CN111275190B - 神经网络模型的压缩方法及装置、图像处理方法及处理器 - Google Patents
神经网络模型的压缩方法及装置、图像处理方法及处理器 Download PDFInfo
- Publication number
- CN111275190B CN111275190B CN202010116576.XA CN202010116576A CN111275190B CN 111275190 B CN111275190 B CN 111275190B CN 202010116576 A CN202010116576 A CN 202010116576A CN 111275190 B CN111275190 B CN 111275190B
- Authority
- CN
- China
- Prior art keywords
- pruning
- neural network
- search space
- network model
- strategy
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000006835 compression Effects 0.000 title claims abstract description 29
- 238000007906 compression Methods 0.000 title claims abstract description 29
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000013138 pruning Methods 0.000 claims abstract description 422
- 238000013528 artificial neural network Methods 0.000 claims abstract description 68
- 230000015654 memory Effects 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 8
- 230000001133 acceleration Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 108091026890 Coding region Proteins 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000000720 eyelash Anatomy 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013140 knowledge distillation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000004549 pulsed laser deposition Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种神经网络模型的压缩方法及装置、图像处理方法、图像处理器,涉及神经网络压缩领域。神经网络模型的压缩方法包括:建立神经网络模型的每个神经网络层对应的搜索空间,搜索空间包括候选剪枝率;各搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略;根据剪枝策略对神经网络模型进行剪枝。因为对每个神经网络层建立对应的搜索空间,使得各个神经网络层对应的剪枝率可以不同,克服了由于每个神经网络层对应的剪枝率均相同,从而导致的剪枝后神经网络模型的提速不明显,模型性能较差的技术问题,有效提升神经网络模型的速度以及性能。
Description
技术领域
本申请涉及计算机视觉领域,尤其涉及神经网络压缩领域。
背景技术
最近几年,深度学习技术在很多方向上都取得了巨大的成功。深度学习技术中,通过对深度神经网络模型进行剪枝来压缩神经网络模型,得到一个参数更少的神经网络模型。剪枝后的神经网络模型的速度明显提升,且模型精度不变。
常见的剪枝方法有基于平均剪枝策略的剪枝方法和基于敏感度的剪枝策略的剪枝方法。基于平均剪枝策略的剪枝方法中,神经网络模型的输入层、隐藏层、输出层等所有的层对应的剪枝率都相同。然而,对剪枝敏感的层会影响神经网络模型整体的剪枝率,导致剪枝后模型提速不明显,进而导致剪枝后的模型的性能明显下降。基于敏感度的剪枝策略,只考虑到了神经网络模型中的某一层对剪枝的敏感性,并没有考虑到层与层之间的依赖关系。虽然某些层在单独剪枝时候并不敏感,但是当剪枝了其它层后,这些原本对剪枝不敏感的层会变得非常敏感,导致剪枝后的神经网络模型提速不明显,进而导致剪枝后的神经网络模型的性能明显下降。
发明内容
本申请实施例提供一种神经网络模型的压缩方法及装置、图像处理方法、图像处理器以及电子设备,以解决现有技术中的一个或多个技术问题。
第一方面,提供了一种神经网络模型的压缩方法,包括:
建立神经网络模型的每个神经网络层对应的搜索空间,搜索空间包括候选剪枝率;
各搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略;
根据剪枝策略对神经网络模型进行剪枝。
本实施方式中,通过对每个神经网络层建立对应的搜索空间,使得各个神经网络层对应的剪枝率可以各不相同,避免了由于每个神经网络层对应的剪枝率均相同,从而导致的剪枝后神经网络模型的提速不明显,模型性能较差的问题。有效提升神经网络模型的速度以及性能。
在一种实施方式中,搜索空间包括第一级搜索空间,第一级搜索空间包括第一级候选剪枝率,各搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略,包括:
各第一级搜索空间的第一级候选剪枝率输入至剪枝策略生成模型,得到第一剪枝策略;
根据第一剪枝策略对神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新剪枝策略生成模型,直至剪枝策略生成模型收敛;
各第一级搜索空间中的第一级候选剪枝率输入至收敛后的剪枝策略生成模型,得到第二剪枝策略,以根据第二剪枝策略对神经网络模型进行剪枝。
本实施方式中,不仅可以自行定义第一级搜索空间中的第一级候选剪枝率的大小,还考虑了神经网络层之间的依赖关系,首先有效评估对神经网络模型整体进行剪枝后,对神经网络模型的性能的影响,然后利用剪枝后的神经网络模型的性能更新剪枝策略生成模型,进而得到更准确的剪枝策略。有效提升神经网络模型的速度以及性能。
在一种实施方式中,建立神经网络模型的每个神经网络层对应的搜索空间,包括:
提取第二剪枝策略中每个神经网络层对应的剪枝率;
建立叠加项搜索空间,叠加项搜索空间包括叠加剪枝率,第一级候选剪枝率的末位小数位大于叠加剪枝率的末位小数位;
将叠加项搜索空间的叠加剪枝率和第二剪枝策略中每个神经网络层对应的剪枝率叠加,得到神经网络模型的每个神经网络层对应的第二级搜索空间。
本实施方式中,在第一级搜索空间得到的最优剪枝策略的基础上,与叠加项搜索空间进行叠加,得到第二级搜索空间。第二级搜索空间中的粒度更细,提高了剪枝率的精度,进而提高了剪枝策略的精确性。
在一种实施方式中,第二级搜索空间包括第二级候选剪枝率,各搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略,包括:
各第二级搜索空间的第二级候选剪枝率输入至剪枝策略生成模型,得到第三剪枝策略;
根据第三剪枝策略对神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新剪枝策略生成模型,直至剪枝策略生成模型收敛;
各第二级搜索空间中的第二级候选剪枝率输入至收敛后的剪枝策略生成模型,得到第四剪枝策略,以根据第四剪枝策略对神经网络模型进行剪枝。
本实施方式中,利用粒度更精细的第二级搜索空间,得到的剪枝策略更准确,进而提高了剪枝精确度。
第二方面,提供了一种图像处理方法,包括:
利用上述神经网络模型的压缩方法,对神经网络模型进行剪枝,得到剪枝后的神经网络模型;
将待处理的图像输入至剪枝后的神经网络模型中,输出所述待处理的图像对应的任务标签。
在本实施方式中,利用神经网络模型的压缩方法对各个卷积层输出的特征图像对应的输出通道数进行剪枝,裁剪后只有部分卷积核参与计算,剪枝后的卷积层相对剪枝前的卷积层的计算复杂度减小,计算复杂度越小,前向传播速度变快,神经网络模型对待处理的图像的处理速度加快。
第三方面,提供了一种神经网络模型的压缩装置,包括:
搜索空间建立模块,用于建立神经网络模型的每个神经网络层对应的搜索空间,搜索空间包括候选剪枝率;
剪枝策略生成模块,用于各搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略;
神经网络剪枝模块,用于根据剪枝策略对神经网络模型进行剪枝。
在一种实施方式中,搜索空间建立模块包括:第一级搜索空间建立子模块,用于创建第一级搜索空间,第一级搜索空间包括第一级候选剪枝率。
在一种实施方式中,剪枝策略生成模块包括:
第一生成子模块,用于各第一级搜索空间的第一级候选剪枝率输入至剪枝策略生成模型,得到第一剪枝策略;
第一更新子模块,用于根据第一剪枝策略对神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新剪枝策略生成模型,直至剪枝策略生成模型收敛;
第二生成子模块,用于各第一级搜索空间中的第一级候选剪枝率输入至收敛后的剪枝策略生成模型,得到第二剪枝策略,以根据第二剪枝策略对神经网络模型进行剪枝。
在一种实施方式中,搜索空间建立模块还包括:
剪枝率提取子模块,用于提取第二剪枝策略中每个神经网络层对应的剪枝率;
叠加项搜索空间建立子模块,用于建立叠加项搜索空间,叠加项搜索空间包括叠加剪枝率,第一级候选剪枝率的末位小数位大于叠加剪枝率的末位小数位;
第二级搜索空间建立子模块,用于将叠加项搜索空间的叠加剪枝率和第二剪枝策略中每个神经网络层对应的剪枝率叠加,得到神经网络模型的每个神经网络层对应的第二级搜索空间。
在一种实施方式中,第二级搜索空间包括第二级候选剪枝率,剪枝策略生成模块还包括:
第三生成子模块,用于各第二级搜索空间的第二级候选剪枝率输入至剪枝策略生成模型,得到第三剪枝策略;
第二更新子模块,用于根据第三剪枝策略对神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新剪枝策略生成模型,直至剪枝策略生成模型收敛;
第四生成子模块,用于各第二级搜索空间中的第二级候选剪枝率输入至收敛后的剪枝策略生成模型,得到第四剪枝策略,以根据第四剪枝策略对神经网络模型进行剪枝。
第四方面,提供了一种图像处理器,包括上述神经网络模型的压缩装置。
第五方面,提供一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述任一项所述的方法。
第六方面,提供一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行上述任一项所述的方法。
上述申请中的一个实施例具有如下优点或有益效果:因为对每个神经网络层建立对应的搜索空间,使得各个神经网络层对应的剪枝率可以不同,克服了由于每个神经网络层对应的剪枝率均相同,从而导致的剪枝后神经网络模型的提速不明显,模型性能较差的技术问题。进而达到提升神经网络模型的速度以及性能的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例提供的一种神经网络模型的压缩方法的流程示意图;
图2是根据本申请实施例提供的另一种神经网络模型的压缩方法的流程示意图;
图3是根据本申请实施例提供的一种图像处理方法的流程示意图;
图4是根据本申请实施例提供的一种神经网络模型的压缩装置的结构框图;
图5是根据本申请实施例提供的另一种神经网络模型的压缩装置的结构框图;
图6是根据本申请实施例提供的一种图像处理器的结构框图;
图7是用来实现本申请实施例的一种神经网络模型的压缩方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
在一种具体实施方式中,如图1所示,提供了一种神经网络模型的压缩方法,包括:
步骤S10:建立神经网络模型的每个神经网络层对应的搜索空间,搜索空间包括候选剪枝率;
步骤S20:各搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略;
步骤S30:根据剪枝策略对神经网络模型进行剪枝。
在本实施方式中,神经网络模型包括输入层,多个卷积层,输出层。神经网络层可以包括卷积层,每个卷积层包括多个卷积核。可以按照人工经验,给每个神经网络层定义一个对应的搜索空间,搜索空间中包括一个或多个候选剪枝率。每个神经网络层对应的搜索空间可以相同,也可以不同。例如,第一个神经网络层对应的搜索空间为{0.2 0.3 0.4 0.50.6 0.7 0.8 0.9},候选剪枝率包括0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9;第二个神经网络层对应的搜索空间为{0.1 0.5 0.7},候选剪枝率包括0.1、0.5、0.7;第三个神经网络层对应的搜索空间为{0.7},候选剪枝率包括0.7。也可以是,第一个神经网络层对应的搜索空间为{0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9};第二个神经网络层对应的搜索空间为{0.2 0.30.4 0.5 0.6 0.7 0.8 0.9};第三个神经网络层对应的搜索空间为{0.2 0.3 0.4 0.5 0.60.7 0.8 0.9}。剪枝策略生成模型用于根据各搜索空间的候选剪枝率生成剪枝率编码序列,根据搜索空间对剪枝率编码序列解码,得到剪枝策略。例如,第一个至第五个神经网络层对应的搜索空间均是{0.1,0.2,0.3,0.4},依据搜索空间生成剪枝率编码序列是[0.2,0.2,0.1,0.4,0.3],解码后第一个至第五个神经网络层对应的剪枝率分别为:0.2,0.2,0.1,0.4,0.3。初始的剪枝策略可以是由剪枝策略生成模型随机生成的。例如,从第一个神经网络层对应的搜索空间中随机选择一个候选剪枝率0.6,从第二个神经网络层对应的搜索空间中随机选择一个候选剪枝率0.1,从第三个神经网络层对应的搜索空间中选择候选剪枝率0.7,剪枝策略就是剪枝率序列[0.6 0.1 0.7]。需要指出的是,剪枝策略生成模型可以是基于强化学习的网络模型或者基于进化算法的网络模型等。
本实施方式中,通过对每个神经网络层建立对应的搜索空间,使得各个神经网络层对应的剪枝率可以不同,避免了由于每个神经网络层对应的剪枝率均相同,从而导致的剪枝后神经网络模型的提速不明显,模型性能较差的问题。有效提升神经网络模型的速度以及性能。
由于初始的剪枝策略通常不是最好的,所以利用剪枝策略对神经网络模型进行剪枝,利用剪枝后的神经网络模型对剪枝策略生成模型进行更新,直至剪枝策略生成模型收敛。收敛后的剪枝策略生成模型的剪枝策略就是最优的剪枝策略。最后,根据最优的剪枝策略对神经网络模型剪枝即可。
在一种实施方式中,如图2所示,步骤S10包括:
步骤S101:建立神经网络模型的每个神经网络层对应的搜索空间,搜索空间包括第一级搜索空间,第一级搜索空间包括第一级候选剪枝率;
步骤S20包括:
步骤S201:各第一级搜索空间的第一级候选剪枝率输入至剪枝策略生成模型,得到第一剪枝策略;
步骤S202:根据第一剪枝策略对神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新剪枝策略生成模型,直至剪枝策略生成模型收敛;
步骤S203:各第一级搜索空间中的第一级候选剪枝率输入至收敛后的剪枝策略生成模型,得到第二剪枝策略,以根据第二剪枝策略对神经网络模型进行剪枝。
在一种示例中,第一级搜索空间可以为粗粒度的搜索空间,该空间定义了每层裁剪率的可选的粗粒度,如0.1,0.2,…0.9。第一级搜索空间的粒度大小可以根据需要进行适应性调整,均在本实施方式的保护范围内。第一剪枝策略可以作为初始的剪枝策略,根据第一剪枝策略对神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新剪枝策略生成模型。剪枝后的神经网络模型的性能可以包括分类准确率等应用场景下的模型的性能。当迭代次数达到阈值时,剪枝策略生成模型收敛。利用收敛后的剪枝策略生成模型,得到第二剪枝策略,第二剪枝策略是最优的剪枝策略。
本实施方式中,不仅可以自行定义第一级搜索空间中的第一级候选剪枝率的大小,还考虑了神经网络层之间的依赖关系,首先有效评估对神经网络模型整体进行剪枝后,对神经网络模型的性能的影响,然后利用剪枝后的神经网络模型的性能更新剪枝策略生成模型,进而得到更准确的剪枝策略。有效提升神经网络模型的速度以及性能。
在一种实施方式中,如图2所示,步骤S10,包括:
步骤S102:提取第二剪枝策略中每个神经网络层对应的剪枝率;
步骤S103:建立叠加项搜索空间,叠加项搜索空间包括叠加剪枝率,第一级候选剪枝率的末位小数位大于叠加剪枝率的末位小数位;
步骤S104:将叠加项搜索空间的叠加剪枝率和第二剪枝策略中每个神经网络层对应的剪枝率叠加,得到神经网络模型的每个神经网络层对应的第二级搜索空间。
在一种示例中,在第一级搜索空间的情况下,更新剪枝策略生成模型,得到最优的剪枝策略即第二剪枝策略。在第二剪枝策略的基础上,通过叠加项搜索空间得到更细粒度的第二级搜索空间。可以根据第二级搜索空间的粒度需求来自行定义叠加项搜索空间中的叠加剪枝率的大小。例如,第二剪枝策略为{0.1,0.5,0.9},第一个神经网络模型层对应的最优剪枝率为0.1,第二个神经网络模型层对应的最优剪枝率为0.5,第三个神经网络模型层对应的最优剪枝率为0.9。叠加项搜索空间为{-0.03,-0.02,-0.01,0,0.01,0.02,0.03},第一级候选剪枝率的末位小数位(十分位)大于叠加剪枝率的末位小数位(百分位)。第二剪枝策略中的剪枝率与叠加项搜索空间叠加,生成第二级搜索空间。例如,第一个神经网络模型层对应的第二级搜索空间为{0.97,0.98,0.99,0.1,0.11,0.12,0.13}。第二个神经网络模型层对应的第二级搜索空间为{0.47,0.48,0.49,0.5,0.51,0.52,0.53}。第三个神经网络模型层对应的第二级搜索空间为{0.87,0.88,0.89,0.9,0.91,0.92,0.93}。
本实施方式中,在第一级搜索空间得到的最优剪枝策略的基础上,与叠加项搜索空间进行叠加,得到第二级搜索空间。第二级搜索空间中的粒度更细,提高了剪枝率的精度,进而提高了剪枝策略的精确性。
在一种实施方式中,如图2所示,步骤S20,包括:
步骤S204:第二级搜索空间包括第二级候选剪枝率,各第二级搜索空间的第二级候选剪枝率输入至剪枝策略生成模型,得到第三剪枝策略;
步骤S205:根据第三剪枝策略对神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新剪枝策略生成模型,直至剪枝策略生成模型收敛;
步骤S206:各第二级搜索空间中的第二级候选剪枝率输入至收敛后的剪枝策略生成模型,得到第四剪枝策略,以根据第四剪枝策略对神经网络模型进行剪枝。
本实施方式中,第二级搜索空间相对第一级搜索空间的粒度划分更精细,如0.41,0.42,…0.45。各第二级搜索空间的第二级候选剪枝率输入至剪枝策略生成模型,得到第三剪枝策略。第三剪枝策略可以作为初始的剪枝策略,根据第三剪枝策略对神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新剪枝策略生成模型。剪枝后的神经网络模型的性能可以包括分类准确率等应用场景下的模型的性能。当迭代次数达到阈值时,剪枝策略生成模型收敛。利用收敛后的剪枝策略生成模型,得到第四剪枝策略是最优的剪枝策略。
本实施方式中,利用粒度更精细的第二级搜索空间,得到的剪枝策略更准确,进而提高了剪枝精确度。
需要指出的是,还可以包括更多级的搜索空间,使得搜索空间中的剪枝率的粒度更精细,进一步提高了剪枝精确度。具体过程与本实施方式中提供的实施过程类似,在此不再赘述。
通过上述实施方式提供的神经网络的压缩方法可以应用于AutoDL模型结构自动搜索平台和PaddleSlim平台等。PaddleSlim平台是模型压缩工具库,除了支持传统的网络剪枝、参数量化和知识蒸馏等方法外,还支持最新的神经网络结构搜索和自动模型压缩技术。在应用层面,利用本实施方式提供的神经网络的压缩方法可以应用于人工智能领域,例如,无人驾驶、视频检测、视频分类、图片检测、图片分类等。可以根据不同的任务,将图片、视频等待检测数据输入至剪枝后的神经网络模型中,输出任务导向的检测结果。例如,剪枝后的神经网络模型输出人脸特征或者障碍物位置等。由于剪枝后的神经网络模型的速度快、精度高,使得用户在使用各种应用程序执行任务能够有效节省时间,提高效率,得到的结果更加准确。例如,利用具有美化图片功能的应用程序时,任务是对人像的睫毛进行粘贴,将包含有人像的图片输入至剪枝后的神经网络模型中,得到的睫毛粘贴的位置更准确。在硬件层面,用户在同时使用多个应用程序时,速度快、精度高的剪枝后的神经网络模型使得保证精度不变的情况下,有效提升智能芯片的速度,或者保证速度较好的情况下,有效提升精度,节省了智能芯片的成本,提高作业效率。
在另一种具体实施方式中,提供一种图像处理方法,包括:
步骤S100:利用神经网络模型的压缩方法,对神经网络模型进行剪枝,得到剪枝后的神经网络模型;
步骤S200:将待处理的图像输入至剪枝后的神经网络模型中,输出所述待处理的图像对应的任务标签。
在一种示例中,待处理的图像在输入剪枝前的神经网络模型中,利用卷积操作对待处理的图像的全部特征都进行操作,每个卷积层中的全部卷积核都要参与计算,处理起来计算量会很大,剪枝前的神经网络模型对于图片通过前向传播最终输出预测结果的过程速度变慢,影响整个神经网络模型的性能。利用前述提供的神经网络模型的压缩方法,对神经网络模型进行剪枝。具体的,对神经网络模型中的各个卷积层的输出通道数(卷积核个数)进行裁剪。裁剪后只有部分卷积核参与计算,剪枝后的卷积层相对剪枝前的卷积层的计算复杂度减小,计算复杂度越小,神经网络模型训练和预测的速度越快。例如,输入待处理的图像尺寸为224*224*3(宽/高/通道数),经过某一个卷积层之后,输出特征图像的尺寸为112*112*64(宽/高/通道数),本卷积层的卷积核尺寸为5*5*3(宽/高/通道数),本卷积层在剪枝前的计算复杂度为112*112*5*5*3*64。利用神经网络模型的压缩方法对本卷积层输出的特征图像对应的输出通道数进行剪枝,可以将卷积层的输出通道数64可以裁剪到16,本卷积层在剪枝后的计算复杂度为112*112*5*5*3*16。对于本层卷积层,图像处理速度加快了4倍,其它卷积层与本卷积层的处理方式相似,对每层输入的图像的处理速度均加快,前向传播速度变快,神经网络模型对待处理的图像的处理速度加快。
实施例二
在另一种具体实施方式中,如图4所示,提供了一种神经网络模型的压缩装置100,包括:
搜索空间建立模块110,用于建立神经网络模型的每个神经网络层对应的搜索空间,搜索空间包括候选剪枝率;
剪枝策略生成模块120,用于各搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略;
神经网络剪枝模块130,用于根据剪枝策略对神经网络模型进行剪枝。
在一种实施方式中,提供了一种神经网络模型的压缩装置200;
搜索空间建立模块110包括:
第一级搜索空间建立子模块111,用于创建第一级搜索空间,第一级搜索空间包括第一级候选剪枝率。
在一种实施方式中,如图5所示,剪枝策略生成模块120包括:
第一生成子模块121,用于各第一级搜索空间的第一级候选剪枝率输入至剪枝策略生成模型,得到第一剪枝策略;
第一更新子模块122,用于根据第一剪枝策略对神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新剪枝策略生成模型,直至剪枝策略生成模型收敛;
第二生成子模块123,用于各第一级搜索空间中的第一级候选剪枝率输入至收敛后的剪枝策略生成模型,得到第二剪枝策略,以根据第二剪枝策略对神经网络模型进行剪枝。
在一种实施方式中,如图5所示,搜索空间建立模块110还包括:
剪枝率提取子模块112,用于提取第二剪枝策略中每个神经网络层对应的剪枝率;
叠加项搜索空间建立子模块113,用于建立叠加项搜索空间,叠加项搜索空间包括叠加剪枝率,第一级候选剪枝率的末位小数位大于叠加剪枝率的末位小数位;
第二级搜索空间建立子模块114,用于将叠加项搜索空间的叠加剪枝率和第二剪枝策略中每个神经网络层对应的剪枝率叠加,得到神经网络模型的每个神经网络层对应的第二级搜索空间。
在一种实施方式中,如图5所示,第二级搜索空间包括第二级候选剪枝率,剪枝策略生成模块120还包括:
第三生成子模块124,用于各第二级搜索空间的第二级候选剪枝率输入至剪枝策略生成模型,得到第三剪枝策略;
第二更新子模块125,用于根据第三剪枝策略对神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新剪枝策略生成模型,直至剪枝策略生成模型收敛;
第四生成子模块126,用于各第二级搜索空间中的第二级候选剪枝率输入至收敛后的剪枝策略生成模型,得到第四剪枝策略,以根据第四剪枝策略对神经网络模型进行剪枝。
如图6所示,提供一种图像处理器的结构框图,包括神经网络模型的压缩装置100,或神经网络模型的压缩装置200。
本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述,在此不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图7所示,是根据本申请实施例的一种神经网络模型的剪枝的方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图7所示,该电子设备包括:一个或多个处理器701、存储器702,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface,GUI)的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图7中以一个处理器701为例。
存储器702即为本申请所提供的非瞬时计算机可读存储介质。其中,所述存储器存储有可由至少一个处理器执行的指令,以使所述至少一个处理器执行本申请所提供的一种神经网络模型的剪枝的方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的一种神经网络模型的剪枝的方法。
存储器702作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的一种神经网络模型的剪枝的方法对应的程序指令/模块(例如,附图3所示的搜索空间建立模块110、剪枝策略生成模块120和神经网络剪枝模块130)。处理器701通过运行存储在存储器702中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的一种神经网络模型的剪枝的方法。
存储器702可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据一种神经网络模型的剪枝的电子设备的使用所创建的数据等。此外,存储器702可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器702可选包括相对于处理器701远程设置的存储器,这些远程存储器可以通过网络连接至一种神经网络模型的压缩方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一种神经网络模型的剪枝的方法的电子设备还可以包括:输入装置703和输出装置704。处理器701、存储器702、输入装置703和输出装置704可以通过总线或者其他方式连接,图7中以通过总线连接为例。
输入装置703可接收输入的数字或字符信息,以及产生与一种神经网络模型的压缩方法的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置704可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(Liquid Cr7stal Displa7,LCD)、发光二极管(Light Emitting Diode,LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits,ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(programmable logic device,PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode Ra7Tube,阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,通过对每个神经网络层建立对应的搜索空间,使得各个神经网络层对应的剪枝率可以不同,避免了由于每个神经网络层对应的剪枝率均相同,从而导致的剪枝后神经网络模型的提速不明显,模型性能较差的问题。有效提升神经网络模型的速度以及性能。…
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (12)
1.一种用于图像处理的神经网络模型的压缩方法,其特征在于,包括:
建立所述神经网络模型的每个神经网络层对应的搜索空间,所述搜索空间包括候选剪枝率;所述搜索空间包括第一级搜索空间,所述第一级搜索空间包括第一级候选剪枝率;
各所述搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略;
根据所述剪枝策略对所述神经网络模型进行剪枝,采用剪枝后的神经网络模型进行图像处理;
其中,所述建立所述神经网络模型的每个神经网络层对应的搜索空间,包括:
提取第二剪枝策略中每个神经网络层对应的剪枝率,所述第二剪枝策略是将所述第一级候选剪枝率输入至收敛后的所述剪枝策略生成模型所得到的;
建立叠加项搜索空间,所述叠加项搜索空间包括叠加剪枝率,所述叠加剪枝率是根据第二级搜索空间的粒度需求所确定的,所述第二级搜索空间的粒度比所述第一级搜索空间的粒度细;
将所述叠加项搜索空间的叠加剪枝率和所述第二剪枝策略中每个神经网络层对应的剪枝率叠加,得到所述神经网络模型的每个神经网络层对应的第二级搜索空间。
2.根据权利要求1所述的方法,其特征在于,各所述搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略,包括:
各所述第一级搜索空间的第一级候选剪枝率输入至所述剪枝策略生成模型,得到第一剪枝策略;
根据所述第一剪枝策略对所述神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新所述剪枝策略生成模型,直至所述剪枝策略生成模型收敛;
各所述第一级搜索空间中的第一级候选剪枝率输入至收敛后的剪枝策略生成模型,得到所述第二剪枝策略,以根据所述第二剪枝策略对所述神经网络模型进行剪枝。
3.根据权利要求2所述的方法,其特征在于,所述第一级候选剪枝率的末位小数位大于所述叠加剪枝率的末位小数位。
4.如权利要求3所述的方法,其特征在于,所述第二级搜索空间包括第二级候选剪枝率,各所述搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略,包括:
各所述第二级搜索空间的第二级候选剪枝率输入至所述剪枝策略生成模型,得到第三剪枝策略;
根据所述第三剪枝策略对所述神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新所述剪枝策略生成模型,直至所述剪枝策略生成模型收敛;
各所述第二级搜索空间中的第二级候选剪枝率输入至收敛后的剪枝策略生成模型,得到第四剪枝策略,以根据所述第四剪枝策略对所述神经网络模型进行剪枝。
5.一种图像处理方法,其特征在于,包括:
利用权利要求1~4所述的神经网络模型的压缩方法,对所述神经网络模型进行剪枝,得到剪枝后的神经网络模型;
将待处理的图像输入至剪枝后的神经网络模型中,输出所述待处理的图像对应的任务标签。
6.一种用于图像处理的神经网络模型的压缩装置,其特征在于,包括:
搜索空间建立模块,用于建立所述神经网络模型的每个神经网络层对应的搜索空间,所述搜索空间包括候选剪枝率;所述搜索空间包括第一级搜索空间,所述第一级搜索空间包括第一级候选剪枝率;
剪枝策略生成模块,用于各所述搜索空间的候选剪枝率输入至剪枝策略生成模型,得到剪枝策略;
神经网络剪枝模块,用于根据所述剪枝策略对所述神经网络模型进行剪枝,采用剪枝后的神经网络模型进行图像处理;
所述搜索空间建立模块还包括:
剪枝率提取子模块,用于提取第二剪枝策略中每个神经网络层对应的剪枝率;所述第二剪枝策略是将所述第一级候选剪枝率输入至收敛后的所述剪枝策略生成模型所得到的;
叠加项搜索空间建立子模块,用于建立叠加项搜索空间,所述叠加项搜索空间包括叠加剪枝率,所述叠加剪枝率是根据第二级搜索空间的粒度需求所确定的,所述第二级搜索空间的粒度比所述第一级搜索空间的粒度细;
第二级搜索空间建立子模块,用于将所述叠加项搜索空间的叠加剪枝率和所述第二剪枝策略中每个神经网络层对应的剪枝率叠加,得到所述神经网络模型的每个神经网络层对应的第二级搜索空间。
7.根据权利要求6所述的装置,其特征在于,所述剪枝策略生成模块包括:
第一生成子模块,用于各所述第一级搜索空间的第一级候选剪枝率输入至所述剪枝策略生成模型,得到第一剪枝策略;
第一更新子模块,用于根据所述第一剪枝策略对所述神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新所述剪枝策略生成模型,直至所述剪枝策略生成模型收敛;
第二生成子模块,用于各所述第一级搜索空间中的第一级候选剪枝率输入至收敛后的剪枝策略生成模型,得到所述第二剪枝策略,以根据所述第二剪枝策略对所述神经网络模型进行剪枝。
8.根据权利要求7所述的装置,其特征在于,所述第一级候选剪枝率的末位小数位大于所述叠加剪枝率的末位小数位。
9.根据权利要求8所述的装置,其特征在于,所述第二级搜索空间包括第二级候选剪枝率,所述剪枝策略生成模块还包括:
第三生成子模块,用于各所述第二级搜索空间的第二级候选剪枝率输入至所述剪枝策略生成模型,得到第三剪枝策略;
第二更新子模块,用于根据所述第三剪枝策略对所述神经网络模型进行剪枝,并利用剪枝后的神经网络模型的性能更新所述剪枝策略生成模型,直至所述剪枝策略生成模型收敛;
第四生成子模块,用于各所述第二级搜索空间中的第二级候选剪枝率输入至收敛后的剪枝策略生成模型,得到第四剪枝策略,以根据所述第四剪枝策略对所述神经网络模型进行剪枝。
10.一种图像处理器,其特征在于,包括权利要求6~9所述的神经网络模型的压缩装置。
11.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116576.XA CN111275190B (zh) | 2020-02-25 | 2020-02-25 | 神经网络模型的压缩方法及装置、图像处理方法及处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010116576.XA CN111275190B (zh) | 2020-02-25 | 2020-02-25 | 神经网络模型的压缩方法及装置、图像处理方法及处理器 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275190A CN111275190A (zh) | 2020-06-12 |
CN111275190B true CN111275190B (zh) | 2023-10-10 |
Family
ID=71003701
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010116576.XA Active CN111275190B (zh) | 2020-02-25 | 2020-02-25 | 神经网络模型的压缩方法及装置、图像处理方法及处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275190B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111553169B (zh) * | 2020-06-25 | 2023-08-25 | 北京百度网讯科技有限公司 | 语义理解模型的剪枝方法、装置、电子设备和存储介质 |
CN111539224B (zh) * | 2020-06-25 | 2023-08-25 | 北京百度网讯科技有限公司 | 语义理解模型的剪枝方法、装置、电子设备和存储介质 |
CN111738436B (zh) * | 2020-06-28 | 2023-07-18 | 电子科技大学中山学院 | 一种模型蒸馏方法、装置、电子设备及存储介质 |
CN111967591A (zh) * | 2020-06-29 | 2020-11-20 | 北京百度网讯科技有限公司 | 神经网络自动剪枝方法、装置及电子设备 |
CN112633529B (zh) * | 2020-12-24 | 2022-03-22 | 浙江大学 | 一种基于深度强化学习的配电线路检修优化方法 |
CN113269312B (zh) * | 2021-06-03 | 2021-11-09 | 华南理工大学 | 一种联合量化与剪枝搜索的模型压缩方法及其系统 |
CN113657592B (zh) * | 2021-07-29 | 2024-03-05 | 中国科学院软件研究所 | 一种软件定义卫星自适应剪枝模型压缩方法 |
CN114861910B (zh) * | 2022-05-19 | 2023-07-04 | 北京百度网讯科技有限公司 | 神经网络模型的压缩方法及装置、设备和介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165720A (zh) * | 2018-09-05 | 2019-01-08 | 深圳灵图慧视科技有限公司 | 神经网络模型压缩方法、装置和计算机设备 |
CN110276452A (zh) * | 2019-06-28 | 2019-09-24 | 北京中星微电子有限公司 | 神经网络模型的剪枝方法、装置、设备和人工智能芯片 |
CN110490323A (zh) * | 2019-08-20 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 网络模型压缩方法、装置、存储介质和计算机设备 |
CN110766138A (zh) * | 2019-10-21 | 2020-02-07 | 中国科学院自动化研究所 | 基于脑发育机制的自适应神经网络模型的构建方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11288573B2 (en) * | 2016-05-05 | 2022-03-29 | Baidu Usa Llc | Method and system for training and neural network models for large number of discrete features for information rertieval |
-
2020
- 2020-02-25 CN CN202010116576.XA patent/CN111275190B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165720A (zh) * | 2018-09-05 | 2019-01-08 | 深圳灵图慧视科技有限公司 | 神经网络模型压缩方法、装置和计算机设备 |
CN110276452A (zh) * | 2019-06-28 | 2019-09-24 | 北京中星微电子有限公司 | 神经网络模型的剪枝方法、装置、设备和人工智能芯片 |
CN110490323A (zh) * | 2019-08-20 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 网络模型压缩方法、装置、存储介质和计算机设备 |
CN110766138A (zh) * | 2019-10-21 | 2020-02-07 | 中国科学院自动化研究所 | 基于脑发育机制的自适应神经网络模型的构建方法及系统 |
Non-Patent Citations (3)
Title |
---|
Quteishat A等.A modified fuzzy min–max neural network with a genetic-algorithm-based rule extractor for pattern classification.《IEEE transactions on systems, man, and cybernetics-part a: systems and humans》.2010,第40卷(第3期),641-650. * |
卢海伟等.基于层融合特征系数的动态网络结构化剪枝.《模式识别与人工智能》.2019,第32卷(第11期),1051-1059. * |
王亚利等.基于混合的 GA—PSO 神经网络算法.《计算机工程与应用》.2007,第43卷(第2期),38-40. * |
Also Published As
Publication number | Publication date |
---|---|
CN111275190A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111275190B (zh) | 神经网络模型的压缩方法及装置、图像处理方法及处理器 | |
CN111967568B (zh) | 深度学习模型的适配方法、装置及电子设备 | |
CN111832701B (zh) | 模型的蒸馏方法、装置、电子设备及存储介质 | |
CN112102448B (zh) | 虚拟对象图像显示方法、装置、电子设备和存储介质 | |
CN111462174B (zh) | 多目标跟踪方法、装置以及电子设备 | |
CN111967297B (zh) | 图像的语义分割方法、装置、电子设备及介质 | |
CN111241234B (zh) | 文本分类方法及装置 | |
CN111563593B (zh) | 神经网络模型的训练方法和装置 | |
CN110852321B (zh) | 候选框过滤方法、装置以及电子设备 | |
CN111582375A (zh) | 数据增强策略搜索方法、装置、设备以及存储介质 | |
CN111914994B (zh) | 多层感知机的生成方法、装置、电子设备及存储介质 | |
CN111598131B (zh) | 图像处理方法、装置、电子设备及存储介质 | |
CN112149741B (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN111967569A (zh) | 神经网络结构的生成方法、装置、存储介质及电子设备 | |
CN111340219A (zh) | 神经网络模型搜索方法及装置、图像处理方法及处理器 | |
CN112560499B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
CN111158666A (zh) | 实体归一化处理方法、装置、设备及存储介质 | |
CN111680600A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
CN114492788A (zh) | 训练深度学习模型的方法和装置、电子设备及存储介质 | |
CN112288483A (zh) | 用于训练模型的方法和装置、用于生成信息的方法和装置 | |
CN112580723B (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN111680599B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
CN111488972B (zh) | 数据迁移方法、装置、电子设备和存储介质 | |
CN110598629B (zh) | 超网络的搜索空间构建方法、装置以及电子设备 | |
CN112686381A (zh) | 神经网络模型、方法、电子设备及可读介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |