CN111652351A - 一种神经网络模型的部署方法、设备及介质 - Google Patents
一种神经网络模型的部署方法、设备及介质 Download PDFInfo
- Publication number
- CN111652351A CN111652351A CN202010387398.4A CN202010387398A CN111652351A CN 111652351 A CN111652351 A CN 111652351A CN 202010387398 A CN202010387398 A CN 202010387398A CN 111652351 A CN111652351 A CN 111652351A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- preset
- model according
- format
- 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.)
- Pending
Links
- 238000003062 neural network model Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 33
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013138 pruning Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 240000007651 Rubus glaucus Species 0.000 description 1
- 235000011034 Rubus glaucus Nutrition 0.000 description 1
- 235000009122 Rubus idaeus Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
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)
- Telephone Function (AREA)
Abstract
本申请公开了一种神经网络模型的部署方法、设备及介质，包括：在预设的学习框架上训练神经网络模型；根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型；将训练好的神经网络模型转化为预先设定的格式，并将转化格式的神经网络模型部署到预先设定的设备中。本申请实施例通过在预设的学习框架上训练神经网络模型，使得神经网络模型的参数量更少，同时，通过优化算法对神经网络模型中的网络结构进行修改，可以减少神经网络模型中的参数量。
Description
技术领域
本申请涉及计算机技术领域，尤其涉及一种神经网络模型的部署方法、设备及介质。
背景技术
深度学习算法在计算机视觉领域得到了广泛的应用，例如图像分类的VGG、ResNet、MobileNet，目标检测的SSD、Yolov3等。在现有技术中，由于深度学习算法的参数量很大，导致模型无法直接部署到资源和计算力有限的嵌入式设备上。
发明内容
有鉴于此，本申请实施例提供了一种神经网络模型的部署方法、设备及介质，用于解决现有技术中由于深度学习算法的参数量很大，导致模型无法直接部署到资源和计算力有限的嵌入式设备的问题。
本申请实施例采用下述技术方案：
本申请实施例提供一种神经网络模型的部署方法，所述方法包括：
在预设的学习框架上训练神经网络模型；
根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型；
将训练好的神经网络模型转化为预先设定的格式，并将转化格式的神经网络模型部署到预先设定的设备中。
进一步的，所述根据优化算法对所述神经网络模型中的网络结构进行修改，具体包括：
根据所述优化算法，删除所述神经网络模型中小于预设权重值的卷积核。
进一步的，所述预设权重值为0.1。
进一步的，所述优化算法为剪枝算法。
进一步的，所述预设的学习框架为TensorFlow学习框架，并将MobileNet作为骨干网络，对所述神经网络模型进行训练。
进一步的，所述将训练好的神经网络模型转化为预先设定的格式，具体包括：
将训练好的神经网络模型转化为第一格式，以将训练好的神经网络模型保存；
根据部署设备的运行环境，将所述第一格式转换为第二格式。
进一步的，所述将转化格式的神经网络模型部署到预先设定的设备中之前，所述方法还包括：
根据预设方式对所述神经网络模型进行量化。
进一步的，所述根据预设方式对所述神经网络模型进行量化，具体包括：
将所述神经网络模型中的每一层映射到预设阈值，并根据所述预设阈值及每一层权重中的取值，计算出每一层的缩放因子；
根据所述每一层的缩放因子，对所述神经网络模型进行量化。
本申请实施例还提供一种神经网络模型的部署设备，所述设备包括：
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：
在预设的学习框架上训练神经网络模型；
根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型；
将训练好的神经网络模型转化为预先设定的格式，并将转化格式的神经网络模型部署到预先设定的设备中。
本申请实施例还提供一种神经网络模型的部署介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
在预设的学习框架上训练神经网络模型；
根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型；
将训练好的神经网络模型转化为预先设定的格式，并将转化格式的神经网络模型部署到预先设定的设备中。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请实施例通过在预设的学习框架上训练神经网络模型，使得神经网络模型的参数量更少，同时，通过优化算法对神经网络模型中的网络结构进行修改，可以减少神经网络模型中的参数量。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本说明书实施例一提供的一种神经网络模型的部署方法的流程示意图；
图2为本说明书实施例二提供的一种神经网络模型的部署方法的流程示意图；
图3为本说明书实施例二提供的量化模型的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
以下结合附图，详细说明本申请各实施例提供的技术方案。
图1为本说明书实施例一提供的一种神经网络模型的部署方法的流程示意图，本说明书实施例可以由神经网络模型部署系统执行下述步骤，可以具体包括：
步骤S101，神经网络模型部署系统在预设的学习框架上训练神经网络模型。
步骤S102，神经网络模型部署系统根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型。
步骤S103，神经网络模型部署系统将训练好的神经网络模型转化为预先设定的格式。
步骤S104，神经网络模型部署系统将转化格式的神经网络模型部署到预先设定的设备中。
本申请实施例通过在预设的学习框架上训练神经网络模型，使得神经网络模型的参数量更少，同时，通过优化算法对神经网络模型中的网络结构进行修改，可以减少神经网络模型中的参数量。
与本说明书实施例一相对应的是，图2为本说明书实施例二提供的一种神经网络模型的部署方法的流程示意图，本说明书实施例可以由神经网络模型部署系统执行下述步骤，可以具体包括：
步骤S201，神经网络模型部署系统在预设的学习框架上训练神经网络模型。
在本说明书实施例的步骤S201中，预设的学习框架可以为TensorFlow学习框架，并可以将MobileNet作为骨干网络，对神经网络模型进行训练。本步骤中训练的神经网络模型可以为图像分类的VGG、ResNet、MobileNet，目标检测的SSD、Yolov3等神经网络模型。
需要说明的是，本说明书实施例之所以选择MobileNet作为骨干网络，因为MobileNet中的DepthWise卷积相比其他的卷积，在获得相同的featuremap(特征图)时，参数小很多。在输入通道为M，输出通道为N，卷积核的大小为K时，其他卷积的参数个数为M*N*K*K，如果是DepthWise卷积，参数个数为M*K*K+N*M。由此可见DepthWise的参数量要小很多。
步骤S202，神经网络模型部署系统根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型。
在本说明书实施例的步骤S202中，根据优化算法对所述神经网络模型中的网络结构进行修改，具体包括：
根据所述优化算法，删除所述神经网络模型中小于预设权重值的卷积核。
需要说明的是，由于每一层存在大量的0或者接近0的权重值，可以通过对每一层的参数进行可视化分析，并通过优化算法删除神经网络模型中小于预设权重值的卷积核，并根据新的网络结构重新训练神经网络模型。这样可以进一步的减少参数数量。小于预设权重值是指一层卷积核中权重绝对值之和小于预设值。
其中，预设权重值为0.1的权重值。优化算法为剪枝算法。
步骤S203，神经网络模型部署系统将训练好的神经网络模型转化为预先设定的格式。
在本说明书实施例的步骤S203中，将训练好的神经网络模型转化为预先设定的格式，具体包括：
将训练好的神经网络模型转化为第一格式，以将训练好的神经网络模型保存；
根据部署设备的运行环境，将所述第一格式转换为第二格式。
其中，第一格式可以为PB格式，第二格式可以为NB格式。
基于本说明书实施例采用的TensorFlow学习框架与MobileNet骨干网络，将神经网络模型保存时，保存为PB格式。为了更好的部署到嵌入式设备中，可以利用Paddle Lite这种c++深度学习框架，因此需要利用opt工具把PB格式的神经网络模型转化为NB格式的神经网络模型。
步骤S204，神经网络模型部署系统根据预设方式对所述神经网络模型进行量化。
在本说明书实施例的步骤S204中，神经网络模型在部署到预先设定的设备之前，需要利用量化技术对神经网络模型进一步压缩，可以把神经网络模型中的Float32类型权重量化到int8类型。
所述根据预设方式对所述神经网络模型进行量化，具体包括：
将所述神经网络模型中的每一层映射到预设阈值，并根据所述预设阈值及每一层权重中的取值，计算出每一层的缩放因子；
根据所述每一层的缩放因子，对所述神经网络模型进行量化。
量化模型的结构示意图参见图3，预设阈值可以为[-127，127]，缩放因子scale计算公式：scale＝|max|/127,其中，max为每层权重中绝对值的最大值。并根据下述公式(1)与公式(2)实现Float32类型与int8类型之间的量化：
xint＝round(xfloat/scale) (1)；
xfloat＝xint*scale (2)；
其中，xint为int8类型值，xfloat为Float32类型值。
步骤S205，神经网络模型部署系统将转化格式的神经网络模型部署到预先设定的设备中。
在本说明书实施例的步骤S205中，预先设定的设备可以为树莓派。
深度学习在过去几年，在许多计算机视觉领域发生了革命性的变化，包括图像分类、目标检测、人脸识别等领域。但是训练好的神经网络模型往往很大，例如Vgg16,光权重文件就好几百兆。因此神经网络模型往往需要部署到云端，这样人们在使用模型的时候，往往是通过把数据上传到云端，然后把云端训练后的结果传输到嵌入式端，然后进行展示。但是这种方式是存在一定问题的，例如像自动驾驶这种对实时性要求很高的设备，云端传输延迟会对安全性能造成很大问题，还有一些在网络条件不可达的地方，神经网络算法就不能使用了。因此为了解决该问题，本说明书实施例将神经网络算法直接部署到嵌入式端。深度学习部署到嵌入式端面临计算资源有限，存储空间有限的问题，本说明书实施例利用上述方案将神经网络模型部署到嵌入式端，可以实现一个很好的效果。
本申请实施例通过在预设的学习框架上训练神经网络模型，使得神经网络模型的参数量更少，同时，通过优化算法对神经网络模型中的网络结构进行修改，可以减少神经网络模型中的参数量。
本申请实施例还提供一种神经网络模型的部署设备，所述设备包括：
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：
在预设的学习框架上训练神经网络模型；
根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型；
将训练好的神经网络模型转化为预先设定的格式，并将转化格式的神经网络模型部署到预先设定的设备中。
本申请实施例还提供一种神经网络模型的部署介质，存储有计算机可执行指令，所述计算机可执行指令设置为：
在预设的学习框架上训练神经网络模型；
根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型；
将训练好的神经网络模型转化为预先设定的格式，并将转化格式的神经网络模型部署到预先设定的设备中。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带式磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种神经网络模型的部署方法，其特征在于，所述方法包括：
在预设的学习框架上训练神经网络模型；
根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型；
将训练好的神经网络模型转化为预先设定的格式，并将转化格式的神经网络模型部署到预先设定的设备中。
2.根据权利要求1所述的神经网络模型的部署方法，其特征在于，所述根据优化算法对所述神经网络模型中的网络结构进行修改，具体包括：
根据所述优化算法，删除所述神经网络模型中小于预设权重值的卷积核。
3.根据权利要求2所述的神经网络模型的部署方法，其特征在于，所述预设权重值为0.1。
4.根据权利要求1所述的神经网络模型的部署方法，其特征在于，所述优化算法为剪枝算法。
5.根据权利要求1所述的神经网络模型的部署方法，其特征在于，所述预设的学习框架为TensorFlow学习框架，并将MobileNet作为骨干网络，对所述神经网络模型进行训练。
6.根据权利要求1所述的神经网络模型的部署方法，其特征在于，所述将训练好的神经网络模型转化为预先设定的格式，具体包括：
将训练好的神经网络模型转化为第一格式，以将训练好的神经网络模型保存；
根据部署设备的运行环境，将所述第一格式转换为第二格式。
7.根据权利要求1所述的神经网络模型的部署方法，其特征在于，所述将转化格式的神经网络模型部署到预先设定的设备中之前，所述方法还包括：
根据预设方式对所述神经网络模型进行量化。
8.根据权利要求7所述的神经网络模型的部署方法，其特征在于，所述根据预设方式对所述神经网络模型进行量化，具体包括：
将所述神经网络模型中的每一层映射到预设阈值，并根据所述预设阈值及每一层权重中的取值，计算出每一层的缩放因子；
根据所述每一层的缩放因子，对所述神经网络模型进行量化。
9.一种神经网络模型的部署设备，其特征在于，所述设备包括：
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：
在预设的学习框架上训练神经网络模型；
根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型；
将训练好的神经网络模型转化为预先设定的格式，并将转化格式的神经网络模型部署到预先设定的设备中。
10.一种神经网络模型的部署介质，存储有计算机可执行指令，其特征在于，所述计算机可执行指令设置为：
在预设的学习框架上训练神经网络模型；
根据优化算法对所述神经网络模型中的网络结构进行修改，并根据修改后的网络结构训练所述神经网络模型；
将训练好的神经网络模型转化为预先设定的格式，并将转化格式的神经网络模型部署到预先设定的设备中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010387398.4A CN111652351A (zh) | 2020-05-09 | 2020-05-09 | 一种神经网络模型的部署方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010387398.4A CN111652351A (zh) | 2020-05-09 | 2020-05-09 | 一种神经网络模型的部署方法、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111652351A true CN111652351A (zh) | 2020-09-11 |
Family
ID=72347996
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010387398.4A Pending CN111652351A (zh) | 2020-05-09 | 2020-05-09 | 一种神经网络模型的部署方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111652351A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222121A (zh) * | 2021-05-31 | 2021-08-06 | 杭州海康威视数字技术股份有限公司 | 一种数据处理方法、装置及设备 |
| CN113408744A (zh) * | 2021-07-08 | 2021-09-17 | 山东浪潮科学研究院有限公司 | 基于AIot和TinyML技术的多传感器多环境监测方法 |
| CN113435585A (zh) * | 2021-07-15 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 一种业务处理方法、装置及设备 |
| CN114528966A (zh) * | 2022-01-27 | 2022-05-24 | 山东浪潮科学研究院有限公司 | 一种本地学习方法、设备及介质 |
| CN114817500A (zh) * | 2022-04-26 | 2022-07-29 | 山东浪潮科学研究院有限公司 | 一种基于量化的长文本问答推理方法、设备及介质 |
| CN115600653A (zh) * | 2022-12-07 | 2023-01-13 | 荣耀终端有限公司（Cn） | 神经网络模型的部署方法及装置 |
| CN115759209A (zh) * | 2022-11-18 | 2023-03-07 | 北京百度网讯科技有限公司 | 神经网络模型的量化方法、装置、电子设备及介质 |
| CN116996397A (zh) * | 2023-09-27 | 2023-11-03 | 之江实验室 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
| CN114817500B (zh) * | 2022-04-26 | 2024-05-31 | 山东浪潮科学研究院有限公司 | 一种基于量化的长文本问答推理方法、设备及介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109389043A (zh) * | 2018-09-10 | 2019-02-26 | 中国人民解放军陆军工程大学 | 一种无人机航拍图片的人群密度估计方法 |
| CN109657781A (zh) * | 2018-12-11 | 2019-04-19 | 中国航空工业集团公司西安航空计算技术研究所 | 面向嵌入式应用的深度神经网络压缩方法、装置及终端 |
| CN109919308A (zh) * | 2017-12-13 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 一种神经网络模型部署方法、预测方法及相关设备 |
| CN110222820A (zh) * | 2019-05-28 | 2019-09-10 | 东南大学 | 基于权值剪枝和量化的卷积神经网络压缩方法 |
| CN110334802A (zh) * | 2019-05-23 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 一种神经网络模型的构建方法、装置、设备及存储介质 |
| CN110503135A (zh) * | 2019-07-31 | 2019-11-26 | 上海交通大学烟台信息技术研究院 | 用于电力设备边缘侧识别的深度学习模型压缩方法及系统 |
| CN110610237A (zh) * | 2019-09-17 | 2019-12-24 | 普联技术有限公司 | 模型的量化训练方法、装置及存储介质 |
| CN110736970A (zh) * | 2019-10-24 | 2020-01-31 | 西安电子科技大学 | 基于asic机器学习处理器的雷达目标快速识别方法 |
| CN111079923A (zh) * | 2019-11-08 | 2020-04-28 | 中国科学院上海高等研究院 | 适用于边缘计算平台的Spark卷积神经网络系统及其电路 |
-
2020
- 2020-05-09 CN CN202010387398.4A patent/CN111652351A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919308A (zh) * | 2017-12-13 | 2019-06-21 | 腾讯科技（深圳）有限公司 | 一种神经网络模型部署方法、预测方法及相关设备 |
| US20200050939A1 (en) * | 2017-12-13 | 2020-02-13 | Tencent Technology (Shenzhen) Company Limited | Neural network model deployment method, prediction method and related device |
| CN109389043A (zh) * | 2018-09-10 | 2019-02-26 | 中国人民解放军陆军工程大学 | 一种无人机航拍图片的人群密度估计方法 |
| CN109657781A (zh) * | 2018-12-11 | 2019-04-19 | 中国航空工业集团公司西安航空计算技术研究所 | 面向嵌入式应用的深度神经网络压缩方法、装置及终端 |
| CN110334802A (zh) * | 2019-05-23 | 2019-10-15 | 腾讯科技（深圳）有限公司 | 一种神经网络模型的构建方法、装置、设备及存储介质 |
| CN110222820A (zh) * | 2019-05-28 | 2019-09-10 | 东南大学 | 基于权值剪枝和量化的卷积神经网络压缩方法 |
| CN110503135A (zh) * | 2019-07-31 | 2019-11-26 | 上海交通大学烟台信息技术研究院 | 用于电力设备边缘侧识别的深度学习模型压缩方法及系统 |
| CN110610237A (zh) * | 2019-09-17 | 2019-12-24 | 普联技术有限公司 | 模型的量化训练方法、装置及存储介质 |
| CN110736970A (zh) * | 2019-10-24 | 2020-01-31 | 西安电子科技大学 | 基于asic机器学习处理器的雷达目标快速识别方法 |
| CN111079923A (zh) * | 2019-11-08 | 2020-04-28 | 中国科学院上海高等研究院 | 适用于边缘计算平台的Spark卷积神经网络系统及其电路 |
Non-Patent Citations (2)
| Title |
|---|
| 卢誉声: "《移动平台深度神经网络实战 原理、架构与优化》", 北京：机械工业出版社, pages: 164 * |
| 宋非洋;吴黎明;郑耿哲;何欣颖;: "基于MobileNetV3的结构性剪枝优化", no. 06, pages 23 - 28 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113222121A (zh) * | 2021-05-31 | 2021-08-06 | 杭州海康威视数字技术股份有限公司 | 一种数据处理方法、装置及设备 |
| CN113222121B (zh) * | 2021-05-31 | 2023-08-29 | 杭州海康威视数字技术股份有限公司 | 一种数据处理方法、装置及设备 |
| CN113408744A (zh) * | 2021-07-08 | 2021-09-17 | 山东浪潮科学研究院有限公司 | 基于AIot和TinyML技术的多传感器多环境监测方法 |
| CN113435585B (zh) * | 2021-07-15 | 2023-03-10 | 支付宝(杭州)信息技术有限公司 | 一种业务处理方法、装置及设备 |
| CN113435585A (zh) * | 2021-07-15 | 2021-09-24 | 支付宝(杭州)信息技术有限公司 | 一种业务处理方法、装置及设备 |
| CN114528966B (zh) * | 2022-01-27 | 2023-09-26 | 山东浪潮科学研究院有限公司 | 一种本地学习方法、设备及介质 |
| CN114528966A (zh) * | 2022-01-27 | 2022-05-24 | 山东浪潮科学研究院有限公司 | 一种本地学习方法、设备及介质 |
| CN114817500A (zh) * | 2022-04-26 | 2022-07-29 | 山东浪潮科学研究院有限公司 | 一种基于量化的长文本问答推理方法、设备及介质 |
| CN114817500B (zh) * | 2022-04-26 | 2024-05-31 | 山东浪潮科学研究院有限公司 | 一种基于量化的长文本问答推理方法、设备及介质 |
| CN115759209A (zh) * | 2022-11-18 | 2023-03-07 | 北京百度网讯科技有限公司 | 神经网络模型的量化方法、装置、电子设备及介质 |
| CN115600653A (zh) * | 2022-12-07 | 2023-01-13 | 荣耀终端有限公司（Cn） | 神经网络模型的部署方法及装置 |
| CN116996397A (zh) * | 2023-09-27 | 2023-11-03 | 之江实验室 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
| CN116996397B (zh) * | 2023-09-27 | 2024-01-09 | 之江实验室 | 一种网络丢包优化的方法、装置、存储介质及电子设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111652351A (zh) | 一种神经网络模型的部署方法、设备及介质 | |
| CN111753878A (zh) | 一种网络模型部署方法、设备及介质 | |
| CN112036236B (zh) | 一种基于GhostNet的图像检测方法、设备及介质 | |
| CN109214193B (zh) | 数据加密、机器学习模型训练方法、装置以及电子设备 | |
| CN116205290B (zh) | 一种基于中间特征知识融合的知识蒸馏方法和装置 | |
| CN111652286A (zh) | 一种基于图嵌入的物体识别方法、设备及介质 | |
| CN113888415A (zh) | 一种模型训练以及图像修复方法及装置 | |
| CN115018059B (zh) | 数据处理方法及装置、神经网络模型、设备、介质 | |
| CN115964633A (zh) | 一种基于数据增广的模型训练方法、装置以及设备 | |
| CN115830690A (zh) | 一种交通图像脱敏方法及设备 | |
| WO2021233389A1 (zh) | 增强深度学习模型鲁棒性的方法及装置 | |
| CN112949642B (zh) | 一种文字生成方法、装置、存储介质及电子设备 | |
| CN115841016A (zh) | 一种基于特征选择的模型训练方法、装置以及设备 | |
| CN114359935A (zh) | 一种模型训练以及表格识别方法及装置 | |
| CN111242195B (zh) | 模型、保险风控模型训练方法、装置及电子设备 | |
| CN111523539A (zh) | 一种文字检测方法及装置 | |
| CN111598219A (zh) | 一种深度可分离卷积的量化方法、装置、设备及介质 | |
| CN111539962A (zh) | 一种目标图像分类方法、装置以及介质 | |
| CN111899264A (zh) | 一种目标图像分割方法、设备及介质 | |
| CN116434787B (zh) | 一种语音情感识别的方法、装置、存储介质及电子设备 | |
| CN111753661B (zh) | 一种基于神经网路的目标识别方法、设备及介质 | |
| CN115953706B (zh) | 虚拟形象处理方法及装置 | |
| CN115966008A (zh) | 一种人脸识别中的攻击检测方法、装置以及设备 | |
| CN117437327A (zh) | 一种生成设计素材的方法、装置、存储介质及电子设备 | |
| CN115964491A (zh) | 文本分类方法、变分自编码器的训练方法及装置 |
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 |