CN111913712A - 用于在Web端部署神经网络模型的方法和装置 - Google Patents

Abstract

本公开的实施例公开了用于在Web端部署神经网络模型的方法和装置。该方法的一具体实施方式包括：获取神经网络模型的源代码；将源代码编译成目标代码，其中，目标代码在Web端的运行速度大于源代码在Web端的运行速度；基于目标代码，在Web端部署神经网络模型。该实施方式使得可以通过浏览器运行和使用神经网络模型。

Description

用于在Web端部署神经网络模型的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及用于在Web端部署神经网络模型的方法和装置。

背景技术

目前，神经网络是当前热门的研究领域之一，随之涌现了大量基于神经网络的复杂应用(如模式识别、自动控制等)，同时基于神经网络的各种技术(如深度学习等)也在不断更新发展。

由于基于神经网络的应用所涉及的计算量通常很大，而且在许多应用场景下所对应的处理逻辑非常复杂。因此，目前各种基于神经网络的应用通常都是部署在服务器或移动端。

发明内容

本公开的实施例提出了用于在Web端部署神经网络模型的方法和装置。

第一方面，本公开的实施例提供了一种用于在Web端部署神经网络模型的方法，该方法包括：获取神经网络模型的源代码；将源代码编译成目标代码，其中，目标代码在Web端的运行速度大于源代码在Web端的运行速度；基于目标代码，在Web端部署神经网络模型。

在一些实施例中，目标代码包括基于asm.js的代码。

在一些实施例中，目标代码包括基于WebAssembly的代码。

在一些实施例中，将源代码编译成目标代码，包括：利用Emscripten将源代码编译成目标代码。

在一些实施例中，将源代码编译成目标代码，包括：将源代码编译成对应的二进制格式的代码；将二进制格式的代码编译成目标代码。

第二方面，本公开的实施例提供了一种用于在Web端部署神经网络模型的装置，该装置包括：获取单元，被配置成获取神经网络模型的源代码；编译单元，被配置成将源代码编译成目标代码，其中，目标代码在Web端的运行速度大于源代码在Web端的运行速度；部署单元，被配置成基于目标代码，在Web端部署神经网络模型。

在一些实施例中，目标代码包括基于asm.js的代码。

在一些实施例中，目标代码包括基于WebAssembly的代码。

在一些实施例中，编译单元进一步被配置成：利用Emscripten将源代码编译成目标代码。

在一些实施例中，编译单元进一步被配置成：将源代码编译成对应的二进制格式的代码；将二进制格式的代码编译成目标代码。

第三方面，本公开的实施例提供了一种服务器，该服务器包括：一个或多个处理器；存储装置，用于存储一个或多个程序；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方面中任一实现方式描述的方法。

第四方面，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，该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。

本公开的实施例提供的用于在Web端部署神经网络模型的方法和装置，通过将神经网络模型的源代码编译成在Web端可以快速运行的目标代码，从而可以基于目标代码实现神经网络模型在Web端的部署，以扩展神经网络模型的应用方式。

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在Web端部署神经网络模型的方法的一个实施例的流程图；

图3是根据本公开的用于在Web端部署神经网络模型的方法的又一个实施例的流程图；

图4是根据本公开的实施例的用于在Web端部署神经网络模型的方法的一个应用场景的示意图；

图5是根据本公开的用于在Web端部署神经网络模型的装置的一个实施例的结构示意图；

图6是适于用来实现本公开的实施例的电子设备的结构示意图。

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在Web端部署神经网络模型的方法或用于在Web端部署神经网络模型的装置的实施例的示例性架构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。

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上可以安装有各种客户端应用。例如，浏览器类应用、搜索类应用、即时通讯类应用、开发类应用等。

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、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，服务器105可以是用于在Web端部署神经网络模型的服务器。服务器可以将从终端设备获取的神经网络模型的源代码编译成目标代码，以及基于目标代码在Web端部署神经网络模型，其中，目标代码在Web端的运行速度远大于源代码在Web端的运行速度。

需要说明的是，上述神经网络模型的源代码也可以直接存储在服务器105的本地，服务器105可以直接提取本地所存储的源代码并进行处理，此时，可以不存在终端设备101、102、103和网络104。

需要说明的是，本公开的实施例所提供的用于在Web端部署神经网络模型的方法一般由服务器105执行，相应地，用于在Web端部署神经网络模型的装置一般设置于服务器105中。

还需要指出的是，终端设备101、102、103中也可以安装有可以用于在Web端部署神经网络模型的工具。此时，终端设备101、102、103也可以基于用于在Web端部署神经网络模型的工具对神经网络模型的源代码进行编译等处理，以得到源代码对应的目标代码，从而基于目标代码实现在Web端部署神经网络模型。此时，用于在Web端部署神经网络模型的方法也可以由终端设备101、102、103执行，相应地，用于在Web端部署神经网络模型的装置也可以设置于终端设备101、102、103中。此时，示例性系统架构100可以不存在服务器105和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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，其示出了根据本公开的用于在Web端部署神经网络模型的方法的一个实施例的流程200。该用于在Web端部署神经网络模型的方法包括以下步骤：

步骤201，获取神经网络模型的源代码。

在本实施例中，用于在Web端部署神经网络模型的方法的执行主体(如图1所示的服务器105)可以从本地或其它存储设备(如图1所示的终端设备101、102、103)获取神经网络模型的源代码。

其中，神经网络模型可以是由大量的处理单元(或称神经元)广泛地互相连接而形成的复杂网络系统。神经网络模型可以具有大规模并行、分布式存储和处理、自组织、自适应和自学能力。

神经网络模型可以是现有的各种类型的神经网络模型。例如，BP神经网络(BackPropagation Neural Network)、Hopfield network(霍普菲尔网络)、卷积神经网络、去卷积神经网络、生成式对抗网络、周期神经网络等等。

神经网络模型可以是用于实现各种功能的神经网络模型。神经网络模型可以用于分类、识别、语音分析、文字分析、时间序列分析、图像处理、视频处理、数据去噪等等。

神经网络模型的源代码可以由技术人员预先进行编写，也可以由技术人员从一些第三方平台(如一些代码托管平台)获取，也可以对从第三方平台获取的代码进行修改得到。

一般地，神经网络模型可以部署于服务器、客户端、移动端。神经网络模型的源代码的编程语言可以是目前应用于开发神经网络模型的各种编程语言。例如，编程语言可以包括C、C++、Python、Java、Matlab、CPP、Lua、Lisp、Haskell、.NET、R等等。

步骤202，将源代码编译成目标代码，其中，目标代码在Web端的运行速度大于源代码在Web端的运行速度。

一般地，由于目前Web端的开发是基于JavaScript语言的，运行于浏览器中的应用需要基于JavaScript语言来实现。在不同的应用场景中，随着应用需求的增加，神经网络模型的处理逻辑越来越复杂，对应的神经网络模型的源代码的代码量也会随之增加。

而如前述所述，神经网络模型对应的编程语言(如C++)通常并不是JavaScript。因此，一般地，要想将神经网络模型部署于Web端，需要技术人员重写神经网络模型的所有代码。针对一个处理逻辑和代码量都十分巨大的神经网络模型，重写所有代码所需要的时间成本、人力成本都是巨大的。

基于此，可以将神经网络模型的源代码编译成在Web端运行速度较高的目标代码，以进一步可以在Web端部署神经网络模型。其中，运行速度可以通过神经网络模型在Web端的响应时间、处理任务的时间等等来衡量。

需要说明的是，对于以不能直接在Web端运行的编程语言(如C++等)开发的代码，可以认为这些代码在Web端的运行速度为零。

在本实施例的一些可选的实现方式中，目标代码可以包括基于JavaScript的代码。例如，目标代码可以为JavaScript代码，也可以是TypeScript(是JavaScript的一个超集)。

在本实施例的一些可选的实现方式中，目标代码可以包括基于asm.js的代码。其中，asm.js是极度优化的、底层的JavaScript的严格子集，合理合法的asm.js代码一定是合理合法的JavaScript代码。

asm.js使用位运算、注解、检测等实现了强类型，因此可以直接对应编译成机器指令执行。而且基于asm.js的代码采用AOT(Ahead OfTime)编译器，将基于asm.js代码预先编译成机器指令。另外，asm.js可以在Web端执行，可以通过浏览器的JavaScript引擎的支持，将asm.js编译成更底层的机器代码以提高性能。

由于JavaScript语言在浏览器中的执行过程通常需要先进行语法分析(如解析为抽象语法树)，然后将解析结果编译成字节码，然后将字节码翻译为机器代码。而由于JavaScript没有静态变量类型，所以在运行JavaScript代码时，多次执行同样的一段功能代码对应需要多次编译过程，即代码执行效率是存在很多的优化空间的。

而asm.js的变量都是静态类型，而且取消了垃圾回收机制。浏览器在运行asm.js时，会跳过语法分析这一过程，直接转换成汇编语言进行执行，从而和JavaScript代码相比，具有更快的代码运行速度。

另外，在运行浏览器的电子设备具有GPU(Graphics Processing Unit，图形处理器时)时，浏览器还可以基于GPU执行asm.js(如调用WebGL执行asm.js)，从而可以进一步提升代码运行速度。

在本实施例中，可以根据源代码所采用的编程语言，灵活采用各种方式将源代码编译成目标代码。

在本实施例的一些可选的实现方式中，可以利用现有的一些编译工具将源代码编译成目标代码。应当可以理解，针对采用不同的编程语言编写的源代码，可以使用不同的编译工具编译成目标代码。

例如，采用Scala编程语言编写的源代码可以利用Scala.js这个编译器，将源代码编译为JavaScript代码作为目标代码。又例如，采用Dart编程语言编写的源代码可以利用Dart VM编译为JavaScript代码作为目标代码。

在本实施例的一些可选的实现方式中，可以利用AssemblyScript将源代码编译为目标代码。其中，AssemblyScript是一个编译器，可以将基于TypeScript的代码编译成基于WebAssembly的代码。

在本实施例的一些可选的实现方式中，可以利用Emscripten将源代码编译成目标代码。其中，Emscripten是一个编译器，可以将一些高级语言(如C、C++等)编译成wasm文件(包含基于WebAssembly的代码—wasm代码)。

在本实施例的一些可选的实现方式中，可以先将源代码编译成对应的二进制格式的代码，然后将二进制格式的代码编译成目标代码。

其中，可以利用现有的各种可以用于将代码编译成二进制格式代码的工具来将源代码编译成对应的二进制格式的代码。应当可以理解，针对采用不同的编程语言编写的源代码，可以使用不同的编译工具编译成目标代码。

例如，用于将代码编译成二进制格式代码的工具可以包括LLVM(Low LevelVirtual Machine，底层虚拟机)、GCC(GNU Compiler Collection)、NASM(The NetwideAssembler)等。

其中，LLVM是构架编译器的框架系统，可以作为多种语言编译器的后台来使用。LLVM可以将高级语言(如C、C++、Rust、Go、Java、C#等)编译成二进制格式的代码。其中，GCC是为GNU操作系统编写的编译器。GCC可以用于将高级语言(如C、C++、Objective-C、Fortran、Java、Ada、Go等)编译成二进制格式的代码。其中，NASM是一款编译程序，可以支持二进制文件的生成。

步骤203，基于目标代码，在Web端部署神经网络模型。

在本实施例中，在得到目标代码之后，就可以利用目标代码在Web端部署神经网络模型，从而使得神经网络模型可以在Web端运行和使用。应当可以理解，根据目标代码的不同，可以采用不同的部署方式在Web端部署神经网络模型。

例如，目标代码包括基于JavaScript的代码或基于asm.js代码时，可以利用一些Web应用部署工具(如Tomcat、WT等)对目标代码进行部署，以实现浏览器正常运行目标代码。

又例如，目标代码包括基于WebAssembly的代码时，可以利用WebPack调用目标代码中提供的方法，以在浏览器运行目标代码。其中，WebPack是一个打包器。WebPack可以将目标代码进行打包，且打包后的文件可以在浏览器中使用。

本公开的上述实施例提供的方法通过将神经网络模型的源代码编译成可以在Web端快速运行的代码，从而实现神经网络模型在Web端的部署，使得可以通过浏览器运行和使用神经网络模型。

进一步参考图3，其示出了用于在Web端部署神经网络模型的方法的又一个实施例的流程300。该用于在Web端部署神经网络模型的方法的流程300，包括以下步骤：

步骤301，获取神经网络模型的源代码。

本步骤301的具体的执行过程可参考图2对应实施例中的步骤201的相关说明，在此不再赘述。

步骤302，将源代码编译成目标代码，其中目标代码包括基于WebAssembly的代码。

在本实施例中，WebAssembly是一种编译语言。基于WebAssembly的代码运行在JavaScript虚拟机的沙盒环境中。

由于基于WebAssembly的代码在浏览器运行时不需要经过前述的语法分析和编译两个过程，而是直接编译成机器代码，从而和JavaScript代码相比，具有更快的代码运行速度。

具体地，可以利用WebAssembly工具将神经网络模型的源代码编译成基于WebAssembly的代码。一般地，利用WebAssembly工具对神经网络模型的源代码进行编译之后，可以得到存储有基于WebAssembly的代码的wasm文件。

步骤303，基于目标代码，在Web端部署神经网络模型。

本步骤303的具体的执行过程可参考图2对应实施例中的步骤203中的关于目标代码包括基于WebAssembly的代码时的相关说明，在此不再赘述。

继续参见图4，图4是根据本实施例的用于在Web端部署神经网络模型的方法的应用场景的一个示意图400。在图4的应用场景中，上述执行主体可以先从本地获取利用C++开发语言编写的DNN(深度神经网络)的源代码401。然后，可以利用WebAssembly工具将源代码401编译成wasm402。之后，可以利用WebPack工具在浏览器中运行wasm402以实现DNN在浏览器中的应用(如图中标号403所示)。

本公开的上述实施例提供的方法通过将神经网络模型的源代码编译成基于WebAssembly的代码，以提高神经网络模型在浏览器中的运行速度。一般地，由于许多神经网络模型所涉及的计算量非常大，而且处理逻辑复杂，从而神经网络模型本身的复杂性就会给浏览器带来一定的运行压力。例如一些过于大型的神经网络模型在浏览器中的加载速度都非常慢。而JavaScript引擎运行基于WebAssembly的代码是可以避开语法解析和编译这些最耗费时间的阶段，从而大大提升了神经网络模型在浏览器中的运行速度。

进一步参考图5，作为对上述各图所示方法的实现，本公开提供了用于在Web端部署神经网络模型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，本实施例提供的用于在Web端部署神经网络模型的装置500包括获取单元501、编译单元502和部署单元503。

在本实施例中，用于在Web端部署神经网络模型的装置500中：获取单元501、编译单元502和部署单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，目标代码包括基于asm.js的代码。

在本实施例的一些可选的实现方式中，目标代码包括基于WebAssembly的代码。

在本实施例的一些可选的实现方式中，编译单元502进一步被配置成：利用Emscripten将源代码编译成目标代码。

在本实施例的一些可选的实现方式中，编译单元502进一步被配置成：将源代码编译成对应的二进制格式的代码；将二进制格式的代码编译成目标代码。

本公开的上述实施例提供的装置，通过获取单元501被配置成获取神经网络模型的源代码；编译单元502被配置成将源代码编译成目标代码，其中，目标代码在Web端的运行速度大于源代码在Web端的运行速度；部署单元503被配置成基于目标代码，在Web端部署神经网络模型，使得可以通过浏览器运行和使用神经网络模型，以扩展神经网络模型的应用方式。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)600的结构示意图。图6示出的服务器仅仅是一个示例，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6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：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607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，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6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609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。

需要说明的是，本公开的实施例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。在本公开的实施例中，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。

上述计算机可读介质可以是上述服务器中所包含的；也可以是单独存在，而未装配入该服务器中。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服务器执行时，使得该服务器：获取神经网络模型的源代码；将源代码编译成目标代码，其中，目标代码在Web端的运行速度大于源代码在Web端的运行速度；基于目标代码，在Web端部署神经网络模型。

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实施例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。

描述于本公开的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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、编译单元和部署单元。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，获取单元还可以被描述为“获取神经网络模型的源代码的单元”。

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。

Claims (12)

1.一种用于在Web端部署神经网络模型的方法，包括：

获取神经网络模型的源代码；

将所述源代码编译成目标代码，其中，所述目标代码在Web端的运行速度大于所述源代码在Web端的运行速度；

基于所述目标代码，在Web端部署所述神经网络模型。

2.根据权利要求1所述的方法，其中，所述目标代码包括基于asm.js的代码。

3.根据权利要求1所述的方法，其中，所述目标代码包括基于WebAssembly的代码。

4.根据权利要求1所述的方法，其中，所述将所述源代码编译成目标代码，包括：

利用Emscripten将所述源代码编译成目标代码。

5.根据权利要求1-4之一所述的方法，其中，所述将所述源代码编译成目标代码，包括：

将所述源代码编译成对应的二进制格式的代码；

将所述二进制格式的代码编译成目标代码。

6.一种用于在Web端部署神经网络模型的装置，包括：

获取单元，被配置成获取神经网络模型的源代码；

编译单元，被配置成将所述源代码编译成目标代码，其中，所述目标代码在Web端的运行速度大于所述源代码在Web端的运行速度；

部署单元，被配置成基于所述目标代码，在Web端部署所述神经网络模型。

7.根据权利要求6所述的装置，其中，所述目标代码包括基于asm.js的代码。

8.根据权利要求6所述的装置，其中，所述目标代码包括基于WebAssembly的代码。

9.根据权利要求6所述的装置，其中，所述编译单元进一步被配置成：

利用Emscripten将所述源代码编译成目标代码。

10.根据权利要求6-9之一所述的装置，其中，所述编译单元进一步被配置成：

将所述源代码编译成对应的二进制格式的代码；

将所述二进制格式的代码编译成目标代码。

11.一种服务器，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1-5中任一所述的方法。

12.一种计算机可读介质，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1-5中任一所述的方法。

Images