CN110009101B - 用于生成量化神经网络的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于生成量化神经网络的方法和装置。该方法的一具体实施方式包括：获取训练样本集和初始神经网络，其中，初始神经网络包括原始浮点型权重；将初始神经网络中的原始浮点型权重转化为整数型权重；基于转化成的整数型权重，生成量化初始神经网络；从训练样本集中选取训练样本，执行以下步骤：将训练样本中的样本信息作为量化初始神经网络的输入，将训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练；响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络。该实施方式有助于减小神经网络所占用的存储空间，以及利用神经网络进行信息处理时对CPU的消耗，提高信息处理的效率。

Description

用于生成量化神经网络的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，尤其涉及用于生成量化神经网络的方法和装置。

背景技术

人工神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为神经网络或类神经网络。神经网络由大量的相互连接的节点构成。每个节点代表一种特定的输出函数，称为激励函数。每两个节点间的连接都代表一个加权值，称之为权重。实践中，为了保障神经网络的精度，权重的数据类型通常为浮点型。

发明内容

本公开的实施例提出了用于生成量化神经网络的方法和装置，以及用于处理信息的方法和装置。

第一方面，本公开的实施例提供了一种用于生成量化神经网络的方法，该方法包括：获取训练样本集和初始神经网络，其中，训练样本包括样本信息和针对样本信息预先确定的样本结果，初始神经网络包括原始浮点型权重；将初始神经网络中的原始浮点型权重转化为整数型权重；基于转化成的整数型权重，生成量化初始神经网络；从训练样本集中选取训练样本，以及执行以下训练步骤：将所选取的训练样本中的样本信息作为量化初始神经网络的输入，将所选取的训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练；确定量化初始神经网络是否训练完成；响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络。

在一些实施例中，基于转化成的整数型权重，生成量化初始神经网络，包括：将转化成的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的初始神经网络确定为量化初始神经网络。

在一些实施例中，将初始神经网络中的原始浮点型权重转化为整数型权重，包括：将初始神经网络中的原始浮点型权重转化为四比特整数型权重。

在一些实施例中，该方法还包括：响应于确定未训练完成，执行以下步骤：从训练样本集包括的未被选取的训练样本中选取训练样本；调整量化初始神经网络的参数，获得新的浮点型权重；将新的浮点型权重转化为新的整数型权重，以及基于新的整数型权重，生成新的量化初始神经网络；使用最近一次选取的训练样本和最新生成的量化初始神经网络，继续执行训练步骤。

在一些实施例中，基于新的整数型权重，生成新的量化初始神经网络，包括：将新的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的量化初始神经网络确定为新的量化初始神经网络。

在一些实施例中，该方法还包括：将量化神经网络发送给用户终端，以便用户终端利用接收的量化神经网络进行存储。

第二方面，本公开的实施例提供了一种用于生成量化神经网络的装置，该装置包括：第一获取单元，被配置成获取训练样本集和初始神经网络，其中，训练样本包括样本信息和针对样本信息预先确定的样本结果，初始神经网络包括原始浮点型权重；转化单元，被配置成将初始神经网络中的原始浮点型权重转化为整数型权重；生成单元，被配置成基于转化成的整数型权重，生成量化初始神经网络；第一执行单元，被配置成从训练样本集中选取训练样本，以及执行以下训练步骤：将所选取的训练样本中的样本信息作为量化初始神经网络的输入，将所选取的训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练；确定量化初始神经网络是否训练完成；响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络。

在一些实施例中，生成单元进一步被配置成：将转化成的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的初始神经网络确定为量化初始神经网络。

在一些实施例中，转化单元进一步被配置成：将初始神经网络中的原始浮点型权重转化为四比特整数型权重。

在一些实施例中，该装置还包括：第二执行单元，被配置成响应于确定未训练完成，执行以下步骤：从训练样本集包括的未被选取的训练样本中选取训练样本；调整量化初始神经网络的参数，获得新的浮点型权重；将新的浮点型权重转化为新的整数型权重，以及基于新的整数型权重，生成新的量化初始神经网络；使用最近一次选取的训练样本和最新生成的量化初始神经网络，继续执行训练步骤。

在一些实施例中，第二执行单元进一步被配置成：将新的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的量化初始神经网络确定为新的量化初始神经网络。

在一些实施例中，该装置还包括：发送单元，被配置成将量化神经网络发送给用户终端，以便用户终端对接收的量化神经网络进行存储。

第三方面，本公开的实施例提供了一种用于处理信息的方法，该方法包括：获取待处理信息和目标量化神经网络，其中，目标量化神经网络为采用第一方面所描述的方法中的任一方法生成的；将待处理信息输入目标量化神经网络，获得处理结果及输出。

第四方面，本公开的实施例提供了一种用于处理信息的装置，该装置包括：第二获取单元，被配置成获取待处理信息和目标量化神经网络，其中，目标量化神经网络为采用第一方面所描述的方法中的任一方法生成的；输入单元，被配置成将待处理信息输入目标量化神经网络，获得处理结果及输出。

第五方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面或第三方面中任一实施例的方法。

第六方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现上述第一方面或第三方面中任一实施例的方法。

本公开的实施例提供的用于生成量化神经网络的方法和装置，通过获取训练样本集和初始神经网络，其中，训练样本包括样本信息和针对样本信息预先确定的样本结果，初始神经网络包括原始浮点型权重，而后将初始神经网络中的原始浮点型权重转化为整数型权重，接着基于转化成的整数型权重，生成量化初始神经网络，最后从训练样本集中选取训练样本，以及执行以下训练步骤：将所选取的训练样本中的样本信息作为量化初始神经网络的输入，将所选取的训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练；确定量化初始神经网络是否训练完成；响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络，从而在神经网络的训练过程中，将神经网络中的浮点型权重转化为整数型权重，以此，为神经网络的权重添加了量化约束，有助于减小神经网络所占用的存储空间，以及利用神经网络进行信息处理时对CPU的消耗，提高信息处理的效率；并且，与现有技术中的直接对训练完成的神经网络中的权重进行量化，生成量化神经网络相比，本公开的方案可以减小对权重量化所引起的精度损失，提高量化神经网络的准确度，进而，利用本公开的量化神经网络进行信息处理的电子设备，相较于现有技术中的利用量化神经网络进行信息处理的电子设备，可以具有更准确的信息处理功能。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于生成量化神经网络方法的一个实施例的流程图；

图3是根据本公开的实施例的用于生成量化神经网络的方法的一个应用场景的示意图；

图4是根据本公开的用于处理信息的方法的一个实施例的流程图；

图5是根据本公开的用于生成量化神经网络的装置的一个实施例的结构示意图；

图6是根据本公开的用于处理信息的装置的一个实施例的结构示意图；

图7是适于用来实现本公开的实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的用于生成量化神经网络的方法、用于生成量化神经网络的装置、用于处理信息的方法或用于处理信息的装置的实施例的示例性系统架构100。

如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103发送的初始神经网络进行处理的模型处理服务器。模型处理服务器可以对接收到的初始神经网络等数据进行分析等处理，并将处理结果(例如量化神经网络)反馈给终端设备。

需要说明的是，本公开的实施例所提供的用于生成量化神经网络的方法一般由服务器105执行，相应地，用于生成量化神经网络的装置一般设置于服务器105中；另外，本公开的实施例所提供的用于处理信息的的方法一般由终端设备101、102、103执行，相应地，用于处理信息的装置一般设置于101、102、103中。

需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，示出了根据本公开的用于生成量化神经网络的方法的一个实施例的流程200。该用于生成量化神经网络的方法，包括以下步骤：

步骤201，获取训练样本集和初始神经网络。

在本实施例中，用于生成量化神经网络的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从远程或本地获取训练样本集和初始神经网络。其中，训练样本集中的训练样本包括样本信息和针对样本信息预先确定的样本结果。样本信息为初始神经网络所能处理的信息，可以包括但不限于以下至少一项：文本、图像、音频、视频。例如，初始神经网络可以为用于进行人脸识别的神经网络，则样本信息可以为样本人脸图像。样本结果为利用初始神经网络对样本信息进行处理所能获得的期望结果(例如用于表征样本人脸图像所对应的人物的性别的性别信息)。

初识神经网络可以为未经训练的神经网络，也可以为经过训练的神经网络。初始神经网络的功能或者说输入、输出可以是预先确定的。进而，上述执行主体可以获取到用于训练初始神经网络的训练样本集。

在本实施例中，初始神经网络包括原始浮点型权重。原始浮点型权重为待对其进行量化的权重。具体的，原始浮点型权重可以为初始神经网络中的卷积层包括的参数，可以用于与卷积层的输入进行卷积运算。

实践中，对浮点型数据的量化指的是将浮点型数据转化为某个取值范围内的整数型数据。这里，取值范围由整数型数据的比特位数限定。例如欲转化成的整数型数据为8比特位(即8bit)，则取值范围为(0，255)。需要说明的是，本实施例中，在对原始浮点型权重进行量化时，欲量化成的整数型权重的比特位数可以由技术人员预先确定。

可以理解，对于位数相同的浮点型数据和整数型数据，由于浮点型数据可以记录小数点之后的数据信息，因而具有更高的精度。而整数型数据由于不记录小数点之后的数据信息，因此，可以占用更少的存储空间，且利用整数型数据进行计算时，计算速度更快。

需要说明的是，为了获得更高的精度，现有技术中的神经网络中的权重通常存储为浮点型。

步骤202，将初始神经网络中的原始浮点型权重转化为整数型权重。

在本实施例中，基于步骤201中得到的初始神经网络，上述执行主体可以将初始神经网络中的原始浮点型权重转化为整数型权重。

具体的，上述执行主体可以首先确定所要转化的整数型权重的比特位数，然后，采用现有的各种方法将初始神经网络中的原始浮点型权重转化为整数型权重。可以理解，将初始神经网络中的原始浮点型权重转化为整数型权重，相当于对初始神经网络添加量化约束。

作为示例，原始浮点型权重包括数值“21.323”，预先确定出欲转化成的整数型权重的比特位数为八位，即可以确定整数型权重的取值范围为(0，255)，进而可以直接采用四舍五入的方式将原始浮点型权重中的数值“21.323”转化为整数型权重“21”。

在本实施例的一些可选的实现方式中，上述执行主体可以将初始神经网络中的原始浮点型权重转化为四比特整数型权重。可以理解，比特位数越少，权重所占用的存数空间越小，利用其进行运算的运算速度越快。因此，在这里，与通常使用的三十二比特位、十六比特位、八比特位相比，将原始浮点型权重转化为四比特整数型权重可以进一步减小神经网络所占用的存储空间，提高神经网络的运算速度。

步骤203，基于转化成的整数型权重，生成量化初始神经网络。

在本实施例中，基于步骤202中转化成的整数型权重，上述执行主体可以生成量化初始神经网络。

具体的，上述执行主体可以直接将包括转化成的整数型权重的初始神经网络确定为量化神经网络；或者，上述执行主体也可以对包括转化成的整数型权重的初始神经网络进行处理，并将处理后的初始神经网络确定为量化初始神经网络。

在本实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤生成量化初始神经网络：上述执行主体可以将转化成的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的初始神经网络确定为量化初始神经网络。

这里，将整数型权重转化为浮点型权重为上述将原始浮点型权重转化为整数型权重的逆过程，可以参考将原始浮点型权重转化为整数型权重的步骤对转化成的整数型权重进行转化，获得浮点型权重。

继续上述示例，转化成的整数型权重为“21”，由原始浮点型权重中的“21.323”可知，浮点型权重精确到小数点后三位。所以，这里可以将整数型权重“21”转化为浮点型权重“21.000”。

需要说明的是，浮点型数据相较于整数型数据可以具有更高的精度。所以为初始神经网络添加量化约束后，再将整数型权重转化为浮点型权重，有助于在后续对初始神经网络的训练过程中，提高训练精度，获得更为准确的训练结果。

步骤204，从训练样本集中选取训练样本，以及执行以下训练步骤：将所选取的训练样本中的样本信息作为量化初始神经网络的输入，将所选取的训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练；确定量化初始神经网络是否训练完成；响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络。

在本实施例中，基于步骤201中获得的训练样本集，上述执行主体可以从训练样本集中选取训练样本，以及执行以下训练步骤：

步骤2041，将所选取的训练样本中的样本信息作为量化初始神经网络的输入，将所选取的训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练。

在这里，上述执行主体可以利用机器学习方法，对量化初始神经网络进行训练。具体的，上述执行主体将样本信息输入量化初始神经网络，获得实际结果，然后利用预设的损失函数计算所得到的实际结果与训练样本中的样本结果之间的差异，例如，可以采用L2范数作为损失函数计算所得到的实际结果息与训练样本中的样本结果之间的差异。

步骤2042，确定量化初始神经网络是否训练完成。

具体的，上述执行主体可以确定当前对量化初始神经网络的训练是否满足预先设置的完成条件，若满足，则可以确定量化初始神经网络训练完成。其中，完成条件可以包括但不限于以下至少一项：训练时间超过预设时长；训练次数超过预设次数；计算所得的差异小于预设差异阈值。

步骤2043，响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络。

在本实施例中，上述执行主体可以响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络。其中，量化神经网络为训练完成的、所包括的权重为整数型权重的神经网络。

具体的，响应于确定训练完成的量化初始神经网络中的权重为整数型权重，则上述执行主体可以直接将训练完成的量化初始神经网络确定为量化神经网络；响应于确定训练完成的量化初始神经网络中的权重为浮点型权重，则上述执行主体可以将训练完成的量化初始神经网络中的浮点型权重转化为整数型权重，进而将包括转化成的整数型权重的、训练完成的量化初始神经网络确定为量化神经网络。

在本实施例中，上述执行主体还可以响应于确定量化初始神经网络未训练完成，执行以下步骤：从训练样本集包括的未被选取的训练样本中选取训练样本；调整量化初始神经网络的参数，获得新的浮点型权重；将新的浮点型权重转化为新的整数型权重，以及基于新的整数型权重，生成新的量化初始神经网络；使用最近一次选取的训练样本和最新生成的量化初始神经网络，继续执行上述训练步骤(步骤2041-2043)。

这里，可以采用各种实现方式基于计算得到的实际结果与训练样本中的样本结果之间的差异调整量化初始神经网络的参数。例如，可以采用BP(Back Propagation，反向传播)算法或者SGD(Stochastic Gradient Descent，随机梯度下降)算法来调整量化初始神经网络的参数。需要说明的是，调整参数时，为了不影响训练的收敛情况，保证训练能够重复执行，通常会将参数调整为浮点型。因此，调整参数后量化初始神经网络会获得新的浮点型权重，进而，上述执行主体可以将新的浮点型权重转化为新的整数型权重，以重新为包括新的浮点型权重的量化初始神经网络添加量化约束，生成新的量化初始神经网络。

具体的，上述执行主体可以基于新的整数型权重，采用各种方式生成新的量化初始神经网络。例如，可以直接将包括新的整数型权重的量化初始神经网络确定为新的量化初始神经网络。或者，上述执行主体也可以对包括新的整数型权重的量化初始神经网络进行处理，并将处理后的量化初始神经网络确定为新的量化初始神经网络。

在本实施例的一些可选的实现方式中，上述执行主体可以通过以下步骤生成新的量化初始神经网络：上述执行主体可以将新的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的量化初始神经网络确定为新的量化初始神经网络。

在本实施例的一些可选的实现方式中，上述执行主体可以将量化神经网络发送给用户终端，以便用户终端对接收的量化神经网络进行存储。在这里，添加了量化约束的量化神经网络可以占用更少的存储空间，通过本实现方式，可以节省用户终端的存储资源。

继续参见图3，图3是根据本实施例的用于生成神经网络的方法的应用场景的一个示意图。在图3的应用场景中，服务器301首先可以获取训练样本集302和初始神经网络303，其中，训练样本集302中的训练样本包括样本信息和针对样本信息预先确定的样本结果。初始神经网络303包括原始浮点型权重304(例如“2.134”)。然后，服务器301可以将初始神经网络303中的原始浮点型权重304转化为整数型权重305(例如“2”)。接着，服务器301可以基于转化成的整数型权重305，生成量化初始神经网络306。最后，服务器301可以从训练样本集302中选取训练样本3021，以及执行以下训练步骤：将所选取的训练样本3021中的样本信息30211作为量化初始神经网络306的输入，将所选取的训练样本3021中的样本结果30212作为量化初始神经网络306的期望输出，对量化初始神经网络306进行训练；确定量化初始神经网络306是否训练完成；响应于确定训练完成，基于训练完成的量化初始神经网络306，生成量化神经网络307。

本公开的上述实施例提供的方法在神经网络的训练过程中，将神经网络中的浮点型权重转化为整数型权重，以此，为神经网络的权重添加了量化约束，有助于减小神经网络所占用的存储空间，以及利用神经网络进行信息处理时对CPU的消耗，提高信息处理的效率；并且，与现有技术中的直接对训练完成的神经网络中的权重进行量化，生成量化神经网络相比，本公开的方案可以减小对权重量化所引起的精度损失，提高量化神经网络的准确度，进而，利用本公开的量化神经网络进行信息处理的电子设备，相较于现有技术中的利用量化神经网络进行信息处理的电子设备，可以具有更准确的信息处理功能。

进一步参考图4，其示出了用于处理信息的方法的一个实施例的流程400。该用于处理信息的方法的流程400，包括以下步骤：

步骤401，获取待处理信息和目标量化神经网络。

在本实施例中，用于处理信息的方法的执行主体(例如图1所示的终端设备)可以通过有线连接方式或者无线连接方式从远程或本地获取训待处理信息和目标量化神经网络。其中，目标量化神经网络为采用图2对应的实施例中的任一实施例的方法生成的。目标量化神经网络为待利用其进行信息处理的量化神经网络。待处理信息可以为目标量化神经网络所能够处理的信息。可以包括但不限于以下至少一项：文本、图像、音频、视频。作为示例，目标量化神经网络为用于进行人脸识别的模型，则待处理信息可以为人脸图像。待处理信息可以预先存储在上述执行主体上，也可以由其他电子设备发送给上述执行主体。处理结果可以为目标量化神经网络的输出结果。

步骤402，将待处理信息输入目标量化神经网络，获得处理结果及输出。

具体的，上述执行主体可以将待处理信息输入目标量化神经网络，获得目标量化神经网络输出的处理结果。

在这里，获得处理结果后，上述执行主体可以输出处理结果。具体的，上述执行主体可以将处理结果输出给通信连接的其他电子设备，也可以对处理结果进行输出显示。

实践中，由于用户终端的存储空间较小，而一般的神经网络需要消耗大量的存储资源，所以通常神经网络在用户终端上难以适用。本公开的实施例提供的方法采用图2对应的任一实施例中生成的量化神经网络，可以使得量化神经网络适用于用户终端，同时有助于减小对用户终端的存储资源的消耗；并且，当用户终端在利用量化神经网络进行信息处理时，由于量化神经网络的复杂程度低，所以可以提高用户终端进行信息处理的效率，减小对用户终端的CPU的消耗；此外，由于发送给用户终端的量化神经网络是通过在训练过程中添加量化约束而获得的神经网络，与现有技术中的、通过为训练完成的神经网络添加量化约束而生成的量化神经网络相比，本公开的量化神经网络的精度损失更小，进而，用户终端利用本公开的量化神经网络可以实现更为准确的信息处理及输出。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种用于生成量化神经网络的装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的用于生成量化神经网络的装置500包括：第一获取单元501、转化单元502、生成单元503和第一执行单元504。其中，第一获取单元501被配置成获取训练样本集和初始神经网络，其中，训练样本包括样本信息和针对样本信息预先确定的样本结果，初始神经网络包括原始浮点型权重；转化单元502被配置成将初始神经网络中的原始浮点型权重转化为整数型权重；生成单元503被配置成基于转化成的整数型权重，生成量化初始神经网络；第一执行单元504被配置成从训练样本集中选取训练样本，以及执行以下训练步骤：将所选取的训练样本中的样本信息作为量化初始神经网络的输入，将所选取的训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练；确定量化初始神经网络是否训练完成；响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络。

在本实施例中，用于生成量化神经网络的装置500的第一获取单元501可以通过有线连接方式或者无线连接方式从远程或本地获取训练样本集和初始神经网络。其中，训练样本集中的训练样本包括样本信息和针对样本信息预先确定的样本结果。样本信息为初始神经网络所能处理的信息，可以包括但不限于以下至少一项：文本、图像、音频、视频。样本结果为利用初始神经网络对样本信息进行处理所能获得的期望结果。

初识神经网络可以为未经训练的神经网络，也可以为经过训练的神经网络。初始神经网络的功能或者说输入、输出可以是预先确定的。进而，第一获取单元501可以获取到用于训练初始神经网络的训练样本集。

在本实施例中，初始神经网络包括原始浮点型权重。原始浮点型权重为待对其进行量化的权重。具体的，原始浮点型权重可以为初始神经网络中的卷积层包括的参数，可以用于与卷积层的输入进行卷积运算。

在本实施例中，基于第一获取单元501得到的初始神经网络，转化单元502可以将初始神经网络中的原始浮点型权重转化为整数型权重。

在本实施例中，基于转化单元502转化成的整数型权重，生成单元503可以生成量化初始神经网络。

在本实施例中，基于第一获取单元501获得的训练样本集，第一执行单元504可以从训练样本集中选取训练样本，以及执行以下训练步骤：将所选取的训练样本中的样本信息作为量化初始神经网络的输入，将所选取的训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练；确定量化初始神经网络是否训练完成；响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络。

在本实施例的一些可选的实现方式中，生成单元503可以进一步被配置成：将转化成的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的初始神经网络确定为量化初始神经网络。

在本实施例的一些可选的实现方式中，转化单元502可以进一步被配置成：将初始神经网络中的原始浮点型权重转化为四比特整数型权重。

在本实施例的一些可选的实现方式中，装置500还可以包括：第二执行单元(图中未示出)，被配置成响应于确定未训练完成，执行以下步骤：从训练样本集包括的未被选取的训练样本中选取训练样本；调整量化初始神经网络的参数，获得新的浮点型权重；将新的浮点型权重转化为新的整数型权重，以及基于新的整数型权重，生成新的量化初始神经网络；使用最近一次选取的训练样本和最新生成的量化初始神经网络，继续执行训练步骤。

在本实施例的一些可选的实现方式中，第二执行单元可以进一步被配置成：将新的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的量化初始神经网络确定为新的量化初始神经网络。

在本实施例的一些可选的实现方式中，装置500还可以包括：发送单元(图中未示出)，被配置成将量化神经网络发送给用户终端，以便用户终端对接收的量化神经网络进行存储。

可以理解的是，该装置500中记载的诸单元与参考图2描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。

本公开的上述实施例提供的装置500在神经网络的训练过程中，将神经网络中的浮点型权重转化为整数型权重，以此，为神经网络的权重添加了量化约束，有助于减小神经网络所占用的存储空间，以及利用神经网络进行信息处理时对CPU的消耗，提高信息处理的效率；并且，与现有技术中的直接对训练完成的神经网络中的权重进行量化，生成量化神经网络相比，本公开的方案可以减小对权重量化所引起的精度损失，提高量化神经网络的准确度，进而，利用本公开的量化神经网络进行信息处理的电子设备，相较于现有技术中的利用量化神经网络进行信息处理的电子设备，可以具有更准确的信息处理功能。

进一步参考图6，作为对上述各图所示方法的实现，本公开提供了一种用于处理信息的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于处理信息的装置600包括：第二获取单元601和输入单元602。其中，第二获取单元601被配置成获取待处理信息和目标量化神经网络，其中，目标量化神经网络为采用如图2对应的实施例中的任一实施例的方法生成的；输入单元602被配置成将待处理信息输入目标量化神经网络，获得处理结果及输出。

可以理解的是，该装置600中记载的诸单元与参考图4描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置600及其中包含的单元，在此不再赘述。

本公开的上述实施例提供的装置600采用图2对应的任一实施例中生成的量化神经网络，可以使得量化神经网络适用于用户终端，同时有助于减小对用户终端的存储资源的消耗；并且，当用户终端在利用量化神经网络进行信息处理时，由于量化神经网络的复杂程度低，所以可以提高用户终端进行信息处理的效率，减小对用户终端的CPU的消耗；此外，由于发送给用户终端的量化神经网络是通过在训练过程中添加量化约束而获得的神经网络，与现有技术中的、通过为训练完成的神经网络添加量化约束而生成的量化神经网络相比，本公开的量化神经网络的精度损失更小，进而，用户终端利用本公开的量化神经网络可以实现更为准确的信息处理及输出。

下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端设备或服务器)700的结构示意图。本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

通常，以下装置可以连接至I/O接口705：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练样本集和初始神经网络，其中，训练样本包括样本信息和针对样本信息预先确定的样本结果，初始神经网络包括原始浮点型权重；将初始神经网络中的原始浮点型权重转化为整数型权重；基于转化成的整数型权重，生成量化初始神经网络；从训练样本集中选取训练样本，以及执行以下训练步骤：将所选取的训练样本中的样本信息作为量化初始神经网络的输入，将所选取的训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练；确定量化初始神经网络是否训练完成；响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络。

此外，当上述一个或者多个程序被该电子设备执行时，还可以使得该电子设备：获取待处理信息和目标量化神经网络，其中，目标量化神经网络为采用图2对应的实施例中的任一实施例的方法生成的；将待处理信息输入目标量化神经网络，获得处理结果及输出。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一获取单元还可以被描述为“获取训练样本集和初始神经网络的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种用于用户终端的处理信息的方法，包括：

获取待处理人脸图像和目标量化神经网络，其中，所述目标量化神经网络采用以下方法生成：获取训练样本集和初始神经网络，其中，训练样本包括样本人脸图像和针对样本人脸图像预先确定的样本结果，初始神经网络包括原始浮点型权重；将所述初始神经网络中的原始浮点型权重转化为整数型权重；将转化成的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的初始神经网络确定为量化初始神经网络；从所述训练样本集中选取训练样本，以及执行以下训练步骤：将所选取的训练样本中的样本人脸图像作为量化初始神经网络的输入，将所选取的训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练；确定量化初始神经网络是否训练完成；响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络；

将所述待处理人脸图像输入所述目标量化神经网络，获得处理结果及输出；

对目标量化神经网络进行存储。

2.根据权利要求1所述的方法，其中，所述将所述初始神经网络中的原始浮点型权重转化为整数型权重，包括：

将初始神经网络中的原始浮点型权重转化为四比特整数型权重。

3.根据权利要求1所述的方法，其中，所述方法还包括：

响应于确定未训练完成，执行以下步骤：从所述训练样本集包括的未被选取的训练样本中选取训练样本；调整量化初始神经网络的参数，获得新的浮点型权重；将新的浮点型权重转化为新的整数型权重，以及基于新的整数型权重，生成新的量化初始神经网络；使用最近一次选取的训练样本和最新生成的量化初始神经网络，继续执行所述训练步骤。

4.根据权利要求3所述的方法，其中，所述基于新的整数型权重，生成新的量化初始神经网络，包括：

将新的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的量化初始神经网络确定为新的量化初始神经网络。

5.一种用于用户终端的处理信息的装置，包括：

第二获取单元，被配置成获取待处理人脸图像和目标量化神经网络，其中，所述目标量化神经网络采用以下方法生成：获取训练样本集和初始神经网络，其中，训练样本包括样本人脸图像和针对样本人脸图像预先确定的样本结果，初始神经网络包括原始浮点型权重；将所述初始神经网络中的原始浮点型权重转化为整数型权重；将转化成的整数型权重转化为浮点型权重，以及将包括转化成的浮点型权重的初始神经网络确定为量化初始神经网络；从所述训练样本集中选取训练样本，以及执行以下训练步骤：将所选取的训练样本中的样本人脸图像作为量化初始神经网络的输入，将所选取的训练样本中的样本结果作为量化初始神经网络的期望输出，对量化初始神经网络进行训练；确定量化初始神经网络是否训练完成；响应于确定训练完成，基于训练完成的量化初始神经网络，生成量化神经网络；

输入单元，被配置成将所述待处理人脸图像输入所述目标量化神经网络，获得处理结果及输出；

存储单元，被配置成，对目标量化神经网络进行存储。

6.一种电子设备，包括：

一个或多个处理器；

存储装置，其上存储有一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。

7.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-4中任一所述的方法。

Images