CN112541577A - 神经网络生成方法及装置、电子设备和存储介质 - Google Patents
神经网络生成方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN112541577A CN112541577A CN202011487276.9A CN202011487276A CN112541577A CN 112541577 A CN112541577 A CN 112541577A CN 202011487276 A CN202011487276 A CN 202011487276A CN 112541577 A CN112541577 A CN 112541577A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network
- target neural
- target
- electronic device
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 284
- 238000000034 method Methods 0.000 title claims abstract description 91
- 238000003860 storage Methods 0.000 title claims abstract description 24
- 238000012549 training Methods 0.000 claims abstract description 61
- 238000004806 packaging method and process Methods 0.000 claims abstract description 27
- 238000005538 encapsulation Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 51
- 230000008569 process Effects 0.000 claims description 27
- 238000000605 extraction Methods 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 15
- 238000010586 diagram Methods 0.000 description 20
- 230000006870 function Effects 0.000 description 15
- 238000001514 detection method Methods 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000012856 packing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000001902 propagating effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000007499 fusion processing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012360 testing method Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
Abstract
本公开涉及一种神经网络生成方法及装置、电子设备和存储介质，所述方法包括：响应于针对目标神经网络的网络设置操作，根据被选中的网络块进行网络设置，得到所述目标神经网络；响应于针对所述目标神经网络的训练操作，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络；对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件；将所述封装文件发送到第二电子设备，以使所述第二电子设备根据所述封装文件部署所述目标神经网络。本公开实施例可提高目标神经网络的训练效率及精度。
Description
技术领域
本公开涉及计算机技术领域，尤其涉及一种神经网络生成方法及装置、电子设备和存储介质。
背景技术
随着计算机视觉的飞速发展，物体检测技术在生活中的很多领域都有重要应用。例如：相机的笑脸抓拍功能，第一步就是对人脸进行检测，然后才是笑脸识别和抓拍。又如：在自动驾驶领域，则需要时刻对行人，车辆，障碍物进行检测识别以实现安全驾驶。
发明内容
本公开提出了一种用于生成神经网络的技术方案。
根据本公开的一方面，提供了一种神经网络生成方法，应用于第一电子设备，所述方法包括：
响应于针对目标神经网络的网络设置操作，根据被选中的网络块进行网络设置，得到所述目标神经网络；
响应于针对所述目标神经网络的训练操作，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络；
对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件；
将所述封装文件发送到第二电子设备，以使所述第二电子设备根据所述封装文件部署所述目标神经网络。
在一种可能的实现方式中，在根据预设的目标数据集训练所述目标神经网络之前，所述方法还包括：
响应于针对目标神经网络的数据设置操作，确认被选中的数据集，并根据所述被选中的数据集，生成所述目标数据集。
在一种可能的实现方式中，所述目标神经网络包括特征提取子网络及任务分支子网络，
所述根据被选中的网络块进行网络设置，得到所述目标神经网络，包括：
根据所述网络块中对应于特征提取子网络的第一网络块以及对应于任务分支子网络的第二网络块，分别生成所述特征提取子网络及所述任务分支子网络；
根据所述特征提取子网络及所述任务分支子网络，得到所述目标神经网络。
在一种可能的实现方式中，所述方法还包括：
针对采用第三方语言实现的第三网络块，采用预设格式对所述第三网络块进行封装，得到第四网络块；
所述根据被选中的网络块进行网络设置，包括：
在被选中的网络块中包括第三网络块时，调用与所述第三网络块对应的第四网络块。
在一种可能的实现方式中，所述根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络，包括：
根据第三电子设备的处理进程的预设数量，将所述目标数据集拆分为多个子数据集，所述第三电子设备包括分布式处理设备；
将各个子数据集及所述目标神经网络分别发送到所述第三电子设备的处理进程，以使所述第三电子设备的处理进程并行训练所述目标神经网络，得到所述目标神经网络的网络参数；
在接收到所述第三电子设备发送的网络参数的情况下，确定训练后的目标神经网络。
在一种可能的实现方式中，所述对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件，包括：
根据所述第二电子设备所支持的目标格式，对所述训练后的目标神经网络进行格式转换，得到所述目标格式的目标神经网络；
对所述目标格式的目标神经网络进行封装，得到所述封装文件。
在一种可能的实现方式中，所述根据所述第二电子设备所支持的目标格式，对所述训练后的目标神经网络进行格式转换，得到所述目标格式的目标神经网络，包括：
基于开放神经网络交换ONNX协议，将所述训练后的目标神经网络由原始格式转换为第二电子设备所支持的目标格式，得到所述目标格式的目标神经网络。
根据本公开的一方面，提供了一种神经网络生成装置，应用于第一电子设备，所述装置包括：
网络设置模块，用于响应于针对目标神经网络的网络设置操作，根据被选中的网络块进行网络设置，得到所述目标神经网络；
训练模块，用于响应于针对所述目标神经网络的训练操作，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络；
打包模块，用于对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件，并将所述封装文件发送到第二电子设备，以使所述第二电子设备根据所述封装文件部署所述目标神经网络。
在一种可能的实现方式中，所述装置还包括：
数据定义模块，用于响应于针对目标神经网络的数据设置操作，确认被选中的数据集，并根据所述被选中的数据集，生成所述目标数据集。
在一种可能的实现方式中，所述目标神经网络包括特征提取子网络及任务分支子网络，所述网络设置模块还用于：
根据所述网络块中对应于特征提取子网络的第一网络块以及对应于任务分支子网络的第二网络块，分别生成所述特征提取子网络及所述任务分支子网络；
根据所述特征提取子网络及所述任务分支子网络，得到所述目标神经网络。
在一种可能的实现方式中，所述装置还包括：
扩展模块，用于针对采用第三方语言实现的第三网络块，采用预设格式对所述第三网络块进行封装，得到第四网络块；
所述网络设置模块，还用于：
在被选中的网络块中包括第三网络块时，调用与所述第三网络块对应的第四网络块。
在一种可能的实现方式中，所述训练模块还用于：
根据第三电子设备的处理进程的预设数量，将所述目标数据集拆分为多个子数据集，所述第三电子设备包括分布式处理设备；
将各个子数据集及所述目标神经网络分别发送到所述第三电子设备的处理进程，以使所述第三电子设备的处理进程并行训练所述目标神经网络，得到所述目标神经网络的网络参数；
在接收到所述第三电子设备发送的网络参数的情况下，确定训练后的目标神经网络。
在一种可能的实现方式中，所述打包模块还用于：
根据所述第二电子设备所支持的目标格式，对所述训练后的目标神经网络进行格式转换，得到所述目标格式的目标神经网络；
对所述目标格式的目标神经网络进行封装，得到所述封装文件。
在一种可能的实现方式中，所述打包模块还用于：
基于开放神经网络交换ONNX协议，将所述训练后的目标神经网络由原始格式转换为第二电子设备所支持的目标格式，得到所述目标格式的目标神经网络。
根据本公开的一方面，提供了一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
根据本公开的一方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中，第一电子设备可以响应于针对目标神经网络的网络设置操作，根据被选中的网络块进行网络设置，得到所述目标神经网络，并响应于针对所述目标神经网络的训练操作，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络，对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件。第一电子设备可以将所述封装文件发送到第二电子设备，以使所述第二电子设备根据所述封装文件部署所述目标神经网络。根据本公开实施例提供的神经网络生成方法及装置、电子设备和存储介质，可以通过预先集成的网络块快速定义目标神经网络，提高了目标神经网络的训练效率及精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的神经网络生成方法的流程图；
图2示出根据本公开实施例的神经网络生成方法的示意图；
图3示出根据本公开实施例的神经网络生成方法的示意图；
图4示出根据本公开实施例的神经网络生成装置的框图；
图5示出根据本公开实施例的一种电子设备800的框图；
图6示出根据本公开实施例的一种电子设备1900的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
提供一个高效、精准的物体检测网络需要考虑很多方面的问题。首先，是检测精度的问题，传统的物体检测方法由于方法和数据上的局限性，很难满足实际应用的需求。其次，基于深度学习的物体检测网络的训练过程，需要对海量样本数据进行训练，因此需要提供高效的训练方式。最后，在网络的部署环节，往往需要对网络进行格式转换以便部署到不同平台，加速推理。
本公开实施例提供了一种神经网络生成方法，可以高效的生成高精度、高性能和易部署的目标神经网络。
图1示出根据本公开实施例的神经网络生成方法的流程图，所述神经网络生成方法可以通过服务器执行。如图1所示，所述神经网络生成方法可以包括：
在步骤S11中，响应于针对目标神经网络的网络设置操作，根据被选中的网络块进行网络设置，得到所述目标神经网络。
举例来说，第一电子设备可以为运行网络框架的服务器，网络框架为用于开发神经网络的系统。用户可以调用目标神经网络的设置界面(config界面)，并在该设置界面中设置目标神经网络。其中，针对目标神经网络的网络设置操作，可以包括针对目标神经网络中所调用的网络块的选中操作，用户可以通过命令行的方式选中所需调用的网络块，例如：在命令行中写入选中的网络块的名字等标识信息。进而根据针对目标神经网络的设置操作，可以选中目标神经网络中各模块采用的网络块，并根据选中的网络块组成目标神经网络。
示例性的，网络框架中可以预先集成多个网络块，其中网络块可以包括网络结构和/或网络算法，网络结构至少可以包括ResNet系列，ResNeXt系列，SENet系列，MobileNet，ShuffleNet，EfficientNet中的至少一项，网络算法至少可以包括Faster R-CNN，Mask R-CNN，Keypoint R-CNN，Cascade R-CNN，Grid R-CNN，RFCN，RetinaNet，GHM，ATSS，EfficientDet，OHEM，DCN，EQL中的至少一项。本公开对网络结构及网络算法的具体类型不作限制。
本公开实施例提供的神经网络生成方法，预先集成了在检测精度与检测效率等方面各有优劣的网络结构和网络算法，可以从预先集成的网络块中调用选中的网络块，以得到目标神经网络，这样可以降低由于网络算法和网络结构的局限性，灵活设计目标神经网络，快速地进行算法创新。
在步骤S12中，响应于针对所述目标神经网络的训练操作，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络。
举例来说，在得到目标神经网络后，可以根据预设的目标数据集训练目标神经网络。其中，目标数据集中包括多个样本数据，各样本数据具有标注信息。
上述针对目标神经网络的训练操作，可以为针对控件的触发操作，该控件可以为用于触发训练指令的控件。或者，上述针对目标神经网络的训练操作，可以为通过命令行输入训练指令。可以响应于训练指令，调用目标数据集训练目标神经网络。例如，可以将目标数据集中的样本数据做为目标神经网络的输入信息，根据目标神经网络的输出信息及样本数据的标注信息，确定目标神经网络的网络损失，进而根据网络损失调整目标神经网络的网络参数，具体目标神经网络的训练过程，本公开实施例不再赘述。
在步骤S13中，对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件；
在步骤S14中，将所述封装文件发送到第二电子设备，以使所述第二电子设备根据所述封装文件部署所述目标神经网络。
举例来说，第二电子设备可以为终端设备或服务器等，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在训练完成后，第一电子设备可以对训练后的目标神经网络进行封装，以得到目标神经网络的封装文件，并可以将封装文件发送至第二电子设备，以使得第二电子设备可以直接根据封装文件进行目标神经网络的部署，例如：第二电子设备可以将目标神经网络部署到相应的应用中。
这样一来，第一电子设备可以响应于针对目标神经网络的网络设置操作，根据被选中的网络块进行网络设置，得到所述目标神经网络，并响应于针对所述目标神经网络的训练操作，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络，对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件。第一电子设备可以将所述封装文件发送到第二电子设备，以使所述第二电子设备根据所述封装文件部署所述目标神经网络。根据本公开实施例提供的神经网络生成方法，可以通过预先集成的网络块快速定义目标神经网络，提高了目标神经网络的训练效率及精度。
在一种可能的实现方式中，在步骤S12中训练目标神经网络之前，所述方法还可以包括：
响应于针对目标神经网络的数据设置操作，确认被选中的数据集，并根据所述被选中的数据集，生成所述目标数据集。
举例来说，网络框架或者第一电子设备本地可以预先存储至少一个数据集，各数据集中包括多个样本数据，各样本数据具有标注信息。可以响应于用户针对目标数据集的选中操作，确定用于训练目标神经网络的目标数据集。示例性的，用户可以通过命令行的方式指定目标数据集，例如：通过命令行输入目标数据集的名称等标识信息、或者通过命令行输入目标数据集的路径信息等。
例如，某手机厂商在开发相册的人脸聚类功能的过程中，可以通过收集大量的相册图片，并存储收集的相册图像至本地的相册文件夹中，可以通过在命令行中输入该相册文件夹的路径信息，将该相册文件夹确定为目标数据集，以通过该目标数据集训练人脸检测网络，在并将训练得到的人脸检测网络封装布局到人脸聚类功能中，实现相册的脸聚类功能。
这样，本公开实施例可以提供丰富的训练集进行目标神经网络的训练，也可以自定义用于训练目标神经网络的目标数据集，缓解了数据对目标神经网络开发的局限性，便于灵活开发目标神经网络。
在一种可能的实现方式中，所述目标神经网络包括特征提取子网络及任务分支子网络，在步骤S11中，根据被选中的网络块进行网络设置，得到所述目标神经网络，可以包括：
根据所述网络块中对应于特征提取子网络的第一网络块以及对应于任务分支子网络的第二网络块，分别生成所述特征提取子网络及所述任务分支子网络；
根据所述特征提取子网络及所述任务分支子网络，得到所述目标神经网络。
举例来说，目标神经网络可以分为特征提取子网络及至少一个任务分支子网络，也即，目标神经网络可以划分为“特征提取子网络+任务分支子网络”的结构。其中，特征提取子网络为用于进行特征提取的网络，可以包括backbone和neck，其中backbone为用于进行特征提取的主干网络，neck为对提取的特征进行融合处理的网络。任务分支子网络为利用特征提取子网络提取的特征进行推理的网络，可以包括不同的head。
示例性的，用户可以在目标神经网络对应的config界面中，配置特征提取子网络对应的第一网络块及任务分支子网络对应的第二网络块。例如：可以在config界面中特征子网络对应的命令行中，输入第一网络块的标识信息，以配置得到特征子网络；在任务分支子网络对应的命令行中，输入第二网络块的标识信息，以配置得到任务分支子网络；进而根据特征自网络及任务分支子网络，得到目标神经网络。
这样一来，本公开实施例通过模块化低耦合高内聚的设计结构设计目标神经网络，灵活支持丰富的网络搭建及算法扩展，便于用户操作使用生成相应的目标神经网络。
在一种可能的实现方式中，所述方法还可以包括：
针对采用第三方语言实现的第三网络块，采用预设格式对所述第三网络块进行封装，得到第四网络块；
在步骤S12中，根据被选中的网络块进行网络设置，可以包括：
在被选中的网络块中包括第三网络块时，调用与所述第三网络块对应的第四网络块。
举例来说，假设网络框架采用的开发语言为Python语言，对于一些计算密集型的操作，使用Python语言会降低程序运行效率，故可以采用第三语言进行适当的优化，也即引入第三方语言的第三网络块，并采用Python语言格式进行封装，可以得到第四网络块供框架调用。例如：对于使用如C++和CUDA实现的第三网络块，可以使用Python进行封装，供外部接口调用。
当用户基于运行效率等因素，选中第三网络块构建目标神经网络时，第二电子设备可以调用该第三网络块对应的第四网络块。这样一来，可以为第三方语言的实现提供了编译链接的过程，使得第三方语言实现的第三网络块变成了可以被Python直接调用的动态库。
在一种可能的实现方式中，在步骤S13中，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络，可以包括：
根据第三电子设备的处理进程的预设数量，将所述目标数据集拆分为多个子数据集，所述第三电子设备包括分布式处理设备；
将各个子数据集及所述目标神经网络分别发送到所述第三电子设备的多个处理进程，以使所述第三电子设备的处理进程并行训练所述目标神经网络，得到所述目标神经网络的网络参数；
在接收到所述第三电子设备发送的网络参数的情况下，确定训练后的目标神经网络。
举例来说，为了提高目标神经网络的训练速度，可以采用分布式训练方法训练目标神经网络。第三电子设备可以包括分布式处理设备，可以根据需求确定第三电子设备的处理进程的预设数量，对目标数据集进行拆分，得到预置数量个子数据集。第一电子设备可以将各子数据集及目标神经网络分别发送至第三电子设备的处理进程中，以并行训练目标神经网络。
需要说明的是，在第一电子设备具备分布式训练功能时，第三电子设备可以与第一电子设备为同一设备，例如：在第一电子设备为服务器时，第三电子设备可以为第一电子设备。或者，第三电子设备与第一电子设备也可以为不同的设备，例如：在第一电子设备为不具备分布式训练功能的终端设备时，第三电子设备可以为服务器，或者在第一电子设备为服务器时，第三电子设备可以为区别于第一电子设备的服务器。或者，在第一电子设备为分布式集群时，第三电子设备可以为第一电子设备中的一个训练节点。
示例性的，如图2所示，第三电子设备可以同时启动n个处理进程，同时第一电子设备可以将目标数据集进行n等分，得到n个子数据集，并将每一子数据集及目标神经网络分别发送至第三电子设备的每个处理进程，每一处理进程可以并行的独立进行一次迭代训练(例如：处理进程1中采用第1个子数据集对目标神经网络进行迭代训练，处理进程2中采用第2个子数据集对目标神经网络进行迭代训练，……，处理进程n中采用第n个子数据集对目标神经网络进行迭代训练)，第一电子设备可以将各处理进程训练得到的目标神经网络的网络参数进行一次同步(例如：求平均值)处理，以得到目标神经网络的网络参数，完成一次完整的分布式迭代训练。
这样一来，本公开实施例提供可以分布式训练目标神经网络，可以提高目标神经网络的训练速度，缩短训练周期，在短时间内获得更高的精度，满足深度学习背景下大规模训练的生产需求。
在一种可能的实现方式中，步骤S13中，对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件，可以包括：
根据所述第二电子设备所支持的目标格式，对所述训练后的目标神经网络进行格式转换，得到所述目标格式的目标神经网络；
对所述目标格式的目标神经网络进行封装，得到所述封装文件。
举例来说，不同的平台上部署目标神经网络时所支持的格式可能并不相同(目标神经网络的格式至少可以包括PyTorch、Caffe(Convolutional Architecture for FastFeature Embedding，快速特征嵌入的卷积结构)、C++(the C++Programming Language/cplus plus，面向对象的程序设计)、CUDA(Compute Unified Device Architecture，统一计算设备架构)中的至少一种)，则第一电子设备可以根据第二电子设备所支持的目标格式，对训练后的目标神经网络进行格式转换，得到目标格式的目标神经网络。
在一种可能的实现方式中，所述根据所述第二电子设备所支持的目标格式，对所述训练后的目标神经网络进行格式转换，得到所述目标格式的目标神经网络，可以包括：
基于开放神经网络交换ONNX协议，将所述训练后的目标神经网络由原始格式转换为第二电子设备所支持的目标格式，得到所述目标格式的目标神经网络。
示例性的，训练得到的目标神经网络为Python版本，也即目标神经网络的原始格式PyTorch格式，则可以根据第二电子设备所支持的目标格式对Python版本的目标神经网络进行格式转换，以可以基于开放神经网络交换(Open Neural Network Exchange，ONNX)协议，将训练后的目标神经网络由PyTorch格式转换成目标格式。假设目标格式为Caffe格式，首先可以使用模型转换工具，通过ONNX协议将PyTorch格式的目标神经网络转化为Caffe格式的目标神经网络，然后通过模型转换工具提供的模型序列化工具对转化后的Caffe格式的目标神经网络进行加速和网络整合，然后将整合后Caffe格式的目标神经网络进行打包，得到可以直接在第二电子设备端运行的轻量网络。其中，在训练后的目标神经网络转换成C++格式或者CUDA格式后，目标神经网络通过动态链接技术可以方便地在不同平台上进行部署。
这样一来，本公开实施例提供的神经网络生成方法可以根据第二电子设备支持的目标格式对训练后的目标神经网络进行格式转换，可以实现目标神经网络的端到端进行训练和部署，使得目标神经网络的部署更为简易。
实际上，第一电子设备也可以直接将训练好的目标神经网络直接转换成多种格式，并将多种格式的目标神经网络分别进行封装后，将第二电子设备支持的目标格式对应的封装文件发送至第二电子设备进行相应部署，本公开实施例对此不作限定。
为使本领域技术人员更好的理解本公开实施例，以下通过具体示例对本公开实施例加以说明。
参照图3，在初始化环境下，用户可以构建数据集，并在网络框架中通过预先集成的网络块构建目标神经网络，将构建的数据集作为用于训练目标神经网络的目标数据集。采用分布式训练所述目标神经网络，得到训练后的目标神经网络。在得到训练后的目标神经网络后，可以对训练后的目标神经网络进行测试，在测试通过后对训练后的目标神经网络进行相应的格式转换后进行封装，得到目标神经网络的封装文件，发送目标神经网络的封装文件至第二电子设备，完成交付。第二电子设备可以根据封装文件进行目标神经网络的部署。
根据本公开实施例提供的网络生成方法，不仅通过模块化低耦合高内聚的设计结构设计目标神经网络，预先集成在检测精度与检测效率等方面各有优劣的网络结构和网络算法，并且提供第三方语言的扩展接口，以及构建用于训练目标神经网络的目标数据集，可以缓解方法和数据的局限性，灵活构建目标神经网络和训练目标神经网络，提高了目标神经网络的训练效率及精度。
可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外，本公开还提供了神经网络生成装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种神经网络生成方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。
图4示出根据本公开实施例的神经网络生成装置的框图，应用于第一电子设备，如图4所示，所述装置可以包括：
网络设置模块41，可以用于响应于针对目标神经网络的网络设置操作，根据被选中的网络块进行网络设置，得到所述目标神经网络；
训练模块42，可以用于响应于针对所述目标神经网络的训练操作，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络；
打包模块43，可以用于对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件，并将所述封装文件发送到第二电子设备，以使所述第二电子设备根据所述封装文件部署所述目标神经网络。
这样一来，第一电子设备可以响应于针对目标神经网络的网络设置操作，根据被选中的网络块进行网络设置，得到所述目标神经网络，并响应于针对所述目标神经网络的训练操作，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络，对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件。第一电子设备可以将所述封装文件发送到第二电子设备，以使所述第二电子设备根据所述封装文件部署所述目标神经网络。根据本公开实施例提供的网络生成装置，可以通过预先集成的网络块快速定义目标神经网络，提高了目标神经网络的训练效率及精度。
在一种可能的实现方式中，所述装置还可以包括：
数据定义模块44，可以用于响应于针对目标神经网络的数据设置操作，确认被选中的数据集，并根据所述被选中的数据集，生成所述目标数据集。
在一种可能的实现方式中，所述目标神经网络包括特征提取子网络及任务分支子网络，所述网络设置模块41还可以用于：
根据所述网络块中对应于特征提取子网络的第一网络块以及对应于任务分支子网络的第二网络块，分别生成所述特征提取子网络及所述任务分支子网络；
根据所述特征提取子网络及所述任务分支子网络，得到所述目标神经网络。
在一种可能的实现方式中，所述装置还可以包括：
扩展模块45，可以用于针对采用第三方语言实现的第三网络块，采用预设格式对所述第三网络块进行封装，得到第四网络块；
所述网络设置模块41还可以用于：
在被选中的网络块中包括第三网络块时，调用与所述第三网络块对应的第四网络块。
在一种可能的实现方式中，所述训练模块42还可以用于：根据第三电子设备的处理进程的预设数量，将所述目标数据集拆分为多个子数据集，所述第三电子设备包括分布式处理设备；
将各个子数据集及所述目标神经网络分别发送到所述第三电子设备的处理进程，以使所述第三电子设备的处理进程并行训练所述目标神经网络，得到所述目标神经网络的网络参数；
在接收到所述第三电子设备发送的网络参数的情况下，确定训练后的目标神经网络。
在一种可能的实现方式中，所述打包模块43还可以用于：
根据所述第二电子设备所支持的目标格式，对所述训练后的目标神经网络进行格式转换，得到所述目标格式的目标神经网络；
对所述目标格式的目标神经网络进行封装，得到所述封装文件。
在一种可能的实现方式中，所述打包模块43还可以用于：
基于开放神经网络交换ONNX协议，将所述训练后的目标神经网络由原始格式转换为第二电子设备所支持的目标格式，得到所述目标格式的目标神经网络。
在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。
本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行上述方法。
本公开实施例还提供了一种计算机程序产品，包括计算机可读代码，当计算机可读代码在设备上运行时，设备中的处理器执行用于实现如上任一实施例提供的神经网络生成方法的指令。
本公开实施例还提供了另一种计算机程序产品，用于存储计算机可读指令，指令被执行时使得计算机执行上述任一实施例提供的神经网络生成方法的操作。
电子设备可以被提供为终端、服务器或其它形态的设备。
图5示出根据本公开实施例的一种电子设备800的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。
参照图5，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。
处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如互补金属氧化物半导体(CMOS)或电荷耦合装置(CCD)图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如无线网络(WiFi)，第二代移动通信技术(2G)或第三代移动通信技术(3G)，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图6示出根据本公开实施例的一种电子设备1900的框图。例如，电子设备1900可以被提供为一服务器。参照图6，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如微软服务器操作系统(Windows ServerTM)，苹果公司推出的基于图形用户界面操作系统(Mac OSXTM)，多用户多进程的计算机操作系统(UnixTM),自由和开放原代码的类Unix操作系统(LinuxTM)，开放原代码的类Unix操作系统(FreeBSDTM)或类似。
在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是(但不限于)电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分，所述模块、程序段或指令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。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，两个连续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动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。
该计算机程序产品可以具体通过硬件、软件或其结合的方式实现。在一个可选实施例中，所述计算机程序产品具体体现为计算机存储介质，在另一个可选实施例中，计算机程序产品具体体现为软件产品，例如软件开发包(Software Development Kit，SDK)等等。
以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种神经网络生成方法，其特征在于，应用于第一电子设备，所述方法包括：
响应于针对目标神经网络的网络设置操作，根据被选中的网络块进行网络设置，得到所述目标神经网络；
响应于针对所述目标神经网络的训练操作，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络；
对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件；
将所述封装文件发送到第二电子设备，以使所述第二电子设备根据所述封装文件部署所述目标神经网络。
2.根据权利要求1所述的方法，其特征在于，在根据预设的目标数据集训练所述目标神经网络之前，所述方法还包括：
响应于针对目标神经网络的数据设置操作，确认被选中的数据集，并根据所述被选中的数据集，生成所述目标数据集。
3.根据权利要求1所述的方法，其特征在于，所述目标神经网络包括特征提取子网络及任务分支子网络，
所述根据被选中的网络块进行网络设置，得到所述目标神经网络，包括：
根据所述网络块中对应于特征提取子网络的第一网络块以及对应于任务分支子网络的第二网络块，分别生成所述特征提取子网络及所述任务分支子网络；
根据所述特征提取子网络及所述任务分支子网络，得到所述目标神经网络。
4.根据权利要求1所述的方法，其特征在于，所述方法还包括：
针对采用第三方语言实现的第三网络块，采用预设格式对所述第三网络块进行封装，得到第四网络块；
所述根据被选中的网络块进行网络设置，包括：
在被选中的网络块中包括第三网络块时，调用与所述第三网络块对应的第四网络块。
5.根据权利要求1所述的方法，其特征在于，所述根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络，包括：
根据第三电子设备的处理进程的预设数量，将所述目标数据集拆分为多个子数据集，所述第三电子设备包括分布式处理设备；
将各个子数据集及所述目标神经网络分别发送到所述第三电子设备的处理进程，以使所述第三电子设备的处理进程并行训练所述目标神经网络，得到所述目标神经网络的网络参数；
在接收到所述第三电子设备发送的网络参数的情况下，确定训练后的目标神经网络。
6.根据权利要求1所述的方法，其特征在于，所述对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件，包括：
根据所述第二电子设备所支持的目标格式，对所述训练后的目标神经网络进行格式转换，得到所述目标格式的目标神经网络；
对所述目标格式的目标神经网络进行封装，得到所述封装文件。
7.根据权利要求6所述的方法，其特征在于，所述根据所述第二电子设备所支持的目标格式，对所述训练后的目标神经网络进行格式转换，得到所述目标格式的目标神经网络，包括：
基于开放神经网络交换ONNX协议，将所述训练后的目标神经网络由原始格式转换为第二电子设备所支持的目标格式，得到所述目标格式的目标神经网络。
8.一种神经网络生成装置，其特征在于，应用于第一电子设备，所述装置包括：
网络设置模块，用于响应于针对目标神经网络的网络设置操作，根据被选中的网络块进行网络设置，得到所述目标神经网络；
训练模块，用于响应于针对所述目标神经网络的训练操作，根据预设的目标数据集训练所述目标神经网络，得到训练后的目标神经网络；
打包模块，用于对所述训练后的目标神经网络进行封装，得到所述目标神经网络的封装文件，并将所述封装文件发送到第二电子设备，以使所述第二电子设备根据所述封装文件部署所述目标神经网络。
9.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011487276.9A CN112541577A (zh) | 2020-12-16 | 2020-12-16 | 神经网络生成方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011487276.9A CN112541577A (zh) | 2020-12-16 | 2020-12-16 | 神经网络生成方法及装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112541577A true CN112541577A (zh) | 2021-03-23 |
Family
ID=75018929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011487276.9A Pending CN112541577A (zh) | 2020-12-16 | 2020-12-16 | 神经网络生成方法及装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112541577A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883654A (zh) * | 2021-03-24 | 2021-06-01 | 国家超级计算天津中心 | 一种基于数据驱动的模型训练系统 |
| CN113095485A (zh) * | 2021-04-19 | 2021-07-09 | 上海商汤科技开发有限公司 | 性能指标确定方法及装置、系统、电子设备和存储介质 |
| CN113702719A (zh) * | 2021-08-03 | 2021-11-26 | 北京科技大学 | 一种基于神经网络的宽带近场电磁定位方法及装置 |
| WO2023125869A1 (zh) * | 2021-12-31 | 2023-07-06 | 维沃移动通信有限公司 | Ai网络信息传输方法、装置及通信设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109919300A (zh) * | 2019-02-25 | 2019-06-21 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置以及图像处理方法及装置 |
| CN110210535A (zh) * | 2019-05-21 | 2019-09-06 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置以及图像处理方法及装置 |
| CN110334809A (zh) * | 2019-07-03 | 2019-10-15 | 成都淞幸科技有限责任公司 | 一种人工智能算法的构件封装方法及系统 |
| CN111382864A (zh) * | 2018-12-29 | 2020-07-07 | 中科寒武纪科技股份有限公司 | 一种神经网络训练方法及装置 |
| CN111860817A (zh) * | 2020-07-10 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 一种网络模型部署方法、装置、设备及可读存储介质 |
| CN111985624A (zh) * | 2020-08-31 | 2020-11-24 | 商汤集团有限公司 | 神经网络训练和部署方法、文本翻译方法及相关产品 |
-
2020
- 2020-12-16 CN CN202011487276.9A patent/CN112541577A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111382864A (zh) * | 2018-12-29 | 2020-07-07 | 中科寒武纪科技股份有限公司 | 一种神经网络训练方法及装置 |
| CN109919300A (zh) * | 2019-02-25 | 2019-06-21 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置以及图像处理方法及装置 |
| CN110210535A (zh) * | 2019-05-21 | 2019-09-06 | 北京市商汤科技开发有限公司 | 神经网络训练方法及装置以及图像处理方法及装置 |
| CN110334809A (zh) * | 2019-07-03 | 2019-10-15 | 成都淞幸科技有限责任公司 | 一种人工智能算法的构件封装方法及系统 |
| CN111860817A (zh) * | 2020-07-10 | 2020-10-30 | 苏州浪潮智能科技有限公司 | 一种网络模型部署方法、装置、设备及可读存储介质 |
| CN111985624A (zh) * | 2020-08-31 | 2020-11-24 | 商汤集团有限公司 | 神经网络训练和部署方法、文本翻译方法及相关产品 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883654A (zh) * | 2021-03-24 | 2021-06-01 | 国家超级计算天津中心 | 一种基于数据驱动的模型训练系统 |
| CN113095485A (zh) * | 2021-04-19 | 2021-07-09 | 上海商汤科技开发有限公司 | 性能指标确定方法及装置、系统、电子设备和存储介质 |
| CN113095485B (zh) * | 2021-04-19 | 2023-12-22 | 上海商汤科技开发有限公司 | 性能指标确定方法及装置、系统、电子设备和存储介质 |
| CN113702719A (zh) * | 2021-08-03 | 2021-11-26 | 北京科技大学 | 一种基于神经网络的宽带近场电磁定位方法及装置 |
| WO2023125869A1 (zh) * | 2021-12-31 | 2023-07-06 | 维沃移动通信有限公司 | Ai网络信息传输方法、装置及通信设备 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112541577A (zh) | 神经网络生成方法及装置、电子设备和存储介质 | |
| CN111222637B (zh) | 神经网络模型部署方法及装置、电子设备和存储介质 | |
| CN112465843A (zh) | 图像分割方法及装置、电子设备和存储介质 | |
| CN112947935A (zh) | 运算方法及装置、电子设备和存储介质 | |
| CN109934240B (zh) | 特征更新方法及装置、电子设备和存储介质 | |
| CN114078118A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| EP3147802B1 (en) | Method and apparatus for processing information | |
| US11416703B2 (en) | Network optimization method and apparatus, image processing method and apparatus, and storage medium | |
| CN114240882A (zh) | 缺陷检测方法及装置、电子设备和存储介质 | |
| CN106991018B (zh) | 界面换肤的方法及装置 | |
| CN113377465A (zh) | 基于服务的sdk调用方法及装置、电子设备和存储介质 | |
| CN113065591B (zh) | 目标检测方法及装置、电子设备和存储介质 | |
| CN104767857A (zh) | 基于云名片的电话呼叫方法及装置 | |
| CN112085097A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
| CN105094830A (zh) | 一种执行目标功能的方法和装置 | |
| CN114546460A (zh) | 固件升级方法及装置、电子设备和存储介质 | |
| CN114741292A (zh) | 测试脚本管理方法及装置、电子设备和存储介质 | |
| CN114035902A (zh) | 应用程序开发平台及方法、电子设备和存储介质 | |
| CN113377664A (zh) | 模型测试方法及装置、电子设备和存储介质 | |
| CN106790683B (zh) | 基于移动终端的网络数据显示方法及装置 | |
| CN112925788A (zh) | 一种数据集管理方法及系统、装置、电子设备和存储介质 | |
| CN114549983A (zh) | 计算机视觉模型训练方法及装置、电子设备和存储介质 | |
| CN111488267B (zh) | 一种接口测试脚本的生成方法、装置及电子设备 | |
| CN112738231B (zh) | 布控方法及装置、电子设备和存储介质 | |
| CN113095485B (zh) | 性能指标确定方法及装置、系统、电子设备和存储介质 |
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 |