自定义卷积核的系数为根据数据处理需求设置，所述自定 义卷积核的部分系数或全部系数不会随所述卷积神经网络的反向传播而改变； 所述自定义卷积层用于对原始数据进行数据处理，得到数据处理结果，所述原始 数据包括图像数据、音频数据、自然语言数据中的至少一种。 一种基于卷积神经网络的数据处理装置，所述卷积神经网络包括自定义卷积层， 所述自定义卷积层包括至少一个自定义卷积核，所述自定义卷积核的系数为根据数据处理 需求设置，所述自定义卷积核的部分系数或全部系数不会随所述卷积神经网络的反向传播 而改变；所述方法包括： 输入模块，用于将原始数据输入至所述卷积神经网络，所述原始数据包括图像数 据、音频数据、自然语言数据中的至少一种； 数据处理模块，用于通过所述卷积神经网络对所述原始数据进行处理，得到数据 处理结果； 5 CN 111598218 A 说　明　书 2/12 页 输出模块，用于输出所述数据处理结果。 一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算 机程序被所述处理器执行时，使得所述处理器执行如上所述的基于卷积神经网络的数据处 理方法的步骤。 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执 行时实现如上所述的基于卷积神经网络的数据处理方法的步骤。 上述基于卷积神经网络的数据处理方法和装置、存储介质，该方法包括：将原始数 据输入至卷积神经网络。通过卷积神经网络对原始数据进行处理，得到数据处理结果，输出 数据处理结果。卷积神经网络包括自定义卷积层，自定义卷积层包括至少一个自定义卷积 核。因为自定义卷积核的部分系数或全部系数不会随卷积神经网络的反向传播而改变。即 在运算过程中不会通过卷积神经网络的运算结果，反过来对自定义卷积层的部分系数或全 部系数进行修正。因此，充分利用自定义卷积核的系数来提高卷积神经网络的可解释性和 针对性，进而提高数据处理结果的准确性。 附图说明 为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。 图1为一个实施例中基于卷积神经网络的数据处理方法的应用环境图； 图2为一个实施例中基于卷积神经网络的数据处理方法的流程图； 图3为一个实施例中自定义卷积核的分类示意图； 图4为一个实施例中多种特征图像输出通路的结构示意图； 图5为一个实施例中传统的卷积神经网络的结构示意图； 图6为一个实施例中超分辨率卷积神经网络的结构示意图； 图7为一个实施例中基于卷积神经网络的数据处理装置的结构框图； 图8为一个实施例中电子设备的内部结构示意图。