CN112651975A - 一种轻量化网络模型的训练方法、装置及设备 - Google Patents
一种轻量化网络模型的训练方法、装置及设备 Download PDFInfo
- Publication number
- CN112651975A CN112651975A CN202011604099.8A CN202011604099A CN112651975A CN 112651975 A CN112651975 A CN 112651975A CN 202011604099 A CN202011604099 A CN 202011604099A CN 112651975 A CN112651975 A CN 112651975A
- Authority
- CN
- China
- Prior art keywords
- network model
- data
- training
- lightweight network
- initial
- 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
- 238000012549 training Methods 0.000 title claims abstract description 161
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000006870 function Effects 0.000 claims description 32
- 238000004590 computer program Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 27
- 238000005070 sampling Methods 0.000 claims description 14
- 238000003709 image segmentation Methods 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000002372 labelling Methods 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
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013585 weight reducing agent Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Abstract
本申请适用于深度学习技术领域,提供了一种轻量化网络模型的训练方法,包括:获取初始轻量化网络模型,以及教师网络模型;获取训练样本集,所述训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据;将所述第二数据输入所述教师网络模型,得到样本特征,并将所述样本特征确定为所述第二数据对应的第二标签;根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型。通过本实施例的方法获取到的轻量化网络模型的结构不再受限于原始模型,可以兼容多个平台,并且具有广泛性。
Description
技术领域
本申请属于深度学习技术领域,尤其涉及一种轻量化网络模型的训练方法、装置及设备。
背景技术
现有的模型训练方法中,对初始的神经网络进行训练,得到一个初始化的、训练好的参数化原始模型,但是,原始模型在实际应用中很难部署。因此,在应用部署前,通常需要对模型进行轻量化处理。现有的轻量化方法包括剪枝、稀疏化等。但是,轻量化后的模型的结构受限于原始模型,可能无法兼容移动平台,兼容性较差。此外,剪枝、稀疏化通常是由数据驱动的,所以,轻量化后的模型很容易产生过拟合的现象,只在现有数据中表现较好,当数据发生变化时容易产生误差,不具有广泛性。
发明内容
本申请实施例提供了一种轻量化网络模型的训练方法、装置及设备,可以解决现有的轻量化的模型无法兼容移动平台,兼容性较差,不具有广泛性的问题。
第一方面,本申请实施例提供了一种轻量化网络模型的训练方法,包括:
获取初始轻量化网络模型,以及教师网络模型;
获取训练样本集,所述训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据;
将所述第二数据输入所述教师网络模型,得到样本特征,并将所述样本特征确定为所述第二数据对应的第二标签;
根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型。
进一步地,所述初始轻量化网络模型为Unet初始轻量化网络模型,所述教师网络模型为Unet教师网络模型;所述Unet教师网络模型的基础残差模块的数量大于所述Unet初始轻量化网络模型的基础残差模块的数量;所述Unet教师网络模型的基础残差模块中的卷积数量大于所述Unet初始轻量化网络模型的基础残差模块的卷积数量。
进一步地,教师网络模型的训练方法包括:
获取所述第一数据及其对应的第一标签;
根据所述第一数据及其对应的第一标签对初始教师网络模型进行训练,得到教师网络模型。
进一步地,所述根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型,包括:
将目标训练样本输入至所述初始轻量化网络模型进行处理,得到所述目标训练样本对应的目标特征;所述目标训练样本包括所述训练样本集中的第一数据和/或第二数据;
根据所述目标特征、所述目标训练样本对应的标签以及预设损失函数计算目标损失值;
若所述目标损失值满足预设停止训练条件,则停止训练,将当前的所述初始轻量化网络模型作为目标轻量化网络模型;
若所述目标损失值不满足所述预设停止训练条件,则根据所述目标损失值对所述初始轻量化网络模型进行更新,并返回执行将目标训练样本输入至所述初始轻量化网络模型进行处理。
进一步地,所述预设损失函数为平方差函数。
进一步地,所述初始轻量化网络模型用于对图像数据进行图像分割;所述初始轻量化网络模型包括编码器和解码器;编码器包括预设数量的降采样层,所述降采样层用于提取所述图像数据的语义信息;所述解码器包括预设数量的上采样层;所述上采样层用于将所述语义信息转换为分割结果。
第二方面,本申请实施例提供了一种轻量化网络模型的训练装置,包括:
第一获取单元,用于获取初始轻量化网络模型,以及教师网络模型;
第二获取单元,用于获取训练样本集,所述训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据;
第一处理单元,用于将所述第二数据输入所述教师网络模型,得到样本特征,并将所述样本特征确定为所述第二数据对应的第二标签;
第二处理单元,用于根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型。
进一步地,所述初始轻量化网络模型为Unet初始轻量化网络模型,所述教师网络模型为Unet教师网络模型;所述Unet教师网络模型的基础残差模块的数量大于所述Unet初始轻量化网络模型的基础残差模块的数量;所述Unet教师网络模型的基础残差模块中的卷积数量大于所述Unet初始轻量化网络模型的基础残差模块的卷积数量。
进一步地,所述轻量化网络模型的训练装置,还包括:
教师网络模型的训练单元,用于获取所述第一数据及其对应的第一标签;
根据所述第一数据及其对应的第一标签对初始教师网络模型进行训练,得到教师网络模型。
进一步地,所述第二处理单元,具体用于:
将目标训练样本输入至所述初始轻量化网络模型进行处理,得到所述目标训练样本对应的目标特征;所述目标训练样本包括所述训练样本集中的第一数据和/或第二数据;
根据所述目标特征、所述目标训练样本对应的标签以及预设损失函数计算目标损失值;
若所述目标损失值满足预设停止训练条件,则停止训练,将当前的所述初始轻量化网络模型作为目标轻量化网络模型;
若所述目标损失值不满足所述预设停止训练条件,则根据所述目标损失值对所述初始轻量化网络模型进行更新,并返回执行将目标训练样本输入至所述初始轻量化网络模型进行处理。
进一步地,所述预设损失函数为平方差函数。
进一步地,所述初始轻量化网络模型用于对图像数据进行图像分割;所述初始轻量化网络模型包括编码器和解码器;编码器包括预设数量的降采样层,所述降采样层用于提取所述图像数据的语义信息;所述解码器包括预设数量的上采样层;所述上采样层用于将所述语义信息转换为分割结果。
第三方面,本申请实施例提供了一种轻量化网络模型的训练设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面所述的轻量化网络模型的训练方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面所述的轻量化网络模型的训练方法。
本申请实施例中,通过获取初始轻量化网络模型,以及教师网络模型;获取训练样本集,所述训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据;将所述第二数据输入所述教师网络模型,得到样本特征,并将所述样本特征确定为所述第二数据对应的第二标签;根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型。上述方案,通过第一数据和第二数据得到的混合的训练样本集来训练轻量化模型,增强了大量未设置标签的第二数据的训练,增强模型的范化性;另一方面,采用第一标签作为样本特征与第一特征进行计算训练,相比现有技术中只采用第一特征进行交叉计算训练模型准确性更高,减少了实际中教师网络模型可能存在的推理错误对训练迭代的影响。通过本实施例的方法获取到的轻量化网络模型的结构不再受限于原始模型,可以兼容多个平台,并且具有广泛性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请第一实施例提供的一种轻量化网络模型的训练方法的示意流程图;
图2是本申请第二实施例提供的轻量化网络模型的训练装置的示意图;
图3是本申请第二实施例提供的轻量化网络模型的训练设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
请参见图1,图1是本申请第一实施例提供的一种轻量化网络模型的训练方法的示意流程图。本实施例中一种轻量化网络模型的训练方法的执行主体为具有轻量化网络模型的训练功能的设备,例如,台式电脑、服务器等等。如图1所示的轻量化网络模型的训练方法可以包括:
S101:获取初始轻量化网络模型,以及教师网络模型。
设备获取初始轻量化网络模型,其中,初始轻量化网络模型用于训练得到最后需要的目标轻量化网络模型。初始轻量化网络模型结构简单、性能一般。
设备获取教师网络模型,其中,教师网络模型用于引导初始轻量化网络模型的训练。教师网络模型与初始轻量化网络模型相比性能优良、准确率高,但教师网络模型在结构上通道数更多、结构更复杂且计算速度较慢。
教师网络模型实现的功能应当与初始轻量化网络模型实现的功能相同。例如,教师网络模型和初始轻量化网络模型都可以用于计算机视觉处理并输出处理后的图像数据,计算机视觉处理过程包括图像分类、目标检测或者图像分割等,此处不做限制。
一个实施例中,初始轻量化网络模型可以为Unet初始轻量化网络模型,教师网络模型为Unet教师网络模型;Unet教师网络模型的基础残差模块的数量大于Unet初始轻量化网络模型的基础残差模块的数量;Unet教师网络模型的基础残差模块中的卷积数量大于Unet初始轻量化网络模型的基础残差模块的卷积数量。
一种实施方式中,初始轻量化网络模型用于对图像数据进行图像分割;初始轻量化网络模型包括编码器和解码器;编码器包括预设数量的降采样层,降采样层用于提取图像数据的语义信息;解码器包括预设数量的上采样层;上采样层用于将语义信息转换为分割结果。
具体地说,在降采样和上采样过程中,设备通过skip connection将降采样过程中的细节信息传递到上采样过程中,提高模型的精确度。初始轻量化网络模型中可以包括n个基础残差模块,每个基础残差模块包括n层卷积模块,每个卷积模块包括卷积层、归一化层和激活函数层。基础残差模块数量与卷积模块层数均是可调节的。
一个实施例中,教师网络模型的训练方法包括:获取第一数据及其对应的第一标签;根据第一数据及其对应的第一标签对初始教师网络模型进行训练,得到教师网络模型。即需要使用设置有第一标签的第一数据训练初始教师网络模型,使得初始教师网络模型收敛获得训练完成的教师网络模型。
S102:获取训练样本集,所述训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据。
设备获取训练样本集,训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据。由于第一数据设置有第一标签,标注的工作量较大,所以第一数据数量较小;第二数据不设置标签,所以可以根据实际应用,尽量采集数量大、场景丰富的数据。
即本实施例中,通过设置有第一标签的第一数据及未设置标签的第二数据形成了一个混合的训练样本集。并且为了保证初始轻量化模型的稳定收敛,在混合过程中需要打乱第一数据和第二数据中数据的排列顺序,使得训练样本集中数据具有随机性。
S103:将所述第二数据输入所述教师网络模型,得到样本特征,并将所述样本特征确定为所述第二数据对应的第二标签。
由于设备并未对第二数据设置标签,本实施例中,将第二数据输入教师网络模型,得到样本特征,并将样本特征确定为第二数据对应的第二标签。第二标也用于对初始轻量化网络模型进行训练,这样,就可以通过教师网络模型诱导初始轻量化网络模型的训练,使得初始轻量化网络模型能够具有与教师网络模型相近的性能。
S104:根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型。
设备根据第一数据、第一标签、第二数据以及第二标签对初始轻量化网络模型进行训练,随机获取第一数据或者第二数据输入初始轻量化网络模型进行处理。将第一数据输入初始轻量化网络模型后输出第一特征,根据预设损失函数计算第一特征与第一标签的目标损失值;将第二数据输入初始轻量化网络模型后输出第二特征,根据预设损失函数计算第二特征与第二标签的目标损失值。然后设备根据目标损失值对初始轻量化网络模型的参数进行迭代训练,根据目标损失值利用批量梯度下降法进行反向传播,更新初始轻量化网络模型的参数。
具体来说,训练过程可以包括:设备将目标训练样本输入至初始轻量化网络模型进行处理,得到目标训练样本对应的目标特征;目标训练样本包括训练样本集中的第一数据和/或第二数据;设备根据目标特征、目标训练样本对应的标签以及预设损失函数计算目标损失值。
一个实施例中,预设损失函数可以为平方差函数。引入平方差函数L2(D(gt),D(pred))作为预设损失函数验证初始轻量化网络模型的训练情况,平方差函数值作为目标损失值。初始轻量化网络模型训练的越准确,则平方差函数值越小。D(pred)用于表征目标训练样本输入初始轻量化网络模型后输出的目标特征,以图像分割为例,则D(pred)一般表示为h×w×c的张量,其中,高为h,宽为w,c为类别数。D(gt)表征目标训练样本对应的标签,若随机抽取的目标训练样本属于第一数据,则D(gt)表征第一标签,若随机抽取的目标训练样本属于第二数据集,则表征第二数据输入教师网络模型后的第二标签。
若目标损失值满足预设停止训练条件,则停止训练,将当前的初始轻量化网络模型作为目标轻量化网络模型;若目标损失值不满足预设停止训练条件,则根据目标损失值对所述初始轻量化网络模型进行更新,并返回执行将目标训练样本输入至初始轻量化网络模型进行处理。
本申请实施例中,通过获取初始轻量化网络模型,以及教师网络模型;获取训练样本集,所述训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据;将所述第二数据输入所述教师网络模型,得到样本特征,并将所述样本特征确定为所述第二数据对应的第二标签;根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型。上述方案,通过第一数据和第二数据得到的混合的训练样本集来训练轻量化模型,增强了大量未设置标签的第二数据的训练,增强模型的范化性;另一方面,采用第一标签作为样本特征与第一特征进行计算训练,相比现有技术中只采用第一特征进行交叉计算训练模型准确性更高,减少了实际中教师网络模型可能存在的推理错误对训练迭代的影响。通过本实施例的方法获取到的轻量化网络模型的结构不再受限于原始模型,可以兼容多个平台,并且具有广泛性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
请参见图2,图2是本申请第二实施例提供的轻量化网络模型的训练装置的示意图。包括的各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。为了便于说明,仅示出了与本实施例相关的部分。参见图2,服务器2包括:
第一获取单元210,用于获取初始轻量化网络模型,以及教师网络模型;
第二获取单元220,用于获取训练样本集,所述训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据;
第一处理单元230,用于将所述第二数据输入所述教师网络模型,得到样本特征,并将所述样本特征确定为所述第二数据对应的第二标签;
第二处理单元240,用于根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型。
进一步地,所述初始轻量化网络模型为Unet初始轻量化网络模型,所述教师网络模型为Unet教师网络模型;所述Unet教师网络模型的基础残差模块的数量大于所述Unet初始轻量化网络模型的基础残差模块的数量;所述Unet教师网络模型的基础残差模块中的卷积数量大于所述Unet初始轻量化网络模型的基础残差模块的卷积数量。
进一步地,所述轻量化网络模型的训练装置2,还包括:
教师网络模型的训练单元,用于获取所述第一数据及其对应的第一标签;
根据所述第一数据及其对应的第一标签对初始教师网络模型进行训练,得到教师网络模型。
进一步地,所述第二处理单元240,具体用于:
将目标训练样本输入至所述初始轻量化网络模型进行处理,得到所述目标训练样本对应的目标特征;所述目标训练样本包括所述训练样本集中的第一数据和/或第二数据;
根据所述目标特征、所述目标训练样本对应的标签以及预设损失函数计算目标损失值;
若所述目标损失值满足预设停止训练条件,则停止训练,将当前的所述初始轻量化网络模型作为目标轻量化网络模型;
若所述目标损失值不满足所述预设停止训练条件,则根据所述目标损失值对所述初始轻量化网络模型进行更新,并返回执行将目标训练样本输入至所述初始轻量化网络模型进行处理。
进一步地,所述预设损失函数为平方差函数。
进一步地,所述初始轻量化网络模型用于对图像数据进行图像分割;所述初始轻量化网络模型包括编码器和解码器;编码器包括预设数量的降采样层,所述降采样层用于提取所述图像数据的语义信息;所述解码器包括预设数量的上采样层;所述上采样层用于将所述语义信息转换为分割结果。
图3是本申请第三实施例提供的轻量化网络模型的训练设备的示意图。如图3所示,该实施例的轻量化网络模型的训练设备3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32,例如轻量化网络模型的训练程序。所述处理器30执行所述计算机程序32时实现上述各个轻量化网络模型的训练方法实施例中的步骤,例如图1所示的步骤101至104。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块/单元的功能,例如图2所示模块210至240的功能。
示例性的,所述计算机程序32可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器31中,并由所述处理器30执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序32在所述轻量化网络模型的训练设备3中的执行过程。例如,所述计算机程序32可以被分割成第一获取单元、第二获取单元、第一处理单元、第二处理单元,各单元具体功能如下:
第一获取单元,用于获取初始轻量化网络模型,以及教师网络模型;
第二获取单元,用于获取训练样本集,所述训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据;
第一处理单元,用于将所述第二数据输入所述教师网络模型,得到样本特征,并将所述样本特征确定为所述第二数据对应的第二标签;
第二处理单元,用于根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型。
所述轻量化网络模型的训练设备可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是轻量化网络模型的训练设备3的示例,并不构成对轻量化网络模型的训练设备3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,例如所述轻量化网络模型的训练设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述轻量化网络模型的训练设备3的内部存储单元,例如轻量化网络模型的训练设备3的硬盘或内存。所述存储器31也可以是所述轻量化网络模型的训练设备3的外部存储设备,例如所述轻量化网络模型的训练设备3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(FlashCard)等。进一步地,所述轻量化网络模型的训练设备3还可以既包括所述轻量化网络模型的训练设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述轻量化网络模型的训练设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种虚拟定时器的定时设备,该虚拟定时器的定时设备包括:至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区,根据立法和专利实践,计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种轻量化网络模型的训练方法,其特征在于,包括:
获取初始轻量化网络模型,以及教师网络模型;
获取训练样本集,所述训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据;
将所述第二数据输入所述教师网络模型,得到样本特征,并将所述样本特征确定为所述第二数据对应的第二标签;
根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型。
2.如权利要求1所述的轻量化网络模型的训练方法,其特征在于,所述初始轻量化网络模型为Unet初始轻量化网络模型,所述教师网络模型为Unet教师网络模型;所述Unet教师网络模型的基础残差模块的数量大于所述Unet初始轻量化网络模型的基础残差模块的数量;所述Unet教师网络模型的基础残差模块中的卷积数量大于所述Unet初始轻量化网络模型的基础残差模块的卷积数量。
3.如权利要求1所述的轻量化网络模型的训练方法,其特征在于,教师网络模型的训练方法包括:
获取所述第一数据及其对应的第一标签;
根据所述第一数据及其对应的第一标签对初始教师网络模型进行训练,得到教师网络模型。
4.如权利要求1所述的轻量化网络模型的训练方法,其特征在于,所述根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型,包括:
将目标训练样本输入至所述初始轻量化网络模型进行处理,得到所述目标训练样本对应的目标特征;所述目标训练样本包括所述训练样本集中的第一数据和/或第二数据;
根据所述目标特征、所述目标训练样本对应的标签以及预设损失函数计算目标损失值;
若所述目标损失值满足预设停止训练条件,则停止训练,将当前的所述初始轻量化网络模型作为目标轻量化网络模型;
若所述目标损失值不满足所述预设停止训练条件,则根据所述目标损失值对所述初始轻量化网络模型进行更新,并返回执行将目标训练样本输入至所述初始轻量化网络模型进行处理。
5.如权利要求4所述的轻量化网络模型的训练方法,其特征在于,所述预设损失函数为平方差函数。
6.如权利要求2所述的轻量化网络模型的训练方法,其特征在于,所述初始轻量化网络模型用于对图像数据进行图像分割;所述初始轻量化网络模型包括编码器和解码器;编码器包括预设数量的降采样层,所述降采样层用于提取所述图像数据的语义信息;所述解码器包括预设数量的上采样层;所述上采样层用于将所述语义信息转换为分割结果。
7.一种轻量化网络模型的训练装置,其特征在于,包括:
第一获取单元,用于获取初始轻量化网络模型,以及教师网络模型;
第二获取单元,用于获取训练样本集,所述训练样本集包括设置有第一标签的第一数据及未设置标签的第二数据;
第一处理单元,用于将所述第二数据输入所述教师网络模型,得到样本特征,并将所述样本特征确定为所述第二数据对应的第二标签;
第二处理单元,用于根据所述第一数据、所述第一标签、所述第二数据以及所述第二标签对所述初始轻量化网络模型进行训练,得到目标轻量化网络模型。
8.如权利要求1所述的轻量化网络模型的训练装置,其特征在于,所述初始轻量化网络模型为Unet初始轻量化网络模型,所述教师网络模型为Unet教师网络模型;所述Unet教师网络模型的基础残差模块的数量大于所述Unet初始轻量化网络模型的基础残差模块的数量;所述Unet教师网络模型的基础残差模块中的卷积数量大于所述Unet初始轻量化网络模型的基础残差模块的卷积数量。
9.一种轻量化网络模型的训练设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至6任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011604099.8A CN112651975A (zh) | 2020-12-29 | 2020-12-29 | 一种轻量化网络模型的训练方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011604099.8A CN112651975A (zh) | 2020-12-29 | 2020-12-29 | 一种轻量化网络模型的训练方法、装置及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112651975A true CN112651975A (zh) | 2021-04-13 |
Family
ID=75364094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011604099.8A Pending CN112651975A (zh) | 2020-12-29 | 2020-12-29 | 一种轻量化网络模型的训练方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112651975A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326826A (zh) * | 2021-08-03 | 2021-08-31 | 新石器慧通(北京)科技有限公司 | 网络模型的训练方法、装置、电子设备及存储介质 |
CN113393476A (zh) * | 2021-07-07 | 2021-09-14 | 山东大学 | 一种轻量化多路径网状图像分割方法、系统和电子设备 |
CN114067119A (zh) * | 2022-01-17 | 2022-02-18 | 深圳市海清视讯科技有限公司 | 全景分割模型的训练方法、全景分割方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711544A (zh) * | 2018-12-04 | 2019-05-03 | 北京市商汤科技开发有限公司 | 模型压缩的方法、装置、电子设备及计算机存储介质 |
CN110059807A (zh) * | 2019-04-26 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置和存储介质 |
CN111915020A (zh) * | 2020-08-12 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 检测模型的更新方法、装置及存储介质 |
CN111951171A (zh) * | 2019-05-16 | 2020-11-17 | 武汉Tcl集团工业研究院有限公司 | Hdr图像生成方法、装置、可读存储介质及终端设备 |
-
2020
- 2020-12-29 CN CN202011604099.8A patent/CN112651975A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711544A (zh) * | 2018-12-04 | 2019-05-03 | 北京市商汤科技开发有限公司 | 模型压缩的方法、装置、电子设备及计算机存储介质 |
CN110059807A (zh) * | 2019-04-26 | 2019-07-26 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置和存储介质 |
CN111951171A (zh) * | 2019-05-16 | 2020-11-17 | 武汉Tcl集团工业研究院有限公司 | Hdr图像生成方法、装置、可读存储介质及终端设备 |
CN111915020A (zh) * | 2020-08-12 | 2020-11-10 | 杭州海康威视数字技术股份有限公司 | 检测模型的更新方法、装置及存储介质 |
Non-Patent Citations (1)
Title |
---|
孙其功: "深度神经网络FPGA设计与实现", 31 July 2020, 西安:西安电子科技大学出版社, pages: 231 - 232 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393476A (zh) * | 2021-07-07 | 2021-09-14 | 山东大学 | 一种轻量化多路径网状图像分割方法、系统和电子设备 |
CN113393476B (zh) * | 2021-07-07 | 2022-03-11 | 山东大学 | 一种轻量化多路径网状图像分割方法、系统和电子设备 |
CN113326826A (zh) * | 2021-08-03 | 2021-08-31 | 新石器慧通(北京)科技有限公司 | 网络模型的训练方法、装置、电子设备及存储介质 |
CN114067119A (zh) * | 2022-01-17 | 2022-02-18 | 深圳市海清视讯科技有限公司 | 全景分割模型的训练方法、全景分割方法及装置 |
CN114067119B (zh) * | 2022-01-17 | 2022-05-24 | 深圳市海清视讯科技有限公司 | 全景分割模型的训练方法、全景分割方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112651975A (zh) | 一种轻量化网络模型的训练方法、装置及设备 | |
CN111695352A (zh) | 基于语义分析的评分方法、装置、终端设备及存储介质 | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
CN109684476B (zh) | 一种文本分类方法、文本分类装置及终端设备 | |
CN112668716A (zh) | 一种神经网络模型的训练方法及设备 | |
CN113393370A (zh) | 中国书法文字图像风格迁移的方法、系统、智能终端 | |
CN113705733A (zh) | 医疗票据图像处理方法及装置、电子设备、存储介质 | |
CN115344699A (zh) | 文本分类模型的训练方法、装置、计算机设备及介质 | |
CN110472227B (zh) | 一种词汇掌握程度评估方法、装置、终端设备及存储介质 | |
CN113743650B (zh) | 电力负荷预测方法、装置、设备与存储介质 | |
CN114359048A (zh) | 图像的数据增强方法、装置、终端设备及存储介质 | |
CN112182167B (zh) | 一种文本匹配方法、装置、终端设备和存储介质 | |
CN116309612B (zh) | 基于频率解耦监督的半导体硅晶圆检测方法、装置及介质 | |
CN112861934A (zh) | 一种嵌入式终端的图像分类方法、装置及嵌入式终端 | |
CN114548192A (zh) | 样本数据处理方法、装置、电子设备及介质 | |
CN116503608A (zh) | 基于人工智能的数据蒸馏方法及相关设备 | |
CN116796287A (zh) | 图文理解模型的预训练方法、装置、设备及存储介质 | |
CN113139617B (zh) | 一种输电线路自主定位方法、装置及终端设备 | |
CN115861665A (zh) | 目标检测网络训练中候选框匹配方法、装置、设备及介质 | |
CN110197143B (zh) | 一种结算台物品识别方法、装置及电子设备 | |
CN112132031A (zh) | 车款识别方法、装置、电子设备及存储介质 | |
CN111738311A (zh) | 面向多任务的特征提取方法、装置及电子设备 | |
CN116912889B (zh) | 行人重识别方法及装置 | |
CN112288748A (zh) | 一种语义分割网络训练、图像语义分割方法及装置 | |
CN116912518B (zh) | 图像的多尺度特征处理方法及装置 |
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 |