CN112257856A - 深度学习框架确定方法、设备及可读存储介质 - Google Patents
深度学习框架确定方法、设备及可读存储介质 Download PDFInfo
- Publication number
- CN112257856A CN112257856A CN202011498964.5A CN202011498964A CN112257856A CN 112257856 A CN112257856 A CN 112257856A CN 202011498964 A CN202011498964 A CN 202011498964A CN 112257856 A CN112257856 A CN 112257856A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- simulation experiment
- preset
- neural network
- frame
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 523
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004088 simulation Methods 0.000 claims abstract description 199
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000003062 neural network model Methods 0.000 claims description 85
- 238000013528 artificial neural network Methods 0.000 claims description 71
- 238000012549 training Methods 0.000 claims description 54
- 238000005265 energy consumption Methods 0.000 claims description 12
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 description 20
- 238000004364 calculation method Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000003058 natural language processing Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 101100169313 Viola odorata Voc2 gene Proteins 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000011218 segmentation 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种深度学习框架确定方法、设备及可读存储介质，该方法包括步骤：获取应用场景，并建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务；基于预设硬件处理各所述深度学习仿真实验任务，得到深度学习框架评分结果；基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架。本发明实现了根据深度学习框架评分结果确定最适合该应用场景的目标深度学习框架，从而使得使用深度学习框架的应用所使用的深度学习框架为最适合该应用的深度学习框架，进而提高了使用深度学习框架的应用的稳定性和效率。
Description
技术领域
本发明涉及深度学习技术领域，尤其涉及一种深度学习框架确定方法、设备及可读存储介质。
背景技术
近年来，随着海量数据的积累和计算机硬件计算能力的提升，深度学习越来越广泛应用在各个方面。现在市面上已有很多深度学习的开源框架，常见的有TensorFlow,Mxnet, Pytorch, Caffe等等，这些深度学习框架已被广泛应用于计算机视觉、语音识别、自然语言处理与生物信息学等领域，每一类框架都以不同的方式进行构建，具有不同的特点。
但是，在不同的各类应用、业务场景下，训练加速器（GPU）用不同的深度学习框架会有不同效果，而根据各种框架的开发团队提供的介绍说明也并不能全面了解某深度学习框架在什么情景下使用可以达到最优的效果。例如Tensorflow支持多环境与集群、分布式训练，跨平台运行能力强，Pytorch拥有动态的编程环境和用户友好的界面更适合小项目和原型设计等等。从而由于所使用的深度学习框架与特定应用场景不适配，导致使用该深度学习框架的应用的稳定性低、效率低。
由此可知，目前存在使用深度学习框架的应用的稳定性低和效率低的问题。
发明内容
本发明的主要目的在于提供一种深度学习框架确定方法、设备及可读存储介质，旨在解决现有的使用深度学习框架的应用的稳定性低和效率低的技术问题。
为实现上述目的，本发明提供一种深度学习框架确定方法，所述深度学习框架确定方法包括步骤：
获取应用场景，并建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务；
处理各所述深度学习仿真实验任务，得到深度学习框架评分结果；
基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架。
可选地，所述建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务，包括：
获取所述应用场景对应的至少两个神经网络模型的唯一标识；
遍历各所述神经网络模型的唯一标识，并基于所述至少两个深度学习框架实现各所述神经网络模型；
建立与各所述神经网络模型对应的所述深度学习仿真实验任务。
可选地，所述获取应用场景，包括：
获取至少两个应用场景，并遍历所述至少两个应用场景。
可选地，所述处理各所述深度学习仿真实验任务，得到深度学习框架评分结果，包括：
处理各所述深度学习仿真实验任务，得到各所述深度学习仿真实验任务的得分；
基于各所述深度学习仿真实验任务的得分计算所述至少两个深度学习框架的得分，得到所述深度学习框架评分结果。
可选地，所述处理各所述深度学习仿真实验任务，得到各所述深度学习仿真实验任务的得分，包括：
基于预设训练数据集，训练各所述深度学习仿真实验任务对应的神经网络模型；
记录各所述神经网络模型达到预设准确率的时间；
基于预设映射关系，将所述时间转换为各所述神经网络模型的得分，得到各所述深度学习仿真实验任务的得分。
可选地，所述基于各所述深度学习仿真实验任务的得分计算所述至少两个深度学习框架的得分，得到所述深度学习框架评分结果包括：
计算各所述深度学习框架对应的各所述深度学习仿真实验任务的得分之和，得到所述深度学习框架评分结果。
可选地，所述基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架，包括：
建立各所述应用场景下各所述深度学习框架与所述深度学习框架评分结果的对应关系；
基于所述对应关系选取不同应用场景下评分最高的深度学习框架作为所述目标深度学习框架。
此外，为实现上述目的，本发明还提供一种深度学习框架确定装置，所述深度学习框架确定装置包括：
获取模块，用于获取应用场景；
建立模块，用于建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务；
处理模块，用于处理各所述深度学习仿真实验任务，得到深度学习框架评分结果；
选取模块，用于基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架。
此外，为实现上述目的，本发明还提供一种深度学习框架确定方法，所述深度学习框架确定方法包括步骤：
建立两个或两个以上预设深度学习框架对应的深度学习仿真实验任务；
通过预设神经网络处理器处理各所述深度学习仿真实验任务，并在各所述深度学习仿真实验任务完成后分别记录各所述预设深度学习框架对应的性能指标；
基于所述性能指标对各所述预设深度学习框架进行评分，得到评分结果；
选取所述评分结果中评分最高的预设深度学习框架为最适合所述预设神经网络处理器的深度学习框架。
可选地，所述通过预设神经网络处理器处理各所述深度学习仿真实验任务，包括：
在预设实验环境下，通过所述预设神经网络处理器逐一处理各所述深度学习仿真实验任务；所述预设神经网络处理器在处理各所述深度学习仿真实验任务时所处的实验环境均为所述预设实验环境。
可选地，所述通过预设神经网络处理器处理各所述深度学习仿真实验任务，并在各所述深度学习仿真实验任务完成后分别记录各所述预设深度学习框架对应的性能指标，包括：
基于所述预设神经网络处理器对各所述深度学习仿真实验任务对应的神经网络模型进行训练；
分别记录各所述神经网络模型在训练结束后的性能指标。
可选地，一所述预设深度学习框架对应两个或两个以上所述深度学习仿真实验任务，所述基于所述性能指标对各所述预设深度学习框架进行评分，得到评分结果，包括：
基于所述性能指标分别对各所述深度学习仿真实验任务进行评分；
基于各所述深度学习仿真实验任务的评分计算各所述预设深度学习框架的评分，得到评分结果。
可选地，所述基于所述性能指标分别对各所述深度学习仿真实验任务进行评分，包括：
基于预设性能指标权重系数配置所述深度学习仿真实验任务对应的训练结束后神经网络模型的准确率、所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的能耗和所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的时耗对应的权重；
基于所述权重对各所述深度学习仿真实验任务进行评分。
可选地，所述基于各所述深度学习仿真实验任务的评分计算各所述预设深度学习框架的评分，得到评分结果，包括：
分别计算各所述预设深度学习框架对应的各所述深度学习仿真实验任务的评分之和，得到评分结果。
可选地，所述性能指标包括：
所述深度学习仿真实验任务对应的训练结束后神经网络模型的准确率、所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的能耗和所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的时耗。
此外，为实现上述目的，本发明还提供一种深度学习框架确定装置，所述深度学习框架确定装置包括：
建立模块，用于建立两个或两个以上预设深度学习框架对应的深度学习仿真实验任务；
处理模块，用于通过预设神经网络处理器处理各所述深度学习仿真实验任务；
记录模块，用于在各所述深度学习仿真实验任务完成后分别记录各所述预设深度学习框架对应的性能指标；
评分模块，用于基于所述性能指标对各所述预设深度学习框架进行评分，得到评分结果；
选取模块，用于选取所述评分结果中评分最高的预设深度学习框架为最适合所述预设神经网络处理器的深度学习框架。
此外，为实现上述目的，本发明还提供一种深度学习框架确定设备，所述深度学习框架确定设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的深度学习框架确定程序，所述深度学习框架确定程序被所述处理器执行时实现如上所述的深度学习框架确定方法的步骤。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有深度学习框架确定程序，所述深度学习框架确定程序被处理器执行时实现如上所述的深度学习框架确定方法的步骤。
本发明通过获取应用场景，并建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务；基于预设硬件处理各所述深度学习仿真实验任务，得到深度学习框架评分结果；基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架。本发明实现了建立与应用场景对应的深度学习框架对应的深度学习仿真实验任务，并通过预设硬件处理该深度学习仿真实验任务，以得到深度学习框架评分结果，从而根据该深度学习框架评分结果选取评分最高的深度学习框架作为目标深度学习框架，即根据深度学习框架评分结果确定最适合该应用场景的目标深度学习框架，从而使得使用深度学习框架的应用所使用的深度学习框架为最适合该应用的深度学习框架，进而提高了使用深度学习框架的应用的稳定性和效率。
附图说明
图1是本发明深度学习框架确定方法第一实施例的流程示意图；
图2是本发明深度学习框架确定装置一较佳实施例的功能模块示意图；
图3是本发明深度学习框架确定方法第二实施例的流程示意图；
图4是本发明深度学习框架确定装置另一较佳实施例的功能模块示意图；
图5是本发明实施例方案涉及的硬件运行环境的结构示意图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明提供一种深度学习框架确定方法，参照图1，图1为本发明深度学习框架确定方法第一实施例的流程示意图。
本发明实施例提供了深度学习框架确定方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。深度学习框架确定方法可应用于服务器中，为了便于描述，以下省略执行主体描述深度学习框架确定方法的各个步骤。深度学习框架确定方法包括：
步骤S110，获取应用场景，并建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务。
具体地，获取应用场景，其中，应用场景根据具体的使用需求确定，常见的应用场景包括计算机视觉（例如使用ResNet50（多层残差网络）作为模型，基于ImageNet数据集进行训练）、自然语言处理（例如使用BERT（Bidirectional Encoder Representations fromTransformers，转换式双向编码表征）模型，并基于GLUE（General LanguageUnderstanding Evaluation，通用语言理解评测）数据集对该模型进行训练）和语音识别（例如使用DFSMN（Deep-Feedforward Sequential Memory Network，深度前馈序列记忆网络）作为模型，基于AISHELL（中文语音数据库）数据集进行训练）等，建立与该应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务。
需要说明的是，一应用场景可通过多种深度学习框架实现，一深度学习框架可对应建立一深度学习仿真实验任务，以对该深度学习框架进行相应的实验仿真。
上述建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务，包括：
步骤a，获取所述应用场景对应的至少两个神经网络模型的唯一标识。
具体地，获取应用场景对应的至少两个神经网络模型的唯一标识。
需要说明的是，该唯一标识可唯一表示神经网络模型，即通过唯一标识可区别各神经网络模型，例如唯一表示为模型的名称。
步骤b，遍历各所述神经网络模型的唯一标识，并基于所述至少两个深度学习框架实现各所述神经网络模型。
具体地，遍历各神经网络模型的唯一标识，并基于至少两个深度学习框架实现各神经网络模型。
需要说明的是，一神经网络模型可对应至少两个深度学习框架，即一个神经网络模型可通过多种深度学习框架实现，换而言之，一个深度学习框架可实现多种神经网络模型，即遍历各神经网络模型的唯一标识也可为遍历各深度学习框架的标识。可以理解，神经网络模型与深度学习框架存在对应关系，即一神经网络模型可对应多个深度学习框架，一深度学习框架可对应多个神经网络模型。例如，神经网络模型A、神经网络模型B和神经网络模型C均可通过深度学习框架a实现，同时神经网络模型A、神经网络模型B和神经网络模型C还可通过深度学习框架b或深度学习框架c实现。
步骤c，建立与各所述神经网络模型对应的所述深度学习仿真实验任务。
具体地，建立与各神经网络模型对应的深度学习仿真实验任务，以通过该深度学习仿真实验任务对各神经网络模型以及其对应的深度学习框架进行实验仿真。可以理解，一个应用场景可由多个神经网络模型来实现，而一个神经网络模型又可通过多个深度学习框架来实现，因此，一深度学习仿真实验任务为通过一深度学习框架实现一神经网络模型，以通过该神经网络模型完成一应用场景对应的需求的任务。
上述获取应用场景，包括：
步骤d，获取至少两个应用场景，并遍历所述至少两个应用场景。
具体地，获取至少两个应用场景，并遍历该至少两个应用场景，即对不同的应用场景分别进行对应的仿真实验。
步骤S120，处理各所述深度学习仿真实验任务，得到深度学习框架评分结果。
具体地，基于GPU（训练加速器）处理各深度学习仿真实验任务，得到深度学习框架评分结果。
上述处理各所述深度学习仿真实验任务，得到深度学习框架评分结果，包括：
步骤e，处理各所述深度学习仿真实验任务，得到各所述深度学习仿真实验任务的得分。
具体地，基于GPU处理各深度学习仿真实验任务，并对各深度学习仿真实验任务进行评分，得到各深度学习仿真实验任务的得分。
上述处理各所述深度学习仿真实验任务，得到各所述深度学习仿真实验任务的得分，包括：
步骤e1，基于预设训练数据集和所述预设硬件，训练各所述深度学习仿真实验任务对应的神经网络模型。
具体地，通过GPU，即在GPU上，通过预设训练数据集对各深度学习仿真实验任务对应的神经网络模型进行训练，直至训练完成。需要说明的是，该神经网络模型为由对应的深度学习框架实现的初始神经网络模型，即未训练的神经网络模型。
步骤e2，记录各所述神经网络模型达到预设准确率的时间。
具体地，记录各神经网络模型从开始训练到结束训练所花的时间，神经网络模型训练结束的标志为该神经网络模型的输出准确率达到预设准确率。可以理解，训练神经网络模型的过程即提高输出准确率的过程。
步骤e3，基于预设映射关系，将所述时间转换为各所述神经网络模型的得分，得到各所述深度学习仿真实验任务的得分。
具体地，基于预设映射关系，将时间转换为各神经网络模型的得分，以得到各深度学习仿真实验任务的得分。需要说明的是，预设映射关系为时间与得分的映射关系，可以理解，时间越长，得分越低；时间越短，得分越高。例如，时间为1小时，得分为8分；时间为2小时，得分为5分。
步骤f，基于各所述深度学习仿真实验任务的得分计算所述至少两个深度学习框架的得分，得到所述深度学习框架评分结果。
具体地，由上述深度学习框架与神经网络模型的对应关系可知，一个深度学习框架对应多个深度学习仿真实验任务，即计算至少两个深度学习框架的得分需要获取与深度学习框架对应的多个深度学习仿真实验任务的得分，将计算得到的至少两个深度学习框架的得分作为深度学习框架评分结果。
上述基于各所述深度学习仿真实验任务的得分计算所述至少两个深度学习框架的得分，得到所述深度学习框架评分结果包括：
步骤f1，计算各所述深度学习框架对应的各所述深度学习仿真实验任务的得分之和，得到所述深度学习框架评分结果。
具体地，计算各深度学习框架对应的各深度学习仿真实验任务的得分之和，得到深度学习框架评分结果。需要说明的是，具体的计算过程还可为取多个深度学习仿真实验任务的得分中的最高分为深度学习框架的得分或将多个深度学习仿真实验任务的得分的平均分作为深度学习框架的得分等，具体的计算过程可根据实际需要具体设置。
步骤S130，基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架。
具体地，基于深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架，该目标深度学习框架为最适合该应用场景的深度学习框架。
上述基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架，包括：
步骤g，建立各所述应用场景下各所述深度学习框架与所述深度学习框架评分结果的对应关系。
具体地，应用场景存在一个或多个，建立各应用场景下深度学习框架与深度学习框架评分结果的对应关系，可以理解，由于不同应用场景均可通过相同深度学习框架实现，因此，不同应用场景下，同一深度学习框架的评分可能不同。
步骤h，基于所述对应关系选取不同应用场景下评分最高的深度学习框架作为所述目标深度学习框架。
具体地，基于对应关系选取不同应用场景下评分最高的深度学习框架作为目标深度学习框架。即根据具体的应用场景以及对应关系，选取该应用场景下评分最高的深度学习框架作为目标深度学习框架。
本实施例通过获取应用场景，并建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务；处理各所述深度学习仿真实验任务，得到深度学习框架评分结果；基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架。实现了通过处理与应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务，得到各深度学习框架在该应用场景下的深度学习框架评分结果，以通过该深度学习框架评分结果选取评分最高的深度学习框架作为目标深度学习框架，即选取与该应用场景适配的深度学习框架，从而提高了使用该深度学习框架的应用的稳定性和效率。
此外，本发明还提供一种深度学习框架确定装置，如图2所示，所述深度学习框架确定装置包括：
获取模块10，用于获取应用场景；
建立模块20，用于建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务；
处理模块30，用于处理各所述深度学习仿真实验任务，得到深度学习框架评分结果；
选取模块40，用于基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架。
进一步地，所述建立模块20包括：
第一获取单元，用于获取所述应用场景对应的至少两个神经网络模型的唯一标识；
第一遍历单元，用于遍历各所述神经网络模型的唯一标识，并基于所述至少两个深度学习框架实现各所述神经网络模型；
第一建立单元，用于建立与各所述神经网络模型对应的所述深度学习仿真实验任务。
进一步地，所述获取模块10包括：
获取单元，用于获取至少两个应用场景；
第二遍历单元，用于遍历所述至少两个应用场景。
进一步地，所述处理模块30包括：
处理单元，用于处理各所述深度学习仿真实验任务，得到各所述深度学习仿真实验任务的得分；
计算单元，用于基于各所述深度学习仿真实验任务的得分计算所述至少两个深度学习框架的得分，得到所述深度学习框架评分结果。
进一步地，所述处理单元包括：
训练子单元，用于基于预设训练数据集，训练各所述深度学习仿真实验任务对应的神经网络模型；
记录子单元，用于记录各所述神经网络模型达到预设准确率的时间；
转换子单元，用于基于预设映射关系，将所述时间转换为各所述神经网络模型的得分，得到各所述深度学习仿真实验任务的得分。
进一步地，所述计算单元包括：
计算子单元，用于计算各所述深度学习框架对应的各所述深度学习仿真实验任务的得分之和，得到所述深度学习框架评分结果。
进一步地，所述选取模块40包括：
第二建立单元，用于建立各所述应用场景下各所述深度学习框架与所述深度学习框架评分结果的对应关系；
选取单元，用于基于所述对应关系选取不同应用场景下评分最高的深度学习框架作为所述目标深度学习框架。
本发明深度学习框架确定装置具体实施方式与上述深度学习框架确定方法各实施例基本相同，在此不再赘述。
本发明还提供一种深度学习框架确定方法，参照图3，图3为本发明深度学习框架确定方法第二实施例的流程示意图。
本发明实施例提供了深度学习框架确定方法的实施例，需要说明的是，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。深度学习框架确定方法可应用于服务器中，为了便于描述，以下省略执行主体描述深度学习框架确定方法的各个步骤。深度学习框架确定方法包括：
步骤S10，建立两个或两个以上预设深度学习框架对应的深度学习仿真实验任务。
具体地，为两个或两个以上预设深度学习框架建立对应的深度学习仿真实验任务。需要说明的是，深度学习的典型应用场景对应的任务包括多种，例如目标识别任务（例如使用Mask-RCNN（基于区域分割的卷积神经网络）的模型，并基于Pascal VOC2数据集对该模型进行训练）、自然语言处理任务（使用BERT（Bidirectional Encoder Representationsfrom Transformers，转换式双向编码表征）模型，并基于GLUE（General LanguageUnderstanding Evaluation，通用语言理解评测）数据集对该模型进行训练）、图像生成任务（使用CycleGAN（Cycle-Consistent Generative Adversarial Networks，生成对抗网络）作为模型，并基于ImageNet2012数据集对该模型进行训练）、图像分类任务（使用ResNet50（残差网络）作为模型，并基于ImageNet2012数据集对该模型进行训练）等，选择其中的一个或多个任务作为深度学习仿真实验任务。
步骤S20，通过预设神经网络处理器处理各所述深度学习仿真实验任务，并在各所述深度学习仿真实验任务完成后分别记录各所述预设深度学习框架对应的性能指标。
具体地，通过预设神经网络处理器处理各深度学习仿真实验任务，并在各深度学习仿真实验任务完成后（即仿真实验结束后）分别记录各预设深度学习框架对应的性能指标，该性能指标用于体现各预设深度学习框架在整个仿真实验过程的表现。其中，神经网络处理器为适应不同的深度学习任务，不同的神经网络处理器可能具有不同的类型，神经网络处理器厂商在开发基于神经网络处理器的深度学习硬件加速芯片时，主要开发两种类型的深度学习硬件加速芯片，一类是推理芯片、一类是训练芯片。其中，推理芯片包括Ascend310、含光800等，训练芯片包括思元270、Ascend910、TPU等。本实施例以深度学习硬件加速芯片为Ascend910的神经网络处理器进行阐述。
上述通过预设神经网络处理器处理各所述深度学习仿真实验任务，包括：
步骤i，在预设实验环境下，通过所述预设神经网络处理器逐一处理各所述深度学习仿真实验任务；所述预设神经网络处理器在处理各所述深度学习仿真实验任务时所处的实验环境均为所述预设实验环境。
具体地，为确保实验结果的准确性，在预设实验环境下，通过预设神经网络处理器逐一处理各深度学习仿真实验任务，其中，预设神经网络处理器在处理各深度学习仿真实验任务时所处的实验环境均为预设实验环境（即各深度学习仿真实验任务时所处的实验环境相同）。
需要说明的是，实验环境的改变会导致实验结果的改变，即实验环境会影响记录的性能指标，例如，假设性能指标包括温度指标，即实验结束时预设神经网络处理器的温度，可以理解的是，预设神经网络处理器在处理任务时会发热，导致温度上升，则所处实验环境的温度的高低将影响记录的温度指标，即所处实验环境的温度越高，记录的温度指标越偏离实际的预设神经网络处理器上升后的温度（例如，对于同一深度学习仿真实验任务，若实验环境为26摄氏度，则记录的温度指标为60摄氏度；若实验环境为50摄氏度，则记录的温度指标为84摄氏度）。
上述性能指标包括：
所述深度学习仿真实验任务对应的训练结束后神经网络模型的准确率、所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的能耗和所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的时耗。
具体地，性能指标包括深度学习仿真实验任务对应的训练结束后神经网络模型的准确率（该神经网络模型输出的准确率）、预设神经网络处理器完成深度学习仿真实验任务所产生的能耗（预设神经网络处理器为硬件，该硬件在使用过程中需要消耗能量）和预设神经网络处理器完成深度学习仿真实验任务所产生的时耗。
上述通过预设神经网络处理器处理各所述深度学习仿真实验任务，并在各所述深度学习仿真实验任务完成后分别记录各所述预设深度学习框架对应的性能指标，包括：
步骤j，基于所述预设神经网络处理器对各所述深度学习仿真实验任务对应的神经网络模型进行训练。
具体地，上述预设神经网络处理器处理各深度学习仿真实验任务的过程为预设神经网络处理器对各深度学习仿真实验任务对应的神经网络模型进行训练的过程。需要说明的是，该神经网络模型为各深度学习仿真实验任务中所使用的模型，例如自然语言处理任务其对应的神经网络模型为BERT模型。
步骤k，分别记录各所述神经网络模型在训练结束后的性能指标。
具体地，为确保性能指标的准确性，分别记录各神经网络模型在训练结束后的性能指标。可以理解的是，训练结束后的性能指标较训练过程中的性能指标更能体现真实的性能指标，因为训练过程中的性能指标处于自主改变的状态，而训练结束后的性能指标结束了自主改变的状态。
步骤S30，基于所述性能指标对各所述预设深度学习框架进行评分，得到评分结果。
具体地，基于性能指标对各预设深度学习框架进行评分，得到评分结果。可以理解，不同的预设深度学习框架与预设神经网络处理器之间的适配性不同，该适配性的不同会对上述评分造成影响，即适配性越差，评分越低；适配性越好，评分越高。例如，以百分制（满分为100分）对各预设深度学习框架进行评分，评分结果为：预设深度学习框架A的得分为80分、预设深度学习框架B的得分为85分、预设深度学习框架C的得分为83分，则根据上述评分结果可得出预设深度学习框架B与预设神经网络处理器之间的适配性要好于预设深度学习框架A和预设深度学习框架C与预设神经网络处理器之间的适配性。
其中，为保证实验的公平性，各预设深度学习框架对应的任务相同（例如，均为目标识别任务），各预设深度学习框架的评分的计算公式见下式：
其中，
为综合考虑性能指标后，任务i在预设深度学习框架j上所得的评分，accuracy为上述准确率，energy为上述能耗，time为上述时耗。
可以理解，上述准确率越高，评分越高，能耗或时耗越高，评分越低。
上述实施例针对的是一个预设深度学习框架对应一个深度学习仿真实验任务的情况，而对于一预设深度学习框架对应两个或两个以上深度学习仿真实验任务的情况，上述基于所述性能指标对各所述预设深度学习框架进行评分，得到评分结果，包括：
步骤l，基于所述性能指标分别对各所述深度学习仿真实验任务进行评分；
具体地，基于性能指标分别对各深度学习仿真实验任务进行评分。可以理解，预设深度学习框架、深度学习仿真实验任务和性能指标之间存在一定的数量对应关系，即一个预设深度学习框架对应多个深度学习仿真实验任务、一个深度学习仿真实验任务对应多个性能指标。在记录性能指标时，需要分开记录各预设深度学习框架对应的深度学习仿真实验任务。
上述基于所述性能指标分别对各所述深度学习仿真实验任务进行评分，包括：
步骤l1，基于预设性能指标权重系数配置所述深度学习仿真实验任务对应的训练结束后神经网络模型的准确率、所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的能耗和所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的时耗对应的权重。
具体地，在评分时，可根据预设性能指标权重系数（不同性能指标对评分的影响程度）配置深度学习仿真实验任务对应的训练结束后神经网络模型的准确率、预设神经网络处理器完成深度学习仿真实验任务所产生的能耗和预设神经网络处理器完成深度学习仿真实验任务所产生的时耗对应的权重。例如，准确率对评分的影响程度高，其权重为5；能耗对评分的影响程度相较于准确率对评分的影响程度要低，其权重为3；而时耗对评分的影响程度最低，其权重为2。
步骤l2，基于所述权重对各所述深度学习仿真实验任务进行评分。
具体地，基于权重对各深度学习仿真实验任务进行评分，即在对各深度学习仿真实验任务进行评分时，需要对各性能指标填加上相应的权重。
步骤m，基于各所述深度学习仿真实验任务的评分计算各所述预设深度学习框架的评分，得到评分结果。
具体地，基于分开记录的各深度学习仿真实验任务的评分计算各预设深度学习框架的评分，得到评分结果。例如将各预设深度学习框架对应的所有深度学习仿真实验任务作为评分依据、取各预设深度学习框架对应的部分深度学习仿真实验任务作为评分依据等。
上述基于各所述深度学习仿真实验任务的评分计算各所述预设深度学习框架的评分，得到评分结果，包括：
步骤m1，分别计算各所述预设深度学习框架对应的各所述深度学习仿真实验任务的评分之和，得到评分结果。
具体地，分别计算各预设深度学习框架对应的各深度学习仿真实验任务的评分之和，得到评分结果。需要说明的是，该计算过程基于一个预设深度学习框架对应一个深度学习仿真实验任务的计算过程实现，即各预设深度学习框架的评分的计算公式为：
即，S j 为预设深度学习框架j对应的各深度学习仿真实验任务的评分之和。
需要说明的是，上述各预设深度学习框架的评分的计算公式为未配置权重的情况，若考虑配置权重的情况，可在公式中添加对应的权重，例如准确率的权重为5、能耗的权重为3、时耗的权重为2，上述公式
需调整为下式：
步骤S40，选取所述评分结果中评分最高的预设深度学习框架为最适合所述预设神经网络处理器的深度学习框架。
具体地，选取上述评分结果中评分最高的预设深度学习框架（即与预设神经网络处理器之间的适配性最好的预设深度学习框架）为最适合该预设神经网络处理器的深度学习框架。
本实施例通过建立两个或两个以上预设深度学习框架对应的深度学习仿真实验任务；通过预设神经网络处理器处理各所述深度学习仿真实验任务，并在各所述深度学习仿真实验任务完成后分别记录各所述预设深度学习框架对应的性能指标；基于所述性能指标对各所述预设深度学习框架进行评分，得到评分结果；选取所述评分结果中评分最高的预设深度学习框架为最适合所述预设神经网络处理器的深度学习框架。实现了通过预设神经网络处理器处理两个或两个以上预设深度学习框架对应的深度学习仿真实验任务，并在深度学习仿真实验任务完成后，记录该处理过程对应的性能指标，并根据该性能指标对各预设深度学习框架进行评分，将评分最高的预设深度学习框架作为最适合所述预设神经网络处理器的深度学习框架，从而在处理深度学习任务时，由于使用的深度学习框架为最适合该预设神经网络处理器的深度学习框架，降低了在使用该预设神经网络处理器处理深度学习任务时的训练时间长、提高了在使用该预设神经网络处理器处理深度学习任务时的训练稳定性和效率。
此外，本发明还提供一种深度学习框架确定装置，如图4所示，所述深度学习框架确定装置包括：
建立模块10，用于建立两个或两个以上预设深度学习框架对应的深度学习仿真实验任务；
处理模块20，用于通过预设神经网络处理器处理各所述深度学习仿真实验任务；
记录模块30，用于在各所述深度学习仿真实验任务完成后分别记录各所述预设深度学习框架对应的性能指标；
评分模块40，用于基于所述性能指标对各所述预设深度学习框架进行评分，得到评分结果；
选取模块50，用于选取所述评分结果中评分最高的预设深度学习框架为最适合所述预设神经网络处理器的深度学习框架。
进一步地，所述处理模块20包括：
处理单元，用于在预设实验环境下，通过所述预设神经网络处理器逐一处理各所述深度学习仿真实验任务。
进一步地，所述处理模块20或所述处理单元包括：
训练单元，用于基于所述预设神经网络处理器对各所述深度学习仿真实验任务对应的神经网络模型进行训练；
所述记录模块30包括：
记录单元，用于分别记录各所述神经网络模型在训练结束后的性能指标。
进一步地，所述评分模块40包括：
评分单元，用于基于所述性能指标分别对各所述深度学习仿真实验任务进行评分；
计算单元，用于基于各所述深度学习仿真实验任务的评分计算各所述预设深度学习框架的评分，得到评分结果。
进一步地，所述评分单元包括：
配置子单元，用于基于预设性能指标权重系数配置所述深度学习仿真实验任务对应的训练结束后神经网络模型的准确率、所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的能耗和所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的时耗对应的权重；
评分子单元，用于基于所述权重对各所述深度学习仿真实验任务进行评分。
进一步地，所述计算单元包括：
计算子单元，用于分别计算各所述预设深度学习框架对应的各所述深度学习仿真实验任务的评分之和，得到评分结果。
本发明深度学习框架确定装置具体实施方式与上述深度学习框架确定方法各实施例基本相同，在此不再赘述。
此外，本发明还提供一种深度学习框架确定设备。如图5所示，图5是本发明实施例方案涉及的硬件运行环境的结构示意图。
需要说明的是，图5即可为深度学习框架确定设备的硬件运行环境的结构示意图。
如图5所示，该深度学习框架确定设备可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
可选地，深度学习框架确定设备还可以包括RF（Radio Frequency，射频）电路，传感器、音频电路、WiFi模块等等。
本领域技术人员可以理解，图5中示出的深度学习框架确定设备结构并不构成对深度学习框架确定设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图5所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及深度学习框架确定程序。其中，操作系统是管理和控制深度学习框架确定设备硬件和软件资源的程序，支持深度学习框架确定程序以及其它软件或程序的运行。
在图5所示的深度学习框架确定设备中，用户接口1003主要用于连接终端，与终端进行数据通信，如接收终端发送的预设训练数据集；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的深度学习框架确定程序，并执行如上所述的深度学习框架确定方法的步骤。
本发明深度学习框架确定设备具体实施方式与上述深度学习框架确定方法各实施例基本相同，在此不再赘述。
此外，本发明实施例还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有深度学习框架确定程序，所述深度学习框架确定程序被处理器执行时实现如上所述的深度学习框架确定方法的步骤。
本发明计算机可读存储介质具体实施方式与上述深度学习框架确定方法各实施例基本相同，在此不再赘述。
需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质（如ROM/RAM、磁碟、光盘）中，包括若干指令用以使得一台终端设备（可以是手机，计算机，服务器，设备，或者网络设备等）执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (16)
1.一种深度学习框架确定方法，其特征在于，所述深度学习框架确定方法包括以下步骤：
获取应用场景，并建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务；
处理各所述深度学习仿真实验任务，得到深度学习框架评分结果；
基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架。
2.如权利要求1所述的方法，其特征在于，所述建立与所述应用场景对应的至少两个深度学习框架对应的深度学习仿真实验任务，包括：
获取所述应用场景对应的至少两个神经网络模型的唯一标识；
遍历各所述神经网络模型的唯一标识，并基于所述至少两个深度学习框架实现各所述神经网络模型；
建立与各所述神经网络模型对应的所述深度学习仿真实验任务。
3.如权利要求1或2所述的方法，其特征在于，所述获取应用场景，包括：
获取至少两个应用场景，并遍历所述至少两个应用场景。
4.如权利要求3所述的方法，其特征在于，所述处理各所述深度学习仿真实验任务，得到深度学习框架评分结果，包括：
处理各所述深度学习仿真实验任务，得到各所述深度学习仿真实验任务的得分；
基于各所述深度学习仿真实验任务的得分计算所述至少两个深度学习框架的得分，得到所述深度学习框架评分结果。
5.如权利要求4所述的方法，其特征在于，所述处理各所述深度学习仿真实验任务，得到各所述深度学习仿真实验任务的得分，包括：
基于预设训练数据集，训练各所述深度学习仿真实验任务对应的神经网络模型；
记录各所述神经网络模型达到预设准确率的时间；
基于预设映射关系，将所述时间转换为各所述神经网络模型的得分，得到各所述深度学习仿真实验任务的得分。
6.如权利要求4所述的方法，其特征在于，所述基于各所述深度学习仿真实验任务的得分计算所述至少两个深度学习框架的得分，得到所述深度学习框架评分结果包括：
计算各所述深度学习框架对应的各所述深度学习仿真实验任务的得分之和，得到所述深度学习框架评分结果。
7.如权利要求4所述的方法，其特征在于，所述基于所述深度学习框架评分结果，选取评分最高的深度学习框架作为目标深度学习框架，包括：
建立各所述应用场景下各所述深度学习框架与所述深度学习框架评分结果的对应关系；
基于所述对应关系选取不同应用场景下评分最高的深度学习框架作为所述目标深度学习框架。
8.一种深度学习框架确定方法，其特征在于，所述深度学习框架确定方法包括以下步骤：
建立两个或两个以上预设深度学习框架对应的深度学习仿真实验任务；
通过预设神经网络处理器处理各所述深度学习仿真实验任务，并在各所述深度学习仿真实验任务完成后分别记录各所述预设深度学习框架对应的性能指标；
基于所述性能指标对各所述预设深度学习框架进行评分，得到评分结果；
选取所述评分结果中评分最高的预设深度学习框架为最适合所述预设神经网络处理器的深度学习框架。
9.如权利要求8所述的方法，其特征在于，所述通过预设神经网络处理器处理各所述深度学习仿真实验任务，包括：
在预设实验环境下，通过所述预设神经网络处理器逐一处理各所述深度学习仿真实验任务；所述预设神经网络处理器在处理各所述深度学习仿真实验任务时所处的实验环境均为所述预设实验环境。
10.如权利要求8或9所述的方法，其特征在于，所述通过预设神经网络处理器处理各所述深度学习仿真实验任务，并在各所述深度学习仿真实验任务完成后分别记录各所述预设深度学习框架对应的性能指标，包括：
基于所述预设神经网络处理器对各所述深度学习仿真实验任务对应的神经网络模型进行训练；
分别记录各所述神经网络模型在训练结束后的性能指标。
11.如权利要求10所述的方法，其特征在于，一所述预设深度学习框架对应两个或两个以上所述深度学习仿真实验任务，所述基于所述性能指标对各所述预设深度学习框架进行评分，得到评分结果，包括：
基于所述性能指标分别对各所述深度学习仿真实验任务进行评分；
基于各所述深度学习仿真实验任务的评分计算各所述预设深度学习框架的评分，得到评分结果。
12.如权利要求11所述的方法，其特征在于，所述基于所述性能指标分别对各所述深度学习仿真实验任务进行评分，包括：
基于预设性能指标权重系数配置所述深度学习仿真实验任务对应的训练结束后神经网络模型的准确率、所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的能耗和所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的时耗对应的权重；
基于所述权重对各所述深度学习仿真实验任务进行评分。
13.如权利要求11所述的方法，其特征在于，所述基于各所述深度学习仿真实验任务的评分计算各所述预设深度学习框架的评分，得到评分结果，包括：
分别计算各所述预设深度学习框架对应的各所述深度学习仿真实验任务的评分之和，得到评分结果。
14.如权利要求8或9所述的方法，其特征在于，所述性能指标包括：
所述深度学习仿真实验任务对应的训练结束后神经网络模型的准确率、所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的能耗和所述预设神经网络处理器完成所述深度学习仿真实验任务所产生的时耗。
15.一种深度学习框架确定设备，其特征在于，所述深度学习框架确定设备包括存储器、处理器和存储在所述存储器上并可在所述处理器上运行的深度学习框架确定程序，所述深度学习框架确定程序被所述处理器执行时实现如权利要求1至7中任一项所述的深度学习框架确定方法的步骤。
16.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有深度学习框架确定程序，所述深度学习框架确定程序被处理器执行时实现如权利要求1至7，8至14中任一项所述的深度学习框架确定方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011498964.5A CN112257856A (zh) | 2020-12-18 | 2020-12-18 | 深度学习框架确定方法、设备及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011498964.5A CN112257856A (zh) | 2020-12-18 | 2020-12-18 | 深度学习框架确定方法、设备及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112257856A true CN112257856A (zh) | 2021-01-22 |
Family
ID=74225299
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011498964.5A Pending CN112257856A (zh) | 2020-12-18 | 2020-12-18 | 深度学习框架确定方法、设备及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112257856A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434817A (zh) * | 2021-01-26 | 2021-03-02 | 鹏城实验室 | 构建通信算法数据库的方法、装置和计算机存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109460827A (zh) * | 2018-11-01 | 2019-03-12 | 郑州云海信息技术有限公司 | 一种深度学习环境的搭建与优化方法和系统 |
| CN110032449A (zh) * | 2019-04-16 | 2019-07-19 | 苏州浪潮智能科技有限公司 | 一种优化gpu服务器的性能的方法及装置 |
| WO2020051053A1 (en) * | 2018-09-06 | 2020-03-12 | Nec Laboratories America, Inc. | Domain adaptation for instance detection and segmentation |
| CN111290785A (zh) * | 2020-03-06 | 2020-06-16 | 北京百度网讯科技有限公司 | 评估深度学习框架系统兼容性的方法、装置、电子设备以及存储介质 |
-
2020
- 2020-12-18 CN CN202011498964.5A patent/CN112257856A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020051053A1 (en) * | 2018-09-06 | 2020-03-12 | Nec Laboratories America, Inc. | Domain adaptation for instance detection and segmentation |
| CN109460827A (zh) * | 2018-11-01 | 2019-03-12 | 郑州云海信息技术有限公司 | 一种深度学习环境的搭建与优化方法和系统 |
| CN110032449A (zh) * | 2019-04-16 | 2019-07-19 | 苏州浪潮智能科技有限公司 | 一种优化gpu服务器的性能的方法及装置 |
| CN111290785A (zh) * | 2020-03-06 | 2020-06-16 | 北京百度网讯科技有限公司 | 评估深度学习框架系统兼容性的方法、装置、电子设备以及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| MADHUMITHA NARA 等: "Performance Evaluation of Deep Learning frameworks on Computer Vision problems", 《PROCEEDINGS OF THE THIRD INTERNATIONAL CONFERENCE ON TRENDS IN ELECTRONICS AND INFORMATICS (ICOEI 2019)》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112434817A (zh) * | 2021-01-26 | 2021-03-02 | 鹏城实验室 | 构建通信算法数据库的方法、装置和计算机存储介质 |
| CN112434817B (zh) * | 2021-01-26 | 2021-05-28 | 鹏城实验室 | 构建通信算法数据库的方法、装置和计算机存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109697451B (zh) | 相似图像聚类方法及装置、存储介质、电子设备 | |
| CN111667056B (zh) | 用于搜索模型结构的方法和装置 | |
| CN110264274B (zh) | 客群划分方法、模型生成方法、装置、设备及存储介质 | |
| CN111414987A (zh) | 神经网络的训练方法、训练装置和电子设备 | |
| CN110222330B (zh) | 语义识别方法及装置、存储介质、计算机设备 | |
| CN111275199A (zh) | 一种深度学习模型文件的转换方法、系统、计算机设备及计算机可读存储介质 | |
| CN111079780A (zh) | 空间图卷积网络的训练方法、电子设备及存储介质 | |
| US20240232575A1 (en) | Neural network obtaining method, data processing method, and related device | |
| CN110879776A (zh) | 一种测试用例的生成方法和装置 | |
| CN111199540A (zh) | 图像质量评价方法、装置、电子设备及存储介质 | |
| EP4339843A1 (en) | Neural network optimization method and apparatus | |
| CN112668608A (zh) | 一种图像识别方法、装置、电子设备及存储介质 | |
| CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
| CN112070542A (zh) | 信息转化率预测方法、装置、设备及可读存储介质 | |
| CN112257856A (zh) | 深度学习框架确定方法、设备及可读存储介质 | |
| CN114511083A (zh) | 一种模型的训练方法、装置、存储介质及电子装置 | |
| CN113361384A (zh) | 人脸识别模型压缩方法、设备、介质及计算机程序产品 | |
| CN113780365A (zh) | 样本生成方法和装置 | |
| CN112860736A (zh) | 大数据查询优化方法、设备及可读存储介质 | |
| CN110348581B (zh) | 用户特征群中用户特征寻优方法、装置、介质及电子设备 | |
| CN111324344A (zh) | 代码语句的生成方法、装置、设备及可读存储介质 | |
| CN111291868A (zh) | 网络模型训练方法、装置、设备及计算机可读存储介质 | |
| CN112948251B (zh) | 软件自动测试方法及装置 | |
| CN113190154B (zh) | 模型训练、词条分类方法、装置、设备、存储介质及程序 | |
| CN110705627A (zh) | 目标检测方法、目标检测系统、装置及可读存储介质 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210122 |
|
| RJ01 | Rejection of invention patent application after publication |