用于生成网络模型信息的方法、装置、设备和介质
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于生成网络模型信息的方法、装置、设备和计算机可读介质。
背景技术
目前,在神经网络搜索过程中,超网络的某些层对于某些算子很少选择,原因在于包括这些多余算子的网络违背了时延限制,或者在验证数据集的效果很差。因此,需求一种对超网络进行剪枝的方法来去除上述超网络中每层的多余算子。
发明内容
本公开的内容部分用于以简要的形式介绍构思,这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征,也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了用于生成网络模型信息的方法、装置、设备和计算机可读介质,来解决以上背景技术部分提到的技术问题。第一方面,本公开的一些实施例提供了一种用于生成网络模型信息的方法,该方法包括:对预先训练的初始超网络进行以下剪枝步骤:根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布;基于上述算子概率分布,对上述初始超网络的各层的算子进行剪枝,得到子超网络;对上述子超网络进行训练;响应于剪枝次数小于上述预先设定的数目,将训练结束后的上述子超网络作为新的初始超网络,继续执行上述剪枝步骤。
第二方面,本公开的一些实施例提供了一种用于生成网络模型信息的装置,装置包括:剪枝单元,被配置成对预先训练的初始超网络进行以下剪枝步骤:根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布;基于上述算子概率分布,对上述初始超网络的各层的算子进行剪枝,得到子超网络;对上述子超网络进行训练;执行单元,被配置成响应于剪枝次数小于上述预先设定的数目,将上述子超网络作为新的初始超网络,继续执行上述剪枝步骤。
第三方面,本公开的一些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如第一、二方面中任一的方法。
第四方面,本公开的一些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,其中,程序被处理器执行时实现如第一、二方面中任一的方法。
本公开的上述各个实施例中的一个实施例具有如下有益效果:在剪枝操作过程中,首先,通过与上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布。这样可以依据算子概率分布得到超网络每层中哪些是多余算子,哪些是常用算子。进而对上述初始超网络的各层的算子进行剪枝,得到子超网络。在这里,得到的子超网络相对于上述初始超网络来说,每层多余算子已经被剪裁一部分。通过对子网络的训练,得到训练后的精简的网络。最后,可以通过预先设定的条件,有选择性的对初始超网络剪枝预定数目次,得到剪枝后的超网络。该实施方式通过对超网络中每层算子的剪枝,极大减轻了超网络中的权重耦合,对后续确定特定时延的高准确度的网络模型提供了方便。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1-图2是根据本公开的一些实施例的用生成网络模型信息的方法的一个应用场景的示意图;
图3是根据本公开的用于生成网络模型信息的方法的一些实施例的流程图;
图4是根据本公开的一些实施例中的对预先训练的超网络进行多次采样,得到第一网络模型集合的示意图;
图5是根据本公开的一些实施例中的生成第二网络模型集合的示意图;
图6是根据本公开的一些实施例中的确定帕累托曲线的示意图;
图7是根据本公开的用于生成网络模型信息的方法的另一些实施例的流程图;
图8是根据本公开的用于生成网络模型信息的方法装置的一些实施例的结构示意图;
图9是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例。相反,提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
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。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。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意,本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的,本领域技术人员应当理解,除非在上下文另有明确指出,否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
图1-图2是根据本公开的一些实施例的用于生成网络模型信息的方法的一个应用场景的示意图。
如图1和图2所示,作为示例,首先,电子设备101对预先训练的初始超网络102进行剪枝操作得到子超网络103,在这里,初始超网络102对第一层网络1021的算子1和算子3裁剪得到子超网络103。其中,上述子超网络103第一层网络1031的算子包括算子2,第二层网络1032的算子包括算子1,算子2和算子3,第三层网络1033的算子包括算子1、算子2和算子3。响应于剪枝次数未达到预先设定的次数,对子超网络103继续进行n次剪枝,得到剪枝后的网络104。其中,上述剪枝后的网络104第一层网络1041的算子包括算子2,第二层网络1042的算子包括算子2,第三层网络1043的算子包括算子1。
作为示例,可以根据上述初始超网络102对应的帕累托曲线105,确定上述初始超网络102各层的算子概率分布106,其中,上述初始超网络102第一层网络1021的算子概率分布可以是“算子1:0.3,算子2:0.4,算子3:0.3”。上述初始超网络102第二层网络1022的算子概率分布可以是“算子1:0.1,算子2:0.6,算子3:0.3”。上述初始超网络102第三层网络1023的算子概率分布可以是“算子1:0.1,算子2:0.3,算子3:0.6”。然后基于上述算子概率分布106,对上述初始超网络的各层的算子进行剪枝,得到子超网络103。最后对上述子超网络103进行训练。
需要说明的是,用于生成网络模型信息的方法可以是由电子设备101来执行。上述电子设备101可以是硬件,也可以是软件。当电子设备为硬件时,可以实现成多个服务器或终端设备组成的分布式集群,也可以实现成单个服务器或单个终端设备。当电子设备101体现为软件时,可以实现成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中的电子设备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电子设备。
继续参考图3,示出了根据本公开的用于生成网络模型信息的方法的一些实施例的流300。该用于生成网络模型信息的方法,包括以下步骤:
步骤301,对预先训练的初始超网络进行以下剪枝步骤:
步骤3011,根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布。
在一些实施例中,用于生成网络模型信息的方法的执行主体(例如图1所示的电子设备)可以根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布。其中,超网络可以包括预定数目的网络层(例如图1所示的第一层网络1021,第二层1022和第三层1023)。超网络的每层网络可以包括预定数目的算子(例如图1所示的第一层网络1021包括算子1,算子2和算子3)。上述算子可以包括但不限于以下至少一项:IBConv-K3-E3,IBConv-K3-E6,IBConv-K5-E3,IBConv-K5-E6,IBConv-K7-E3,IBConv-K7-E6。其中,IBConv-KX-EY可以是具有扩展Y和内核X的特定运算符,IBConv可以是MobilenetV2的反向瓶颈。作为示例,可以通过确定超网络每条路径的时延与准确度,进而可以得到上述初始超网络对应的帕累托曲线。最后,可以确定上述初始超网络各层的算子概率分布。
在一些实施例的一些可选的实现方式中,根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布可以包括以下步骤:
第一步,对预先训练的初始超网络进行多次采样,得到第一网络模型集合。
作为示例,从上述预先训练的超网络对应的路径集合中,选取预设数目条路径,以及将上述预设数目条路径所对应的网络作为上述第一网络模型集合。其中,上述路径可以是通过以下步骤得到的:
(1)从超网络每层选取一个算子;
(2)将上述每层选取的算子进行组合,得到单条路径。
在此基础上,由于每层选取算子的不同而形成了不同路径,进而将不同路径进行汇总,得到路径集合。
需要说明的是,在上述超网络在训练过程中,可以通过以下公式来对超网络的参数权重进行优化:
其中,S表示搜索空间,W表示参数权重,N(S,W)表示搜索空间为S,参数权重为W的超网络,Loss
train(N(S,W))搜索空间为S,参数权重为W的超网络在训练集上的损失函数,
表示上述损失函数达到最小值时权重值。W
S为参数权重值。
如图4所示,作为示例,可以对预先训练的超网络401进行多次采样,得到第一网络模型集合402。上述第一网络模型集合401包括:第一层网络4011,第二层网络4012和第三层网络4013。其中,上述网络4021是在超网络401第一层网络4011选取算子1,第二层网络4012选取算子2和第三层网络4013选取算子1得到的网络。上述网络4022是在超网络401的第一层网络4011选取算子1,第二层网络4012选取算子1和第三层网络4013选取算子1得到的网络。上述网络4023是在超网络401的第一层网络4011选取算子2,第二层网络4012选取算子2和第三层网络4013选取算子3得到的网络。
第二步,基于上述第一网络模型集合和演化算法,生成第二网络模型集合,其中,上述演化算法的演化过程中加入时延约束以使上述第二网络模型集合中的网络模型的时延满足预先设定的范围。其中,第二网络模型集合可以是演化算法的输入经过一定次数的交叉和变异而得到的网络模型集合。作为示例,上述演化算法可以是加入时延约束的多目标遗传算法(NSGA-Ⅱ)。作为示例,可以将上述第一网络模型集合进行编码,以及作为加入时延约束的多目标遗传算法的输入,生成第二网络模型集合。
可选的,对上述初始父代种群进行演化,生成子代种群可以包括以下步骤:
(1)对上述初始父代种群执行以下演化步骤:对上述初始父代种群选取时延符合预设条件的网络,得到选取结果。基于上述预先训练的超网络的权重,确定选取结果中各个子网络的权重;作为示例,上述选取结果中各个子网络的权重可以直接从预先训练的超网络的权重获得。基于上述权重,确定上述选取结果中各个网络的准确度,其中,可以根据各个网络的权重,进而对各个网络在验证集上进行验证,得到各个网络的准确度。基于准确度,对上述选取结果进行排序,得到网络序列,作为示例,可以根据准确度,对选取结果中的网络进行升排序,得到网络序列。对排序结果进行演化,得到初始子代种群。响应于演化次数等于预先设定的数目,生成子代种群。
(2)响应于演化次数小于预先设定的数目,将初始子代种群和上述排序结果作为新的初始父代种群,继续执行上述演化步骤。
可选的,上述网络模型的时延通过查询时延预测表得到。其中,上述时延预测表可以通过以下步骤得到:
(1)将至少一个网络模型进行运行预先设定的第一数目次。
(2)将上述至少一个网络模型再运行预先设定的第二数目次,记录上述至少一个网络模型的对应时延。
(3)基于记录的上述至少一个网络模型的对应时延,确定上述至少一个网络模型包括的算子的平均时延。
(4)基于上述每个算子的平均时延,构建对应的时延预测表。
需要说明的是,上述至少一个网络模型可以确定的移动端上运行,上述至少一个网络模型运在行时使用单线程,以及使用移动端的一个大核。
如图5所示,根据上述第一网络模型集合501和演化算法502,生成第二网络模型集合503,其中,上述演化算法502的演化过程中加入时延约束以使上述第二网络模型集合503中的网络模型的时延满足预先设定的范围。第二网络模型集合503包括网络5031、网络5032和网络5033。
第三步,基于上述第二网络模型集合中各个网络模型的时延和准确度,确定帕累托曲线。
可选的,上述帕累托曲线上的目标点可以通过以下公式确定;
s.t.Latmin≤Latency(s*)≤Latmax
其中,S表示上述帕累托曲线上的目标点所对应的网络的搜索空间,W
S(s)表示上述所对应的网络的权重参数值,在这里,可以基于上述所对应的网络的搜索空间,上述所对应的网络选取结果中网络的权重参数值可以根据从预先训练的超网络的权重得参数值来确定认。N(s,W
S(s))表示搜索空间为S,参数权重为W
S(s)的选取结果中网络上述所对应的网络。Acc
val(N(s,W
S(s)))表示搜索空间为S,参数权重为W
S(s)的上述所对应的网络的准确度,s∈S表示上述所对应的网络的搜索空间属于超网络的搜索空间。
和S
*表示在确定的搜索空间S属于超网络的搜索空间的情况下,准确度最高的搜索空间对应的网络是上述所对应的网络。s.t.Lat
min≤Latency(s
*)≤Lat
max表示约束条件是上述所对应的网络的时延在一定区间范围内。
如图6所示,根据第二网络模型集合601中各个网络模型的时延和准确度,例如,网络6011对应的时延可以是0.004s,对应的准确度为96%。网络6012对应的时延可以是0.003s,对应的准确度为92%。网络6013对应的时延可以是0.005s,对应的准确度为98%。确定帕累托曲线为附图标记602中曲线上的点。
第四步,基于上述帕累托曲线,确定上述初始超网络各层的算子概率分布。
在一些实施例的可选的实现方式中,基于上述帕累托曲线,确定上述初始超网络各层的算子概率分布的步骤可以如下:
(1)选取上述帕累托曲线上预定数目个点;
(2)基于上述预定数目个点,确定相应的第三网络模型集合;
(3)基于上述第三网络模型集合,确定上述初始超网络各层的算子概率分布。
步骤3012,基于上述算子概率分布,对上述初始超网络的各层的算子进行剪枝,得到子超网络。
在一些实施例中,用于生成网络模型信息的执行主体可以基于上述算子概率分布,对上述初始超网络的各层的算子进行剪枝,得到子超网络。作为示例,可以根据上述初始超网络的每层的算子的概率分布与预先设定的阈值进行比较,来对上述初始超网络的各层的算子进行剪枝,得到子超网络。
步骤3013,对上述子超网络进行训练。
在一些实施例中,作为示例,上述子超网络可以从上述预先训练的超网络中获取相应的权重参数值,然后再对获取上述相应权重参数值的进行微调。这种训练方式可以极大的减少计算量和训练次数。
步骤302,响应于剪枝次数小于上述预先设定的数目,将上述子超网络作为新的初始超网络,继续执行上述剪枝步骤。
在一些实施例中,上述执行主体响应于剪枝次数小于上述预先设定的数目,将上述子超网络作为新的初始超网络,继续执行上述剪枝步骤。
本公开的一些实施例提供的方法在剪枝操作过程中,首先,通过与上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布。这样可以依据算子概率分布得到超网络每层中哪些是多余算子,哪些是常用算子。进而对上述初始超网络的各层的算子进行剪枝,得到子超网络。在这里,得到的子超网络相对于上述初始超网络来说,每层多余算子已经被剪裁一部分。通过对子网络的训练,得到训练后的精简的网络。最后,可以通过预先设定的条件,有选择性的对初始超网络剪枝预定数目次,得到剪枝后的超网络。该实施方式通过对超网络中每层算子的剪枝,极大减轻了超网络中的权重耦合,对后续确定特定时延的高准确度的网络模型提供了方便。
进一步参考图7,其示出了用于生成网络模型信息的方法的另一些实施例的流程700。该用于生成网络模型信息的方法的流程700,包括以下步骤:
步骤701,对预先训练的初始超网络进行以下剪枝步骤:
步骤7011,根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布。
步骤7012,基于上述算子概率分布,对上述初始超网络的各层的算子进行剪枝,得到子超网络。
步骤7013,对上述子超网络进行训练。
步骤7014,响应于剪枝次数等于预先设定的数目,将上述子超网络确定为剪枝后的超网络。
在一些实施例中,上述执行主体可以响应于剪枝次数等于预先设定的数目,将上述子超网络确定为剪枝后的超网络。
步骤702,响应于剪枝次数小于上述预先设定的数目,将上述子超网络作为新的初始超网络,继续执行上述剪枝步骤。
在一些实施例中,步骤7011-7013和步骤702的具体实现及其所带来的技术效果可以参考图2对应的那些实施例中的步骤201和步骤202,在此不再赘述。
步骤703,基于上述剪枝后的超网络和演化算法,确定与目标时延相对应的网络模型。
在一些实施例中,上述执行主体可以基于上述剪枝后的超网络和演化算法,可以确定帕累托曲线。然后可以根据帕累托曲线和目标时延确定准确度最高的网络模型,即与目标时延相对应的网络模型。
步骤704,对所确定的网络模型进行训练,得到训练结束后的网络模型。
在一些实施例中,上述执行主体可以对所确定的网络模型进行训练,得到训练结束后的网络模型。其中,上述所确定的网络模型可以是从上述剪枝后的超网络继承相关参数权重值来训练,也可以是对所确定的网络模型的参数权重值初始化,然后在训练数据集上重新训练。
在一些实施例的可选的实现方式中,响应于上述训练结束后的网络模型包括目标检测网络,可以利用上述训练结束后的网络模型进行人脸识别。其中,上述目标检测网络可以包括但不限于以下至少一项:SSD(Single Shot MultiBox Detector)算法,R-CNN(Region-Convolutional Neural Networks)算法,Fast R-CNN(Fast Region-Convolutional Neural Networks)算法,SPP-NET(Spatial Pyramid Pooling Network)算法,YOLO(You Only Look Once)算法,FPN(Feature Pyramid Networks)算法,DCN(Deformable ConvNets)算法,RetinaNet目标检测算法。用于图像分割的上述神经网络可以包括但不限于以下至少一项:FCN网络(Fully Convolutional Networks,全卷积网络),SegNet网络(Semantic Segmentation Network,图像语义分割网络),DeepLab语义分割网络,PSPNet网络(Pyramid Scene Parsing Network,语义分割网络),Mask-RCNN网络(Mask-Region-CNN,图像实例分割网络)
从图7中可以看出,与图3对应的一些实施例的描述相比,图7对应的一些实施例中的用于生成网络模型信息的流程700体现了根据时延选择相应准确度最高的网络的步骤。由此,这些实施例描述的方案可以根据时延选择确定的网络结构,极大提高了选取网络结构的效率。
进一步参考图8,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网络模型信息的装置的一些实施例,这些装置实施例与图3所示的那些方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,一些实施例的用于生成网络模型信息的装置800包括:剪枝单元801和执行单元802。其中,剪枝单元801,被配置成对预先训练的初始超网络进行以下剪枝步骤:根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布;基于上述算子概率分布,对上述初始超网络的各层的算子进行剪枝,得到子超网络;对上述子超网络进行训练;执行单元802,被配置成响应于剪枝次数小于上述预先设定的数目,将上述子超网络作为新的初始超网络,继续执行上述剪枝步骤。
在一些实施例的可选的实现方式中,用于生成网络模型信息的装置800的剪枝单元801可以进一步被配置成:对上述初始超网络进行多次采样,得到第一网络模型集合;基于上述第一网络模型集合和演化算法,生成第二网络模型集合,其中,上述演化算法的演化过程中加入时延约束以使上述第二网络模型集合中的网络模型的时延满足预先设定的范围;基于上述第二网络模型集合中各个网络模型的时延和准确度,确定帕累托曲线;基于上述帕累托曲线,确定上述初始超网络各层的算子概率分布。
在一些实施例的可选的实现方式中,上述网络模型的时延通过查询时延预测表得到。
在一些实施例的可选的实现方式中,用于生成网络模型信息的装置800的剪枝单元801可以进一步被配置成:抽取上述帕累托曲线上预定数目个点;基于上述预定数目个点,确定相应的第三网络模型集合;基于上述第三网络模型集合,确定上述初始超网络各层的算子概率分布。
在一些实施例的可选的实现方式中,用于生成网络模型信息的装置800的剪枝单元801可以进一步被配置成:对上述第一网络模型集合进行编码,以及将上述编码后的结果确定为演化算法的初始父代种群;基于对上述初始父代种群进行演化,生成子代种群;将上述子代种群确定为第二网络模型集合。
在一些实施例的可选的实现方式中,用于生成网络模型信息的装置800的剪枝单元801可以进一步被配置成:对上述初始父代种群执行以下演化步骤:对上述初始父代种群选取时延符合预设条件的网络,得到选取结果;基于上述预先训练的超网络的权重,确定选取结果中各个子网络的权重;基于上述权重,确定上述选取结果中各个网络的准确度;基于准确度,对上述选取结果进行排序,得到网络序列;对排序结果进行演化,得到初始子代种群;响应于演化次数大于预先设定的数目,生成子代种群;响应于演化次数小于预先设定的数目,将初始子代种群和上述排序结果作为新的初始父代种群,继续执行上述演化步骤。
在一些实施例的可选的实现方式中,装置800还可以包括:第一确定单元和第二确定单元(图中未示出)。其中,第一确定单元可以被配置成基于上述剪枝后的超网络和演化算法,确定与目标时延相对应的网络模型。第二确定单元可以被配置成对所确定的网络模型进行训练,得到训练结束后的网络模型。
在一些实施例的可选的实现方式中,装置800还可以包括:识别单元(图中未示出)。其中,响应于上述所确定的网络模型包括目标检测网络,可以利用上述所确定的网络模型进行人脸识别。
在一些实施例的可选的实现方式中,装置800还可以包括:确定单元(图中未示出)。其中,响应于剪枝次数等于预先设定的数目,将训练结束后的上述子超网络确定为剪枝后的超网络。
可以理解的是,该装置800中记载的诸单元与参考图3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800及其中包含的单元,在此不再赘述。
下面参考图9,其示出了适于用来实现本公开的一些实施例的电子设备(例如图1中的电子设备)900的结构示意图。本公开的一些实施例中的电子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9示出的电子设备仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图9所示,电子设备900可以包括处理装置(例如中央处理器、图形处理器等)901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储装置908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。在RAM 903中,还存储有电子设备900操作所需的各种程序和数据。处理装置901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
通常,以下装置可以连接至I/O接口905: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906;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置907;包括例如磁带、硬盘等的存储装置908;以及通信装置909。通信装置909可以允许电子设备900与其他设备进行无线或有线通信以交换数据。虽然图9示出了具有各种装置的电子设备900,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。图9中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的一些实施例,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,本公开的一些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。在这样的一些实施例中,该计算机程序可以通过通信装置909从网络上被下载和安装,或者从存储装置908被安装,或者从ROM 902被安装。在该计算机程序被处理装置901执行时,执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是,本公开的一些实施例上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。在本公开的一些实施例中,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。而在本公开的一些实施例中,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。
在一些实施方式中,客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol,超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信,并且可以与任意形式或介质的数字数据通信(例如,通信网络)互连。通信网络的示例包括局域网(“LAN”),广域网(“WAN”),网际网(例如,互联网)以及端对端网络(例如,ad hoc端对端网络),以及任何当前已知或未来研发的网络。
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:对预先训练的初始超网络进行以下剪枝步骤:根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布;基于上述算子概率分布,对上述初始超网络的各层的算子进行剪枝,得到子超网络;对上述子超网络进行训练;响应于剪枝次数小于上述预先设定的数目,将训练结束后的上述子超网络作为新的初始超网络,继续执行上述剪枝步骤。
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一些实施例的操作的计算机程序代码,上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。
描述于本公开的一些实施例中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。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括剪枝单元和执行单元。其中,这些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,执行单元还可以被描述为“响应于剪枝次数小于上述预先设定的数目,将上述子超网络作为新的初始超网络,继续执行上述剪枝步骤的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如,非限制性地,可以使用的示范类型的硬件逻辑部件包括:现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
根据本公开的一个或多个实施例,提供了一种用于生成网络模型信息的方法,包括:对预先训练的初始超网络进行以下剪枝步骤:对预先训练的初始超网络进行以下剪枝步骤:根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布;基于上述算子概率分布,对上述初始超网络的各层的算子进行剪枝,得到子超网络;对上述子超网络进行训练;响应于剪枝次数小于上述预先设定的数目,将训练结束后的上述子超网络作为新的初始超网络,继续执行上述剪枝步骤。
根据本公开的一个或多个实施例,上述方法还包括:基于上述剪枝后的超网络和演化算法,确定与目标时延相对应的网络模型;对所确定的网络模型进行训练,得到训练结束后的网络模型。
根据本公开的一个或多个实施例,上述方法还包括:响应于上述所确定的网络模型包括目标检测网络,可以利用上述所确定的网络模型进行人脸识别。
根据本公开的一个或多个实施例,上述方法还包括:响应于剪枝次数等于预先设定的数目,将训练结束后的上述子超网络确定为剪枝后的超网络。
根据本公开的一个或多个实施例,上述根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布,包括:对初始超网络进行多次采样,得到第一网络模型集合;基于上述第一网络模型集合和演化算法,生成第二网络模型集合,其中,上述演化算法的演化过程中加入时延约束以使上述第二网络模型集合中的网络模型的时延满足预先设定的范围;基于上述第二网络模型集合中各个网络模型的时延和准确度,确定帕累托曲线;基于上述帕累托曲线,确定上述初始超网络各层的算子概率分布。
根据本公开的一个或多个实施例,上述基于上述帕累托曲线,确定上述初始超网络各层的算子概率分布,包括:抽取上述帕累托曲线上预定数目个点;基于上述预定数目个点,确定相应的第三网络模型集合;基于上述第三网络模型集合,确定上述初始超网络各层的算子概率分布。
根据本公开的一个或多个实施例,上述网络模型的时延通过查询时延预测表得到。
根据本公开的一个或多个实施例,上述基于上述第一网络模型集合和演化算法,生成第二网络模型集合,包括:对上述第一网络模型集合进行编码,以及将上述编码后的结果确定为演化算法的初始父代种群;基于对上述初始父代种群进行演化,生成子代种群;将上述子代种群确定为第二网络模型集合。
根据本公开的一个或多个实施例,上述基于对上述初始父代种群进行演化,生成子代种群,包括:对上述初始父代种群执行以下演化步骤:对上述初始父代种群选取时延符合预设条件的网络,得到选取结果;基于上述预先训练的超网络的权重,确定选取结果中各个子网络的权重;基于上述权重,确定上述选取结果中各个网络的准确度;基于准确度,对上述选取结果进行排序,得到网络序列;对排序结果进行演化,得到初始子代种群;响应于演化次数等于预先设定的数目,生成子代种群;响应于演化次数小于预先设定的数目,将初始子代种群和上述排序结果作为新的初始父代种群,继续执行上述演化步骤。
根据本公开的一个或多个实施例,一种用于生成网络模型信息的装置,包括:剪枝单元,被配置成对预先训练的初始超网络进行以下剪枝步骤:根据上述初始超网络对应的帕累托曲线,确定上述初始超网络各层的算子概率分布;基于上述算子概率分布,对上述初始超网络的各层的算子进行剪枝,得到子超网络;对上述子超网络进行训练;执行单元,被配置成响应于剪枝次数小于上述预先设定的数目,将上述子超网络作为新的初始超网络,继续执行上述剪枝步骤。
根据本公开的一个或多个实施例,用于生成网络模型信息的装置的剪枝单元可以进一步被配置成:对初始超网络进行多次采样,得到第一网络模型集合;基于上述第一网络模型集合和演化算法,生成第二网络模型集合,其中,上述演化算法的演化过程中加入时延约束以使上述第二网络模型集合中的网络模型的时延满足预先设定的范围;基于上述第二网络模型集合中各个网络模型的时延和准确度,确定帕累托曲线;基于上述帕累托曲线,确定上述初始超网络各层的算子概率分布。
根据本公开的一个或多个实施例,用于生成网络模型信息的装置的剪枝单元可以进一步被配置成:抽取上述帕累托曲线上预定数目个点;基于上述预定数目个点,确定相应的第三网络模型集合;基于上述第三网络模型集合,确定上述初始超网络各层的算子概率分布。
根据本公开的一个或多个实施例,用于生成网络模型信息的装置的剪枝单元可以进一步被配置成:对上述第一网络模型集合进行编码,以及将上述编码后的结果确定为演化算法的初始父代种群;基于对上述初始父代种群进行演化,生成子代种群;将上述子代种群确定为第二网络模型集合。
根据本公开的一个或多个实施例,用于生成网络模型信息的装置的剪枝单元可以进一步被配置成:对上述初始父代种群执行以下演化步骤:对上述初始父代种群选取时延符合预设条件的网络,得到选取结果;基于上述预先训练的超网络的权重,确定选取结果中各个子网络的权重;基于上述权重,确定上述选取结果中各个网络的准确度;基于准确度,对上述选取结果进行排序,得到网络序列;对排序结果进行演化,得到初始子代种群;响应于演化次数等于预先设定的数目,生成子代种群;响应于演化次数小于预先设定的数目,将初始子代种群和上述排序结果作为新的初始父代种群,继续执行上述演化步骤。
根据本公开的一个或多个实施例,装置还可以包括:第一确定单元和第二确定单元(图中未示出)。其中,第一确定单元可以被配置成基于上述剪枝后的超网络和演化算法,确定与目标时延相对应的网络模型。第二确定单元可以被配置成对所确定的网络模型进行训练,得到训练结束后的网络模型。
根据本公开的一个或多个实施例,装置还可以包括:识别单元(图中未示出)。其中,响应于上述所确定的网络模型包括目标检测网络,可以利用上述所确定的网络模型进行人脸识别。
根据本公开的一个或多个实施例,装置还可以包括:确定单元(图中未示出)。其中,响应于剪枝次数等于预先设定的数目,将训练结束后的上述子超网络确定为剪枝后的超网络。
以上描述仅为本公开的一些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,本公开的实施例中所涉及的发明范围,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发明构思的情况下,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的实施例中公开的(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。