CN113065638A - 一种神经网络压缩方法及其相关设备 - Google Patents
一种神经网络压缩方法及其相关设备 Download PDFInfo
- Publication number
- CN113065638A CN113065638A CN202110221937.1A CN202110221937A CN113065638A CN 113065638 A CN113065638 A CN 113065638A CN 202110221937 A CN202110221937 A CN 202110221937A CN 113065638 A CN113065638 A CN 113065638A
- Authority
- CN
- China
- Prior art keywords
- trained
- neural network
- image
- model
- target
- 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 585
- 238000000034 method Methods 0.000 title claims abstract description 154
- 230000006835 compression Effects 0.000 title claims abstract description 50
- 238000007906 compression Methods 0.000 title claims abstract description 50
- 238000012545 processing Methods 0.000 claims abstract description 320
- 238000013139 quantization Methods 0.000 claims abstract description 226
- 238000004364 calculation method Methods 0.000 claims abstract description 63
- 230000002596 correlated effect Effects 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 154
- 230000000875 corresponding effect Effects 0.000 claims description 120
- 230000015654 memory Effects 0.000 claims description 75
- 238000004590 computer program Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 description 40
- 238000010586 diagram Methods 0.000 description 27
- 239000011159 matrix material Substances 0.000 description 26
- 239000013598 vector Substances 0.000 description 26
- 230000006870 function Effects 0.000 description 23
- 238000013473 artificial intelligence Methods 0.000 description 12
- 230000001537 neural effect Effects 0.000 description 10
- 238000003709 image segmentation Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000013500 data storage Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 7
- 239000000872 buffer Substances 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000003672 processing method Methods 0.000 description 5
- 241000238633 Odonata Species 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012886 linear function Methods 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请提供一种神经网络压缩方法及其相关设备,可使得压缩后的神经网络对不同图像进行不同精度的图像处理,从而保证图像处理的准确性。本申请的方法包括:获取目标图像;将目标图像输入第一神经网络,得到第二神经网络的量化比特数,其中,第二神经网络用于对目标图像进行图像处理,第二神经网络的量化比特数与图像处理所需的计算量正相关;根据第二神经网络的量化比特数,对第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种神经网络压缩方法及其相关设备。
背景技术
近几年来,深度神经网络在诸如图像分类、目标检测和图像分割等计算机视觉任务上取得了很大的进展。但深度神经网络往往包含大量的模型参数,需占用较大的设备资源(如存储空间和计算量等),难以在终端设备上高效运行。因此,需要对神经网络进行压缩,从而降低神经网络占用的设备资源。
模型量化技术是压缩神经网络的有效方法,该技术可将神经网络的参数从高比特数(例如,32比特)的值转换为低比特数(例如,4比特)的值进行表示,从而明显降低神经网络的参数所占用的资源。
在进行模型量化时,量化比特数(即用户所期望的,神经网络的参数的比特数)通常是预置且固定的,导致神经网络在进行图像处理时,对任何图像的处理精度都是一致的,无法保证图像处理的准确性(例如,若某个图像的处理难度较大,神经网络对其的处理精度较低时,会导致处理结果不够准确)。
发明内容
本申请实施例提供了一种神经网络压缩方法及其相关设备,可使得压缩后的神经网络对不同图像进行不同精度的图像处理,从而保证图像处理的准确性。
本申请实施例的第一方面提供了一种神经网络压缩方法,该方法包括:
当需要对目标图像进行图像处理时,可先获取待处理的目标图像。进一步地,还可获取第一神经网络和第二神经网络,其中,第一神经网络用于压缩第二神经网络,第二神经网络用于对目标图像进行图像处理。
然后,将目标图像输入第一神经网络,得到第二神经网络的量化比特数,其中,第二神经网络的量化比特数与图像处理所需的计算量正相关。例如,若目标图像中的物体比较容易识别,对目标图像进行识别时所需的计算量较少,即第二神经网络对目标图像的处理精度可较低,故第二神经网络的量化比特数则较小。若目标图像中的物体比较难识别,对目标图像进行识别时所需的计算量较多,即第二神经网络对目标图像的处理精度需较高,故第二神经网络的量化比特数则较大。
最后,根据第二神经网络的量化比特数,对第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络,即压缩后的第二神经网络。例如,当第二神经网络的量化比特数为4比特时,则将第二神经网络的参数以4比特的数值进行表示,从而降低第二神经网络所占用的设备资源。
从上述方法可以看出:在获取目标图像后,可将目标图像输入第一神经网络,以得到用于压缩第二神经网络的量化比特数。该量化比特数与对目标图像进行图像处理所需的计算量正相关,若对目标图像进行图像处理所需的计算量较多,则该量化比特数较大,若对目标图像进行图像处理所需的计算量较少,则该量化比特数较小。可见,由于目标图像的处理难度不同,第一神经网络输出的量化比特数则不同,使得对第二神经网络的量化处理程度也不同。如此一来,对于处理难度较小的目标图像,量化处理后的第二神经网络可对其进行精度较小的图像处理,对于处理难度较大的目标图像,量化处理后的第二神经网络可对其进行精度较大的图像处理,从而保证图像处理的准确性。
在一种可能的实现方式中,第二神经网络的量化比特数包含第二神经网络中M层网络的量化比特数,根据第二神经网络的量化比特数,对第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络具体包括:根据第二神经网络中第i层网络的量化比特数,对第i层网络的参数进行量化处理,得到量化处理后的第二神经网络,其中,i=1,2,…,M,M为正整数。前述实现方式中,第一神经网络可输出第二神经网络中M层网络的量化比特数。对于第二神经网络中该M层网络中的任意一层网络,可根据该层网络的量化比特数对该层网络的参数进行量化处理,从而得到量化处理后的第二神经网络。例如,若第二神经网络的第一层网络的量化比特数为4比特,则将第一层网络的参数以4比特的数值进行表示。若第二神经网络的第二层网络的量化比特数为3比特,则将第二层网络的参数以3比特的数值进行表示。如此一来,可对第二神经网络各层网络的参数完成量化处理,得到量化处理后的第二神经网络。
在一种可能的实现方式中,将目标图像输入第一神经网络,得到第二神经网络的量化比特数具体包括:将目标图像输入第一神经网络,得到第二神经网络中第i层网络的候选比特数的概率;根据这部分候选比特数的概率的大小,从第i层网络的候选比特数中选择第i层网络的量化比特数。前述实现方式中,第一神经网络在对目标图像进行图像处理后,可得到第二神经网络的M层网络中,任意一层网络的候选比特数的概率。对于M层网络中的任意一层网络,可基于该层网络的候选比特数的概率的大小,从该层网络的候选比特数中准确选择出该层网络的量化比特数。
在一种可能的实现方式中,该方法还包括:在得到量化处理后的第二神经网络,可将目标图像输入该神经网络,使得量化处理后的第二神经网络对目标图像进行图像处理(例如,图像分类、目标检测和图像分割等等),得到目标图像的特征。
本申请实施例的第二方面提供了一种神经网络压缩方法,该方法包括:
当需要对目标图像进行图像处理时,可先获取待处理的目标图像。进一步地,还可获取第三神经网络和第二神经网络,其中,第三神经网络用于压缩第二神经网络的输入,第二神经网络用于对目标图像进行图像处理。
然后,将目标图像输入第三神经网络,得到第二神经网络对应的目标分辨率,其中,第二神经网络对应的目标分辨率与图像处理所需的计算量正相关。例如,若目标图像中的物体比较容易识别,对目标图像进行识别时所需的计算量较少,即第二神经网络对目标图像的处理精度可较低,故第二神经网络对应的目标分辨率则较小。若目标图像中的物体比较难识别,对目标图像进行识别时所需的计算量较多,即第二神经网络对目标图像的处理精度需较高,故第二神经网络对应的目标分辨率则较大。
最后,将目标图像的分辨率调整为目标分辨率,得到目标分辨率的目标图像。例如,第二神经网络对应的目标分辨率为168×168时,目标图像的原始分辨率为224×224,则将目标图像的分辨率从224×224调整为168×168,得到分辨率为168×168的目标图像。
在相关技术中,调整图像的分辨率也是压缩神经网络的方法之一。然而,用户所期望的,调整后的图像的分辨率通常是预置且固定的,导致神经网络在进行图像处理时,对任何图像的处理精度都是一致的,无法保证图像处理的准确性。从上述方法可以看出:在获取目标图像后,可将目标图像输入第三神经网络,以得到第二神经网络对应的目标分辨率,用于压缩第二神经网络的输入,即目标图像。该目标分辨率与对目标图像进行图像处理所需的计算量正相关,若对目标图像进行图像处理所需的计算量较多,则该目标分辨率较大,若对目标图像进行图像处理所需的计算量较少,则该目标分辨率较小。可见,由于目标图像的处理难度不同,第三神经网络输出的目标分辨率则不同,使得调整后的目标图像的目标分辨率也不同。如此一来,对于处理难度较小的目标图像,可令其分辨率较小,使得第二神经网络对其进行精度较小的图像处理,对于处理难度较大的目标图像,可令其分辨率较大,使得第二神经网络对其进行精度较大的图像处理,从而保证图像处理的准确性。
在一种可能的实现方式中,将目标图像输入第三神经网络,得到第二神经网络对应的目标分辨率具体包括:将目标图像输入第三神经网络,得到第二神经网络对应的候选分辨率的概率;根据这部分候选分辨率的概率的大小,从第二神经网络对应的候选分辨率选择第二神经网络对应的目标分辨率。前述实现方式中,第三神经网络在对目标图像进行图像处理后,可得到第二神经网络对应的候选分辨率的概率。然后,根据各个候选分辨率的概率的大小,从这部分候选分辨率准确选择出第二神经网络对应的目标分辨率。
在一种可能的实现方式中,将目标图像的分辨率调整为目标分辨率,得到目标分辨率的目标图像之后,该方法还包括:将目标分辨率的目标图像(即调整分辨率后的目标图像)输入第二神经网络,使得第二神经网络对目标分辨率的目标图像进行图像处理(例如,图像分类、目标检测和图像分割等等),得到目标分辨率的目标图像的特征。
本申请实施例的第三方面提供了一种模型训练方法,该方法包括:获取待训练图像;将待训练图像输入第一待训练模型,得到第二待训练模型的量化比特数;根据第二待训练模型的量化比特数,对第二待训练模型的参数进行量化处理,得到量化处理后的第二待训练模型;将待训练图像输入量化处理后的第二待训练模型,得到待训练图像的特征;根据第二待训练模型的量化比特数和待训练图像的特征,更新第一待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络和第二神经网络。
从上述方法可以看出:通过对第一待训练模型和第二待训练模型进行联合训练,可以得到第一神经网络和第二神经网络。通过该方法得到的第一神经网络,可以基于输入的目标图像准确获取第二神经网络的量化比特数,且通过该方法得到的第二神经网络,可以对目标图像进行准确的图像处理。
在一种可能的实现方式中,根据第二待训练模型的量化比特数和待训练图像的特征,更新第一待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络和第二神经网络具体包括:根据第二待训练模型的量化比特数和预置比特数之间的偏差,以及待训练图像的特征和待训练图像的真实特征之间的偏差,获取目标损失;根据目标损失更新第一待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络和第二神经网络。
在一种可能的实现方式中,第二待训练模型的量化比特数包括第二待训练模型中M层网络的量化比特数,根据第二待训练模型的量化比特数,对第二待训练模型的参数进行量化处理,得到量化处理后的第二待训练模型具体包括:根据第二待训练模型中第i层网络的量化比特数,对第i层网络的参数进行量化处理,得到量化处理后的第二待训练模型,其中,i=1,2,…,M,M为正整数。
在一种可能的实现方式中,将待训练图像输入第一待训练模型,得到第二待训练模型的量化比特数具体包括:将待训练图像输入第一待训练模型,得到第二待训练模型中第i层网络的候选比特数的概率;根据概率的大小,从第i层网络的候选比特数中选择第i层网络的量化比特数。
在一种可能的实现方式中,第二待训练模型的量化比特数和预置比特数之间的偏差包含第二待训练模型中第i层网络的量化比特数与预置比特数之间的偏差。
本申请实施例的第四方面提供了一种模型训练方法,该方法包括:获取待训练图像;将待训练图像输入第三待训练模型,得到第二待训练模型对应的目标分辨率;将待训练图像的分辨率调整为目标分辨率,得到目标分辨率的待训练图像;将目标分辨率的待训练图像输入第二待训练模型,得到目标分辨率的待训练图像的特征;根据目标分辨率以及目标分辨率的待训练图像的特征,更新第三待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
从上述方法可以看出:通过对第三待训练模型和第二待训练模型进行联合训练,可以得到第三神经网络和第二神经网络。通过该方法得到的第三神经网络,可以基于输入的目标图像准确获取第二神经网络对应的目标分辨率,且通过该方法得到的第二神经网络,可以对目标图像进行准确的图像处理。
在一种可能的实现方式中,根据目标分辨率以及目标分辨率的待训练图像的特征,更新第三待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络具体包括:根据目标分辨率对应的期望值与预设期望值之间的偏差,以及目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失;根据目标损失更新第三待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
在一种可能的实现方式中,将待训练图像输入第三待训练模型,得到第二待训练模型对应的目标分辨率具体包括:将待训练图像输入第三待训练模型,得到第二待训练模型对应的候选分辨率的概率;根据概率的大小,从第二待训练模型对应的候选分辨率选择第二待训练模型对应的目标分辨率。
在一种可能的实现方式中,根据目标分辨率对应的期望值与预设期望值之间的偏差,以及目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失具体包括:根据目标分辨率的概率的期望值与预设期望值之间的偏差,除目标分辨率之外的其余候选分辨率的概率的期望值与预设期望值之间的偏差,以及目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失。
本申请实施例的第五方面提供了一种神经网络压缩装置,该装置包括获取模块和处理模块;获取模块,用于获取目标图像;处理模块,用于将目标图像输入第一神经网络,得到第二神经网络的量化比特数,其中,第二神经网络用于对目标图像进行图像处理,第二神经网络的量化比特数与图像处理所需的计算量正相关;处理模块,还用于根据第二神经网络的量化比特数,对第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络。
从上述装置可以看出:在获取目标图像后,可将目标图像输入第一神经网络,以得到用于压缩第二神经网络的量化比特数。该量化比特数与对目标图像进行图像处理所需的计算量正相关,若对目标图像进行图像处理所需的计算量较多,则该量化比特数较大,若对目标图像进行图像处理所需的计算量较少,则该量化比特数较小。可见,由于目标图像的处理难度不同,第一神经网络输出的量化比特数则不同,使得对第二神经网络的量化处理程度也不同。如此一来,对于处理难度较小的目标图像,量化处理后的第二神经网络可对其进行精度较小的图像处理,对于处理难度较大的目标图像,量化处理后的第二神经网络可对其进行精度较大的图像处理,从而保证图像处理的准确性。
在一种可能的实现方式中,第二神经网络的量化比特数包含第二神经网络中M层网络的量化比特数,处理模块,具体用于根据第二神经网络中第i层网络的量化比特数,对第i层网络的参数进行量化处理,得到量化处理后的第二神经网络,其中,i=1,2,…,M,M为正整数。
在一种可能的实现方式中,处理模块,具体用于:将目标图像输入第一神经网络,得到第二神经网络中第i层网络的候选比特数的概率;根据概率的大小,从第i层网络的候选比特数中选择第i层网络的量化比特数。
在一种可能的实现方式中,处理模块,还用于将目标图像输入量化处理后的第二神经网络,得到目标图像的特征。
本申请实施例的第六方面提供了一种神经网络压缩装置,该装置包括获取模块和处理模块;获取模块,用于获取目标图像;处理模块,用于将目标图像输入第三神经网络,得到第二神经网络对应的目标分辨率,其中,第二神经网络用于对目标图像进行图像处理,第二神经网络对应的目标分辨率与图像处理所需的计算量正相关;处理模块,还用于将目标图像的分辨率调整为目标分辨率,得到目标分辨率的目标图像。
从上述装置可以看出:在获取目标图像后,可将目标图像输入第三神经网络,以得到第二神经网络对应的目标分辨率,用于压缩第二神经网络的输入,即目标图像。该目标分辨率与对目标图像进行图像处理所需的计算量正相关,若对目标图像进行图像处理所需的计算量较多,则该目标分辨率较大,若对目标图像进行图像处理所需的计算量较少,则该目标分辨率较小。可见,由于目标图像的处理难度不同,第三神经网络输出的目标分辨率则不同,使得调整后的目标图像的目标分辨率也不同。如此一来,对于处理难度较小的目标图像,可令其分辨率较小,使得第二神经网络对其进行精度较小的图像处理,对于处理难度较大的目标图像,可令其分辨率较大,使得第二神经网络对其进行精度较大的图像处理,从而保证图像处理的准确性。
在一种可能的实现方式中,处理模块,具体用于:将目标图像输入第三神经网络,得到第二神经网络对应的候选分辨率的概率;根据概率的大小,从第二神经网络对应的候选分辨率选择第二神经网络对应的目标分辨率。
在一种可能的实现方式中,处理模块,还用于将目标分辨率的目标图像输入第二神经网络,得到目标分辨率的目标图像的特征。
本申请实施例的第七方面提供了一种模型训练装置,该装置包括获取模块和训练模块;获取模块,用于获取待训练图像;训练模块,用于将待训练图像输入第一待训练模型,得到第二待训练模型的量化比特数;训练模块,还用于根据第二待训练模型的量化比特数,对第二待训练模型的参数进行量化处理,得到量化处理后的第二待训练模型;训练模块,还用于将待训练图像输入量化处理后的第二待训练模型,得到待训练图像的特征;训练模块,还用于根据第二待训练模型的量化比特数以及待训练图像的特征,更新第一待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络以及第二神经网络。
从上述装置可以看出:通过对第一待训练模型和第二待训练模型进行联合训练,可以得到第一神经网络和第二神经网络。通过该装置得到的第一神经网络,可以基于输入的目标图像准确获取第二神经网络的量化比特数,且通过该装置得到的第二神经网络,可以对目标图像进行准确的图像处理。
在一种可能的实现方式中,训练模块,具体用于:根据第二待训练模型的量化比特数和预置比特数之间的偏差,以及待训练图像的特征和待训练图像的真实特征之间的偏差,获取目标损失;根据目标损失更新第一待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络和第二神经网络。
在一种可能的实现方式中,第二待训练模型的量化比特数包括第二待训练模型中M层网络的量化比特数,训练模块,具体用于根据第二待训练模型中第i层网络的量化比特数,对第i层网络的参数进行量化处理,得到量化处理后的第二待训练模型,其中,i=1,2,…,M,M为正整数。
在一种可能的实现方式中,训练模块,具体用于:将待训练图像输入第一待训练模型,得到第二待训练模型中第i层网络的候选比特数的概率;根据概率的大小,从第i层网络的候选比特数中选择第i层网络的量化比特数。
在一种可能的实现方式中,第二待训练模型的量化比特数和预置比特数之间的偏差包含第二待训练模型中第i层网络的量化比特数与预置比特数之间的偏差。
本申请实施例的第八方面提供了一种模型训练装置,该装置包括获取模块和训练模块;获取模块,用于获取待训练图像;训练模块,用于将待训练图像输入第三待训练模型,得到第二待训练模型对应的目标分辨率;训练模块,还用于将待训练图像的分辨率调整为目标分辨率,得到目标分辨率的待训练图像;训练模块,还用于将目标分辨率的待训练图像输入第二待训练模型,得到目标分辨率的待训练图像的特征;训练模块,还用于根据目标分辨率以及目标分辨率的待训练图像的特征,更新第三待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
从上述装置可以看出:通过对第三待训练模型和第二待训练模型进行联合训练,可以得到第三神经网络和第二神经网络。通过该装置得到的第三神经网络,可以基于输入的目标图像准确获取第二神经网络对应的目标分辨率,且通过该装置得到的第二神经网络,可以对目标图像进行准确的图像处理。
在一种可能的实现方式中,训练模块,具体用于:根据目标分辨率对应的期望值与预设期望值之间的偏差,以及目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失;根据目标损失更新第三待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
在一种可能的实现方式中,训练模块,具体用于:将待训练图像输入第三待训练模型,得到第二待训练模型对应的候选分辨率的概率;根据概率的大小,从第二待训练模型对应的候选分辨率选择第二待训练模型对应的目标分辨率。
在一种可能的实现方式中,训练模块,具体用于根据目标分辨率的概率的期望值与预设期望值之间的偏差,除目标分辨率之外的其余候选分辨率的概率的期望值与预设期望值之间的偏差,以及目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失。
本申请实施例的第九方面提供了一种图像处理方法,该方法包括:获取目标图像;将目标图像输入第一神经网络,得到第二神经网络的量化比特数,其中,第二神经网络用于对目标图像进行图像处理,第二神经网络的量化比特数与图像处理所需的计算量正相关;根据第二神经网络的量化比特数,对第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络;将目标图像输入量化处理后的第二神经网络,得到目标图像的特征。
本申请实施例的第十方面提供了一种图像处理方法,该方法包括:获取目标图像;将目标图像输入第三神经网络,得到第二神经网络对应的目标分辨率,其中,第二神经网络用于对目标图像进行图像处理,第二神经网络对应的目标分辨率与图像处理所需的计算量正相关;将目标图像的分辨率调整为目标分辨率,得到目标分辨率的目标图像;将目标分辨率的目标图像输入第二神经网络,得到目标分辨率的目标图像的特征。
本申请实施例的第十一方面提供了一种神经网络压缩装置,该装置包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,神经网络压缩装置执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或第二方面中任意一种可能的实现方式所述的方法。
本申请实施例的第十二方面提供了一种模型训练装置,该装置包括存储器和处理器;存储器存储有代码,处理器被配置为执行代码,当代码被执行时,模型训练装置执行如第三方面、第三方面中任意一种可能的实现方式、第四方面或第四方面中任意一种可能的实现方式所述的方法。
本申请实施例的第十三方面提供了一种电路系统,该电路系统包括处理电路,该处理电路配置为执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或、第二方面中任意一种可能的实现方式、第三方面或、第三方面中任意一种可能的实现方式、第四方面或第四方面中任意一种可能的实现方式所述的方法。
本申请实施例的第十四方面提供了一种芯片系统,该芯片系统包括处理器,用于调用存储器中存储的计算机程序或计算机指令,以使得该处理器执行如第一方面、第一方面中任意一种可能的实现方式、第二方面或、第二方面中任意一种可能的实现方式、第三方面或、第三方面中任意一种可能的实现方式、第四方面或第四方面中任意一种可能的实现方式所述的方法。
在一种可能的实现方式中,该处理器通过接口与存储器耦合。
在一种可能的实现方式中,该芯片系统还包括存储器,该存储器中存储有计算机程序或计算机指令。
本申请实施例的第十五方面提供了一种计算机存储介质,该计算机存储介质存储有计算机程序,该程序在由计算机执行时,使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或、第二方面中任意一种可能的实现方式、第三方面或、第三方面中任意一种可能的实现方式、第四方面或第四方面中任意一种可能的实现方式所述的方法。
本申请实施例的第十六方面提供了一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执行时,使得计算机实施如第一方面、第一方面中任意一种可能的实现方式、第二方面或、第二方面中任意一种可能的实现方式、第三方面或、第三方面中任意一种可能的实现方式、第四方面或第四方面中任意一种可能的实现方式所述的方法。
本申请实施例中,在获取目标图像后,可将目标图像输入第一神经网络,以得到用于压缩第二神经网络的量化比特数。该量化比特数与对目标图像进行图像处理所需的计算量正相关,若对目标图像进行图像处理所需的计算量较多,则该量化比特数较大,若对目标图像进行图像处理所需的计算量较少,则该量化比特数较小。可见,由于目标图像的处理难度不同,第一神经网络输出的量化比特数则不同,使得对第二神经网络的量化处理程度也不同。如此一来,对于处理难度较小的目标图像,量化处理后的第二神经网络可对其进行精度较小的图像处理,对于处理难度较大的目标图像,量化处理后的第二神经网络可对其进行精度较大的图像处理,从而保证图像处理的准确性。
附图说明
图1为人工智能主体框架的一种结构示意图;
图2a为本申请实施例提供的图像处理系统的一个结构示意图;
图2b为本申请实施例提供的图像处理系统的另一结构示意图;
图2c为本申请实施例提供的图像处理的相关设备的一个示意图;
图3a为本申请实施例提供的系统100架构的一个示意图;
图4为本申请实施例提供的神经网络压缩方法的一个流程示意图;
图5为本申请实施例提供的神经网络压缩方法的一个应用例示意图;
图6为本申请实施例提供的神经网络压缩方法的另一流程示意图;
图7为本申请实施例提供的神经网络压缩方法的另一应用例示意图;
图8为本申请实施例提供的模型训练方法的一个流程示意图;
图9为本申请实施例提供的模型训练方法的另一流程示意图;
图10为本申请实施例提供的神经网络压缩装置的一个结构示意图;
图11为本申请实施例提供的神经网络压缩装置的另一结构示意图;
图12为本申请实施例提供的模型训练装置的一个结构示意图;
图13为本申请实施例提供的模型训练装置的另一结构示意图;
图14为本申请实施例提供的执行设备的一个结构示意图;
图15为本申请实施例提供的训练设备的一个结构示意图;
图16为本申请实施例提供的芯片的一个结构示意图。
具体实施方式
本申请实施例提供了一种神经网络压缩方法及其相关设备,可使得压缩后的神经网络对不同图像进行不同精度的图像处理,从而保证图像处理的准确性。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”并他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
人工智能(artificial intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能。
首先对人工智能系统总体工作流程进行描述,请参见图1,图1为人工智能主体框架的一种结构示意图,下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中,“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用系统,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
接下来介绍几种本申请的应用场景。
图2a为本申请实施例提供的图像处理系统的一个结构示意图,该图像处理系统包括用户设备以及数据处理设备。其中,用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为图像处理的发起端,作为图像处理请求的发起方,通常由用户通过用户设备发起请求。
上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的图像增强请求,再通过存储数据的存储器以及数据处理的处理器环节进行机器学习,深度学习,搜索,推理,决策等方式的图像处理。数据处理设备中的存储器可以是一个统称,包括本地存储以及存储历史数据的数据库,数据库可以在数据处理设备上,也可以在其它网络服务器上。
在图2a所示的图像处理系统中,用户设备可以接收用户的指令,例如用户设备可以获取用户输入/选择的一张图像,然后向数据处理设备发起请求,使得数据处理设备针对用户设备得到的该图像执行图像语义分割应用,从而得到针对该图像的对应的处理结果。示例性的,用户设备可以获取用户输入的一张待处理图像,然后向数据处理设备发起图像处理请求,使得数据处理设备对该图像进行执行图像处理应用(例如,图像分类、目标检测和图像分割等),从而得到处理后的图像。
在图2a中,数据处理设备可以执行本申请实施例的神经网络压缩方法以及模型训练方法。
图2b为本申请实施例提供的图像处理系统的另一结构示意图,在图2b中,用户设备直接作为数据处理设备,该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理,具体过程与图2a相似,可参考上面的描述,在此不再赘述。
在图2b所示的图像处理系统中,用户设备可以接收用户的指令,例如用户设备可以获取用户在用户设备中所选择的一张待处理图像,然后再由用户设备自身针对该图像执行图像处理应用(例如,图像分类、目标检测和图像分割等),从而得到针对该图像的对应的处理结果。
在图2b中,用户设备自身就可以执行本申请实施例的神经网络压缩方法以及模型训练方法。
图2c为本申请实施例提供的图像处理的相关设备的一个示意图。
上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备302,图2a中的数据处理设备具体可以是图2c中的执行设备210,其中,数据存储系统250可以存储执行设备210的待处理数据,数据存储系统250可以集成在执行设备210上,也可以设置在云上或其它网络服务器上。
图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如,基于支持向量机的模型)进行数据训练/机器学习/深度学习,并利用数据最终训练或者学习得到的模型针对图像执行图像处理应用,从而得到相应的处理结果。
此外,本申请实施例还提供了另一种图像处理系统中,该系统包含数据处理设备(如,云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器)和用户设备。其中,数据处理设备执行本申请实施例中的模型训练方法,并将基于该方法得到第一神经网络、第二神经网络和第三神经网络,部署在用户设备中,以使得用户设备执行本申请实施例的神经网络压缩方法。
图3a为本申请实施例提供的系统100架构的一个示意图,在图3a中,执行设备110配置输入/输出(input/output,I/O)接口112,用于与外部设备进行数据交互,用户可以通过客户设备140向I/O接口112输入数据,所述输入数据在本申请实施例中可以包括:各个待调度任务、可调用资源以及其他参数。
在执行设备110对输入数据进行预处理,或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中,执行设备110可以调用数据存储系统150中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储系统150中。
最后,I/O接口112将处理结果返回给客户设备140,从而提供给用户。
值得说明的是,训练设备120可以针对不同的目标或称不同的任务,基于不同的训练数据生成相应的目标模型/规则,该相应的目标模型/规则即可以用于实现上述目标或完成上述任务,从而为用户提供所需的结果。其中,训练数据可以存储在数据库130中,且来自于数据采集设备160采集的训练样本。
在图3a中所示情况下,用户可以手动给定输入数据,该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下,客户设备140可以自动地向I/O接口112发送输入数据,如果要求客户设备140自动发送输入数据需要获得用户的授权,则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果,具体的呈现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端,采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据,并存入数据库130。当然,也可以不经过客户设备140进行采集,而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果,作为新的样本数据存入数据库130。
值得注意的是,图3a仅是本申请实施例提供的一种系统架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图3a中,数据存储系统150相对执行设备110是外部存储器,在其它情况下,也可以将数据存储系统150置于执行设备110中。如图3a所示,可以根据训练设备120训练得到神经网络。
本申请实施例还提供的一种芯片,该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3a所示的执行设备110中,用以完成计算模块111的计算工作。该芯片也可以被设置在如图3a所示的训练设备120中,用以完成训练设备120的训练工作并输出目标模型/规则。
神经网络处理器NPU,NPU作为协处理器挂载到主中央处理器(centralprocessing unit,CPU)(host CPU)上,由主CPU分配任务。NPU的核心部分为运算电路,控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。
在一些实现中,运算电路内部包括多个处理单元(process engine,PE)。在一些实现中,运算电路是二维脉动阵列。运算电路还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)中。
向量计算单元可以对运算电路的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。例如,向量计算单元可以用于神经网络中非卷积/非FC层的网络计算,如池化(pooling),批归一化(batch normalization),局部响应归一化(localresponse normalization)等。
在一些实现种,向量计算单元能将经处理的输出的向量存储到统一缓存器。例如,向量计算单元可以将非线性函数应用到运算电路的输出,例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元生成归一化的值、合并值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路的激活输入,例如用于在神经网络中的后续层中的使用。
统一存储器用于存放输入数据以及输出数据。
权重数据直接通过存储单元访问控制器(direct memory access controller,DMAC)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器,以及将统一存储器中的数据存入外部存储器。
总线接口单元(bus interface unit,BIU),用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。
与控制器连接的取指存储器(instruction fetch buffer),用于存储控制器使用的指令;
控制器,用于调用指存储器中缓存的指令,实现控制该运算加速器的工作过程。
一般地,统一存储器,输入存储器,权重存储器以及取指存储器均为片上(On-Chip)存储器,外部存储器为该NPU外部的存储器,该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory,DDRSDRAM)、高带宽存储器(high bandwidth memory,HBM)或其他可读可写的存储器。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的,神经单元可以是指以xs和截距1为输入的运算单元,该运算单元的输出可以为:
其中,s=1、2、……n,n为大于1的自然数,Ws为xs的权重,b为神经单元的偏置。f为神经单元的激活函数(activation functions),用于将非线性特性引入神经网络中,来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入。激活函数可以是sigmoid函数。神经网络是将许多个上述单一的神经单元联结在一起形成的网络,即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连,来提取局部接受域的预测标签,局部接受域可以是由若干个神经单元组成的区域。
神经网络中的每一层的工作可以用数学表达式y=a(Wx+b)来描述:从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作,完成输入空间到输出空间的变换(即矩阵的行空间到列空间),这五种操作包括:1、升维/降维;2、放大/缩小;3、旋转;4、平移;5、“弯曲”。其中1、2、3的操作由Wx完成,4的操作由+b完成,5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物,而是一类事物,空间是指这类事物所有个体的集合。其中,W是权重向量,该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换,即每一层的权重W控制着如何变换空间。训练神经网络的目的,也就是最终得到训练好的神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。因此,神经网络的训练过程本质上就是学习控制空间变换的方式,更具体的就是学习权重矩阵。
因为希望神经网络的输出尽可能的接近真正想要预测的值,所以可以通过比较当前网络的预测值和真正想要的目标值,再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然,在第一次更新之前通常会有初始化的过程,即为神经网络中的各层预先配置参数),比如,如果网络的预测值高了,就调整权重向量让它预测低一些,不断的调整,直到神经网络能够预测出真正想要的目标值。因此,就需要预先定义“如何比较预测值和目标值之间的差异”,这便是损失函数(loss function)或目标函数(objective function),它们是用于衡量预测值和目标值的差异的重要方程。其中,以损失函数举例,损失函数的输出值(loss)越高表示差异越大,那么神经网络的训练就变成了尽可能缩小这个loss的过程。
(2)反向传播算法
神经网络可以采用误差反向传播(back propagation,BP)算法在训练过程中修正初始的神经网络模型中参数的大小,使得神经网络模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的神经网络模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的神经网络模型的参数,例如权重矩阵。
下面从神经网络的训练侧和神经网络的应用侧和对本申请提供的方法进行描述。
本申请实施例提供的模型训练方法,涉及图像的处理,具体可以应用于数据训练、机器学习、深度学习等数据处理方法,对训练数据(如本申请中的待训练图像)进行符号化和形式化的智能信息建模、抽取、预处理、训练等,最终得到训练好的神经网络;并且,本申请实施例提供的神经网络压缩方法可以运用上述训练好的神经网络,将输入数据(如本申请中的目标图像)输入到所述训练好的神经网络中,得到输出数据(如本申请中量化比特数、目标图像的特征)。需要说明的是,本申请实施例提供的模型训练方法和神经网络压缩方法是基于同一个构思产生的发明,也可以理解为一个系统中的两个部分,或一个整体流程的两个阶段:如模型训练阶段和模型应用阶段。
图4为本申请实施例提供的神经网络压缩方法的一个流程示意图。如图4所示,该方法包括:
401、获取目标图像。
当需要对目标图像进行图像处理时,可先获取待处理的目标图像。进一步地,还可获取第一神经网络和第二神经网络。其中,第一神经网络用于压缩第二神经网络,即第一神经网络用于对第二神经网络的参数进行量化处理,从而降低第二神经网络的参数所占用的设备资源。第二神经网络用于对目标图像进行图像处理,例如,第二神经网络可对目标图像进行图像分类,从而确定目标图像中的物体所属的类别,又如,第二神经网络可对目标图像进行图像分割,从而将目标图像中不同类别的物体划分出来等等。
应理解,第一神经网络可以为多层感知机(multi-layer perceptron,MLP)、卷积神经网络(convolutional neural networks,CNN)、递归神经网络(recursive neuralnetwork)、循环神经网络(recurrent neural network,RNN)等模型中的任意一种,第二神经网路也可以为MLP、CNN、递归神经网络、RNN等模型中的任意一种,此处不做限制。
还应理解,本申请实施例中的第一神经网络和第二神经网络均为经过训练后的神经网络模型,此处先不对第一神经网络和第二神经网络的训练过程展开介绍。
402、将目标图像输入第一神经网络,得到第二神经网络的量化比特数,其中,第二神经网络用于对目标图像进行图像处理,第二神经网络的量化比特数与图像处理所需的计算量正相关。
对于包含不同内容的目标图像,图像处理的难度也不同。例如,以对目标图像的图像处理为识别出目标图像的物体进行示意性说明。设存在图像A和图像B,图像A中的物体为一只狗,图像B中的物体为一只停在花上的蜻蜓。由于图像A中的狗容易识别,图像B中的蜻蜓不易识别,故图像A的识别难度比图像A的识别难度低。
由此可见,若目标图像的图像处理难度较小,第二神经网络对目标图像进行处理时所需付出的计算量即使较少(即图像处理的精度较低),也可保证图像处理的准确性。若目标图像的图像处理难度较大,第二神经网络对目标图像进行处理时所需付出的计算量则需较多(即图像处理的精度较高),从而保证图像处理的准确性。基于此,在对第二神经网络的参数进行量化处理时,需要随着目标图像的图像处理难度的变化而变化。若第二神经网络的参数以高比特的数值进行表示和存储,则第二神经网络所能实现的图像处理精度则较高,若第二神经网络的参数以低特比的数值进行表示和存储,则第二神经网络所能实现的图像处理精度则较低。
具体地,得到目标图像后,可将目标图像输入第一神经网络,使得第一神经网络对目标图像进行图像处理,得到第二神经网络的量化比特数。其中,第二神经网络的量化比特数与,第二神经网络对目标图像进行图像处理所需的计算量(即第二神经网络对目标图像进行图像处理的难度)相关联。一般地,若目标图像的图像处理难度较小,则第二神经网络的量化比特数较小,若目标图像的图像处理难度较大,则第二神经网络的量化比特数较大。依旧如上述例子,若将图像A输入第一神经网络,第一神经网络输出的第二神经网络的量化比特数为2比特,若将图像B输入第二神经网络,第一神经网络输出的第二神经网络的量化比特数为4比特。
进一步地,第二神经网络的量化比特数可包含第二神经网络中M层网络(例如,第二神经网络的M个卷积层)的量化比特数,M为正整数。对于第二神经网络而言,这M层网络的量化比特数可完全相同,也可部分相同。那么,第一神经网络可通过如下方式得到第二神经网络中M层网络的量化比特数:
将目标图像输入第一神经网络,得到第二神经网络中第i层网络的候选比特数的概率,其中,i=1,2,…,M。然后,根据第i层网络的候选比特数的概率的大小,从第i层网络的候选比特数中选择第i层网络的量化比特数。因此,可以得到第二神经网络的M层网络中,每一层网络的量化比特数。
为了进一步理解前述的过程,下文结合图5作进一步的说明。图5为本申请实施例提供的神经网络压缩方法的一个应用例示意图,如图5所示,设存在图像A和图像B(图像A的图像处理难度低于图像B的图像处理难度),且第二神经网络每一个卷积层的候选比特数为2比特、3比特、4比特和5比特。
将图像A输入第一神经网络后,可得到第二神经网络各个卷积层的候选比特数的概率,其中,第1个卷积层的候选比特数的概率中,2比特的概率最大,第2个卷积层的候选比特数的概率中,3比特的概率最大,第3个卷积层的候选比特数的概率中,2比特的概率最大等等,那么,可确定第二神经网络的第1个卷积层的量化比特数为2比特,第2个卷积层的量化比特数为3比特,第3个卷积层的量化比特数为2比特,…,第M个卷积层的量化比特数为2比特。
将图像B输入第一神经网络后,可得到第二神经网络各个卷积层的候选比特数的概率,其中,第1个卷积层的候选比特数的概率中,5比特的概率最大,第2个卷积层的候选比特数的概率中,4比特的概率最大,第3个卷积层的候选比特数的概率中,4比特的概率最大等等,那么,可确定第二神经网络的第1个卷积层的量化比特数为5比特,第2个卷积层的量化比特数为4比特,第3个卷积层的量化比特数为4比特,…,第M个卷积层的量化比特数为5比特。
403、根据第二神经网络的量化比特数,对第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络。
得到第二神经网络的量化比特数后,可根据第二神经网络的量化比特数,对第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络。具体地,对于第二神经网络的M层网络,可根据第二神经网络中第i层网络的量化比特数,对第i层网络的参数进行量化处理,得到量化处理后的第二神经网络,其中,i=1,2,…,M,M为正整数。
依旧如图5所示的例子进行说明,对于图像A而言,确定第二神经网络的第1个卷积层的量化比特数为2比特,第2个卷积层的量化比特数为3比特,第3个卷积层的量化比特数为2比特,…,第M个卷积层的量化比特数为2比特后,则将第二神经网络的第1个卷积层的参数以2比特的数值进行表示,将第2个卷积层的参数以3比特的数值进行表示,将第3个卷积层的参数以2比特的数值进行表示,…,将第M个卷积层的参数以2比特的数值进行表示,从而完成第二神经网络的量化处理,得到量化处理后的第二神经网络。
对于图像B而言,确定第二神经网络的第1个卷积层的量化比特数为5比特,第2个卷积层的量化比特数为4比特,第3个卷积层的量化比特数为4比特,…,第M个卷积层的量化比特数为5比特后,则将第二神经网络的第1个卷积层的参数以5比特的数值进行表示,将第2个卷积层的参数以4比特的数值进行表示,将第3个卷积层的参数以4比特的数值进行表示,…,将第M个卷积层的参数以5比特的数值进行表示,从而完成第二神经网络的量化处理,得到量化处理后的第二神经网络。
此外,本实施例中,第二神经网络中每一层网络的参数通常指该层的权重。在对每一层网络的权重进行量化处理的同时,还可对每一层的输入进行相应的量化处理。例如,在将第1个卷积层的权重以2比特的数值进行表示的同时,也可将第1个卷积层的输入以2比特的数值进行表示。
404、将目标图像输入量化处理后的第二神经网络,得到目标图像的特征。
得到量化处理后的第二神经网络后,可将目标图像输入量化处理后的第二神经网络,以使得量化处理后的第二神经网络对目标图像进行图像处理(例如,图像分类、目标检测和图像分割等等),从而得到目标图像的特征。
本实施例中,在获取目标图像后,可将目标图像输入第一神经网络,以得到用于压缩第二神经网络的量化比特数。该量化比特数与对目标图像进行图像处理所需的计算量正相关,若对目标图像进行图像处理所需的计算量较多,则该量化比特数较大,若对目标图像进行图像处理所需的计算量较少,则该量化比特数较小。可见,由于目标图像的处理难度不同,第一神经网络输出的量化比特数则不同,使得对第二神经网络的量化处理程度也不同。如此一来,对于处理难度较小的目标图像,量化处理后的第二神经网络可对其进行精度较小的图像处理,对于处理难度较大的目标图像,量化处理后的第二神经网络可对其进行精度较大的图像处理,从而保证图像处理的准确性。
此外,可将本申请实施例中的神经网络与其他压缩方法(如背景技术中的神经网络压缩方法)得到的神经网络进行性能上的比较,比较结果如表1(对应第一个图像数据集)所示:
表1
其他压缩方法(包含方法一和方法二)采用的是静态固定比特数的方式(即固定神经网络的参数的比特数),而本申请采用的是动态调整比特数的方式(即随着图像的不同,自动调整神经网络的参数的比特数)。基于表1可知,本申请实施例提供的压缩方法,可保证神经网络在对第一类图像数据集中的图像进行处理时,在占用较低计算量的情况下,取得更高的准确性。
进一步地,还可再将本申请实施例中的神经网络与其他压缩方法(如背景技术中的神经网络压缩方法)得到的神经网络进行性能上的比较,比较结果如表2(对应第二个图像数据集)所示:
表2
基于表2可知,本申请实施例提供的压缩方法,可保证神经网络在对第二类图像数据集中的图像进行处理时,在占用较低计算量的情况下,同样也可取得更高的准确性。
图6为本申请实施例提供的神经网络压缩方法的另一流程示意图。如图6所示,该方法包括:
601、获取目标图像。
当需要对目标图像进行图像处理时,可先获取待处理的目标图像。进一步地,还可获取第三神经网络和第二神经网络。其中,第三神经网络用于压缩第二神经网络的输入,即第三神经网络用于对目标图像的分辨率进行调整,从而降低第二神经网络处理图像目标时所占用的设备资源。第二神经网络用于对目标图像进行图像处理,例如,第二神经网络可对目标图像进行图像分类,从而确定目标图像中的物体所属的类别,又如,第二神经网络可对目标图像进行图像分割,从而将目标图像中不同类别的物体划分出来等等。
应理解,第三神经网络可以为MLP、CNN、递归神经网络、RNN等模型中的任意一种,第二神经网路也可以为MLP、CNN、递归神经网络、RNN等模型中的任意一种,此处不做限制。
还应理解,本申请实施例中的第三神经网络和第二神经网络均为经过训练后的神经网络模型,此处先不对第三神经网络和第二神经网络的训练过程展开介绍。
602、将目标图像输入第三神经网络,得到第二神经网络对应的目标分辨率,其中,第二神经网络用于对目标图像进行图像处理,第二神经网络对应的目标分辨率与图像处理所需的计算量正相关。
对于包含不同内容的目标图像,图像处理的难度也不同。例如,以对目标图像的图像处理为识别出目标图像的物体进行示意性说明。设存在图像A和图像B,图像A中的物体为一只狗,图像B中的物体为一只停在花上的蜻蜓。由于图像A中的狗容易识别,图像B中的蜻蜓不易识别,故图像A的识别难度比图像A的识别难度低。
由此可见,若目标图像的图像处理难度较小,第二神经网络对目标图像进行处理时所需付出的计算量即使较少(即图像处理的精度较低),也可保证图像处理的准确性。若目标图像的图像处理难度较大,第二神经网络对目标图像进行处理时所需付出的计算量则需较多(即图像处理的精度较高),从而保证图像处理的准确性。基于此,在将目标图像输入至第二神经网络时,可使得目标图像的分辨率随着目标图像的图像处理难度的变化而变化。若输入的目标图像的分辨率较小,第二神经网络实现图像处理时需付出的计算量则较少,若输入的目标图像的分辨率较大,第二神经网络实现图像处理时需付出的计算量则较多。
具体地,得到目标图像后,将目标图像输入第三神经网络,得到第二神经网络对应的目标分辨率,其中,第二神经网络对应的目标分辨率与,第二神经网络对目标图像进行图像处理所需的计算量(即第二神经网络对目标图像进行图像处理的难度)相关联。一般地,若目标图像的图像处理难度较小,则第二神经网络对应的目标分辨率(输入至第二神经网络的目标图像的目标分辨率)较小,若目标图像的图像处理难度较大,则第二神经网络对应的目标分辨率较大。依旧如上述例子,若将图像A输入第一神经网络,第一神经网络输出的第二神经网络对应的目标分辨率为168×168,若将图像B输入第二神经网络,第一神经网络输出的第二神经网络对应的目标分辨率为224×224。
进一步地,第一神经网络可通过如下方式得到第二神经网络对应的目标分辨率:
将目标图像输入第三神经网络,得到第二神经网络对应的候选分辨率的概率。根据第二神经网络对应的候选分辨率的概率的大小,从第二神经网络对应的候选分辨率选择第二神经网络对应的目标分辨率。
为了进一步理解前述的过程,下文结合图7作进一步的说明。图7为本申请实施例提供的神经网络压缩方法的另一应用例示意图,如图7所示,设存在图像A和图像B(图像A的图像处理难度低于图像B的图像处理难度),且第二神经网络对应的候选分辨率为168×168、200×200和224×224。
将图像A输入第一神经网络后,可得到第二神经网络对应的候选分辨率的概率,即得到168×168的概率、200×200的概率和224×224的概率,其中,168×168的概率最大,故可将168×168确定为第二神经网络对应的目标分辨率。
将图像B输入第一神经网络后,可得到第二神经网络对应的候选分辨率的概率,即得到168×168的概率、200×200的概率和224×224的概率,其中,224×224的概率最大,故可将224×224确定为第二神经网络对应的目标分辨率。
603、将目标图像的分辨率调整为目标分辨率,得到目标分辨率的目标图像。
得到第二神经网络对应的目标分辨率后,可将目标图像从原始分辨率调整至该目标分辨率,从而得到目标分辨率的目标图像。例如,设目标分辨率为168×168,目标图像的原始分辨率为400×400,则将目标图像的分辨率从400×400调整为168×168,得到分辨率为168×168的目标图像。
604、将目标分辨率的目标图像输入第二神经网络,得到目标分辨率的目标图像的特征。
得到目标分辨率的目标图像后,可将目标分辨率的目标图像输入第二神经网络,以使得第二神经网络对目标分辨率的目标图像进行图像处理(例如,图像分类、目标检测和图像分割等等),从而得到目标分辨率的目标图像的特征。
本实施例中,在获取目标图像后,可将目标图像输入第三神经网络,以得到第二神经网络对应的目标分辨率,用于压缩第二神经网络的输入,即目标图像。该目标分辨率与对目标图像进行图像处理所需的计算量正相关,若对目标图像进行图像处理所需的计算量较多,则该目标分辨率较大,若对目标图像进行图像处理所需的计算量较少,则该目标分辨率较小。可见,由于目标图像的处理难度不同,第三神经网络输出的目标分辨率则不同,使得调整后的目标图像的目标分辨率也不同。如此一来,对于处理难度较小的目标图像,可令其分辨率较小,使得第二神经网络对其进行精度较小的图像处理,对于处理难度较大的目标图像,可令其分辨率较大,使得第二神经网络对其进行精度较大的图像处理,从而保证图像处理的准确性。
值得注意的是,结合图4所示的实施例和图6的实施例,在得到目标分辨率的目标图像后,还可将目标分辨率的目标图像输入至量化处理后的第二神经网络,以使得量化处理后的第二神经网络对目标分辨率的目标图像进行图像处理,从而得到目标分辨率的目标图像的特征。
此外,可将本申请实施例中的神经网络与其他压缩方法得到的神经网络进行性能上的比较,比较结果如表3(对应第一个图像数据集)所示:
表3
基于表3可知,本申请实施例提供的神经网络在进行图像处理时,可在占用较低计算量的情况下,可取得更高的准确性。
以上是对本申请实施例提供的神经网络压缩方法所进行的详细说明,以下将对本申请实施例提供的模型训练方法进行介绍。图8为本申请实施例提供的模型训练方法的一个流程示意图,如图8所示,该方法包括:
801、获取待训练图像。
当要进行模型训练时,可先获取用于模型训练的待训练图像。需要说明的是,待训练图像的真实特征是已知的。进一步地,还可获取第一待训练模型和第二待训练模型,以对这两个模型进行联合训练。
802、将待训练图像输入第一待训练模型,得到第二待训练模型的量化比特数。
得到待训练图像和第一待训练模型后,可将待训练图像输入第一待训练模型,得到第二待训练模型的量化比特数。
具体地,第二待训练模型的量化比特数包括第二待训练模型中M层网络的量化比特数,M为正整数。那么,第一待训练模型可通过如下方式得到第二待训练模型中M层网络的量化比特数:
将待训练图像输入第一待训练模型,得到第二待训练模型中第i层网络的候选比特数的概率;根据第二待训练模型中第i层网络的候选比特数的概率的大小,从第i层网络的候选比特数中选择第i层网络的量化比特数,i=1,2,…,M。
803、根据第二待训练模型的量化比特数,对第二待训练模型的参数进行量化处理,得到量化处理后的第二待训练模型。
得到第二待训练模型的量化比特数后,可根据第二待训练模型的量化比特数,对第二待训练模型的参数进行量化处理,得到量化处理后的第二待训练模型。具体地,可根据第二待训练模型中第i层网络的量化比特数,对第i层网络的参数进行量化处理,得到量化处理后的第二待训练模型。
804、将待训练图像输入量化处理后的第二待训练模型,得到待训练图像的特征。
得到量化处理后的第二待训练模型后,可将待训练图像输入量化处理后的第二待训练模型,以使得量化处理后的第二待训练模型对待训练图像进行图像处理,从而得到待训练图像的特征(预测特征)。
关于步骤802至步骤804的说明,可参考图4所示实施例中步骤402至步骤404的相关说明部分,此处不再赘述。
805、根据第二待训练模型的量化比特数和预置比特数之间的偏差,以及待训练图像的特征和待训练图像的真实特征之间的偏差,获取目标损失。
得到第二待训练模型的量化比特数和待训练图像的特征后,可根据第二待训练模型的量化比特数和预置比特数之间的偏差,以及待训练图像的特征和待训练图像的真实特征之间的偏差,获取目标损失。具体地,通过构建标准的交叉熵损失,并引入一个正则化项,从而得到目标损失,其中,标准的交叉熵损失用于指示待训练图像的特征和待训练图像的真实特征之间的偏差,正则化项用于指示第二待训练模型中第i层网络的量化比特数与预置比特数之间的偏差(即第二待训练模型的M层网络中,各层网络的量化比特数与阈值比特数之间的变差)。
本实施例中的目标损失可通过公式(2)获取:
上式中,L为图8所示实施例中的目标损失,Lcls为标准的交叉熵损失,该交叉熵损失基于待训练图像的特征和待训练图像的真实特征生成,α为预置的超参,Bi为第i层网络的量化比特数所对应的计算量(即第i层网络的参数以对应的量化比特数的数值进行表示时,所占用的计算量),Btar为预置比特数所对应的计算量。
806、根据目标损失更新第一待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络和第二神经网络。
得到目标损失后,可判断目标损失是否收敛。若目标损失还未收敛,则更新第一待训练模型的参数以及第二待训练模型(未量化处理的第二待训练模型)的参数,并通过新的待训练图像,对第一待训练模型和第二待训练模型重新进行联合训练,直至目标损失收敛,即满足模型训练条件,得到图4所示实施例中的第一神经网络和第二神经网络。
本实施例中,通过对第一待训练模型和第二待训练模型进行联合训练,可以得到第一神经网络和第二神经网络。通过本实施例得到的第一神经网络,可以基于输入的目标图像准确获取第二神经网络的量化比特数,且通过本实施例得到的第二神经网络,可以对目标图像进行准确的图像处理。
图9为本申请实施例提供的模型训练方法的另一流程示意图,如图9所示,该方法包括:
901、获取待训练图像;
当要进行模型训练时,可先获取用于模型训练的待训练图像。需要说明的是,目标分辨率的待训练图像的真实特征是已知的。进一步地,还可获取第三待训练模型和第二待训练模型,以对这两个模型进行联合训练。
902、将待训练图像输入第三待训练模型,得到第二待训练模型对应的目标分辨率。
得到待训练图像和第三待训练模型后,将待训练图像输入第三待训练模型,得到第二待训练模型对应的目标分辨率。
具体地,第三待训练模型可通过以下方式获取第二待训练模型对应的目标分辨率:
将待训练图像输入第三待训练模型,得到第二待训练模型对应的候选分辨率的概率;根据第二待训练模型对应的候选分辨率的概率的大小,从第二待训练模型对应的候选分辨率选择第二待训练模型对应的目标分辨率。
903、将待训练图像的分辨率调整为目标分辨率,得到目标分辨率的待训练图像。
得到第二待训练模型对应的目标分辨率后,可将待训练图像从原始分辨率调整为目标分辨率,得到目标分辨率的待训练图像。
904、将目标分辨率的待训练图像输入第二待训练模型,得到目标分辨率的待训练图像的特征。
得到目标分辨率的待训练图像后,可将目标分辨率的待训练图像输入第二待训练模型,以使得第二待训练模型对目标分辨率的待训练图像进行图像处理,从而得到目标分辨率的待训练图像的特征(预测特征)。
关于步骤902至步骤904的说明,可参考图6所示实施例中步骤602至步骤604的相关说明部分,此处不再赘述。
905、根据目标分辨率对应的期望值与预设期望值之间的偏差,以及目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失。
得到第二待训练模型对应的目标分辨率和目标分辨率的目标图像的特征后,可根据目标分辨率对应的期望值与预设期望值之间的偏差,以及目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失。具体地,通过构建标准的交叉熵损失,并引入一个正则化项,从而得到目标损失,其中,标准的交叉熵损失用于指示目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,正则化项用于指示根据目标分辨率的概率的期望值与预设期望值之间的偏差,以及除目标分辨率之外的其余候选分辨率的概率的期望值与预设期望值之间的偏差。
本实施例中的目标损失可通过公式(3)获取:
L0=Lce+ηLreg
上式中,L0为图9所示实施例中的目标损失,Lce为标准的交叉熵损失,该交叉熵损失基于目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征生成,η为预置的超参,β为预置期望值(预置的惩罚系数),E(hj)为第j个候选分辨率的概率的期望值(数学期望),N为候选分辨率的数量。可见,若某个候选分辨率的概率的期望值小于β,则Lreg会增大。
906、根据目标损失更新第三待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
得到目标损失后,可判断目标损失是否收敛。若目标损失还未收敛,则更新第三待训练模型的参数以及第二待训练模型的参数,并通过新的待训练图像,对第三待训练模型和第二待训练模型重新进行联合训练,直至目标损失收敛,即满足模型训练条件,得到图6所示实施例中的第三神经网络和第二神经网络。
本实施例中,通过对第三待训练模型和第二待训练模型进行联合训练,可以得到第三神经网络和第二神经网络。通过本实施例得到的第三神经网络,可以基于输入的目标图像准确获取第二神经网络对应的目标分辨率,且通过本实施例得到的第二神经网络,可以对目标图像进行准确的图像处理。
以上是对本申请实施例提供的模型训练方法所进行的详细说明,以下将对本申请实施例提供的神经网络压缩装置进行介绍。图10为本申请实施例提供的神经网络压缩装置的一个结构示意图,如图10所示,该装置包括:获取模块1001和处理模块1002;
获取模块1001,用于获取目标图像;
处理模块1002,用于将目标图像输入第一神经网络,得到第二神经网络的量化比特数,其中,第二神经网络用于对目标图像进行图像处理,第二神经网络的量化比特数与图像处理所需的计算量正相关;
处理模块1002,还用于根据第二神经网络的量化比特数,对第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络。
从上述装置可以看出:在获取目标图像后,可将目标图像输入第一神经网络,以得到用于压缩第二神经网络的量化比特数。该量化比特数与对目标图像进行图像处理所需的计算量正相关,若对目标图像进行图像处理所需的计算量较多,则该量化比特数较大,若对目标图像进行图像处理所需的计算量较少,则该量化比特数较小。可见,由于目标图像的处理难度不同,第一神经网络输出的量化比特数则不同,使得对第二神经网络的量化处理程度也不同。如此一来,对于处理难度较小的目标图像,量化处理后的第二神经网络可对其进行精度较小的图像处理,对于处理难度较大的目标图像,量化处理后的第二神经网络可对其进行精度较大的图像处理,从而保证图像处理的准确性。
在一种可能的实现方式中,第二神经网络的量化比特数包含第二神经网络中M层网络的量化比特数,处理模块1002,具体用于根据第二神经网络中第i层网络的量化比特数,对第i层网络的参数进行量化处理,得到量化处理后的第二神经网络,其中,i=1,2,…,M,M为正整数。
在一种可能的实现方式中,处理模块1002,具体用于:将目标图像输入第一神经网络,得到第二神经网络中第i层网络的候选比特数的概率;根据概率的大小,从第i层网络的候选比特数中选择第i层网络的量化比特数。
在一种可能的实现方式中,处理模块1002,还用于将目标图像输入量化处理后的第二神经网络,得到目标图像的特征。
图11为本申请实施例提供的神经网络压缩装置的另一结构示意图,如图11所示,该装置包括获取模块1101和处理模块1102;
获取模块1101,用于获取目标图像;
处理模块1102,用于将目标图像输入第三神经网络,得到第二神经网络对应的目标分辨率,其中,第二神经网络用于对目标图像进行图像处理,第二神经网络对应的目标分辨率与图像处理所需的计算量正相关;
处理模块1102,还用于将目标图像的分辨率调整为目标分辨率,得到目标分辨率的目标图像。
从上述装置可以看出:在获取目标图像后,可将目标图像输入第三神经网络,以得到第二神经网络对应的目标分辨率,用于压缩第二神经网络的输入,即目标图像。该目标分辨率与对目标图像进行图像处理所需的计算量正相关,若对目标图像进行图像处理所需的计算量较多,则该目标分辨率较大,若对目标图像进行图像处理所需的计算量较少,则该目标分辨率较小。可见,由于目标图像的处理难度不同,第三神经网络输出的目标分辨率则不同,使得调整后的目标图像的目标分辨率也不同。如此一来,对于处理难度较小的目标图像,可令其分辨率较小,使得第二神经网络对其进行精度较小的图像处理,对于处理难度较大的目标图像,可令其分辨率较大,使得第二神经网络对其进行精度较大的图像处理,从而保证图像处理的准确性。
在一种可能的实现方式中,处理模块1102,具体用于:将目标图像输入第三神经网络,得到第二神经网络对应的候选分辨率的概率;根据概率的大小,从第二神经网络对应的候选分辨率选择第二神经网络对应的目标分辨率。
在一种可能的实现方式中,处理模块1102,还用于将目标分辨率的目标图像输入第二神经网络,得到目标分辨率的目标图像的特征。
以上是对本申请实施例提供的神经网络压缩装置所进行的详细说明,以下将对本申请实施例提供的模型训练装置进行介绍。图12为本申请实施例提供的模型训练装置的一个结构示意图,如图12所示,该装置包括获取模块1201和训练模块1202;
获取模块1201,用于获取待训练图像;
训练模块1202,用于将待训练图像输入第一待训练模型,得到第二待训练模型的量化比特数;
训练模块1202,还用于根据第二待训练模型的量化比特数,对第二待训练模型的参数进行量化处理,得到量化处理后的第二待训练模型;
训练模块1202,还用于将待训练图像输入量化处理后的第二待训练模型,得到待训练图像的特征;
训练模块1202,还用于根据第二待训练模型的量化比特数以及待训练图像的特征,更新第一待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络以及第二神经网络。
从上述装置可以看出:通过对第一待训练模型和第二待训练模型进行联合训练,可以得到第一神经网络和第二神经网络。通过该装置得到的第一神经网络,可以基于输入的目标图像准确获取第二神经网络的量化比特数,且通过该装置得到的第二神经网络,可以对目标图像进行准确的图像处理。
在一种可能的实现方式中,训练模块1202,具体用于:根据第二待训练模型的量化比特数和预置比特数之间的偏差,以及待训练图像的特征和待训练图像的真实特征之间的偏差,获取目标损失;根据目标损失更新第一待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络和第二神经网络。
在一种可能的实现方式中,第二待训练模型的量化比特数包括第二待训练模型中M层网络的量化比特数,训练模块1202,具体用于根据第二待训练模型中第i层网络的量化比特数,对第i层网络的参数进行量化处理,得到量化处理后的第二待训练模型,其中,i=1,2,…,M,M为正整数。
在一种可能的实现方式中,训练模块1202,具体用于:将待训练图像输入第一待训练模型,得到第二待训练模型中第i层网络的候选比特数的概率;根据概率的大小,从第i层网络的候选比特数中选择第i层网络的量化比特数。
在一种可能的实现方式中,第二待训练模型的量化比特数和预置比特数之间的偏差包含第二待训练模型中第i层网络的量化比特数与预置比特数之间的偏差。
图13为本申请实施例提供的模型训练装置的另一结构示意图,如图13所示,该装置包括获取模块1301和训练模块1302;
获取模块1301,用于获取待训练图像;
训练模块1302,用于将待训练图像输入第三待训练模型,得到第二待训练模型对应的目标分辨率;
训练模块1302,还用于将待训练图像的分辨率调整为目标分辨率,得到目标分辨率的待训练图像;
训练模块1302,还用于将目标分辨率的待训练图像输入第二待训练模型,得到目标分辨率的待训练图像的特征;
训练模块1302,还用于根据目标分辨率以及目标分辨率的待训练图像的特征,更新第三待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
从上述装置可以看出:通过对第三待训练模型和第二待训练模型进行联合训练,可以得到第三神经网络和第二神经网络。通过该装置得到的第三神经网络,可以基于输入的目标图像准确获取第二神经网络对应的目标分辨率,且通过该装置得到的第二神经网络,可以对目标图像进行准确的图像处理。
在一种可能的实现方式中,训练模块1302,具体用于:根据目标分辨率对应的期望值与预设期望值之间的偏差,以及目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失;根据目标损失更新第三待训练模型的参数以及第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
在一种可能的实现方式中,训练模块1302,具体用于:将待训练图像输入第三待训练模型,得到第二待训练模型对应的候选分辨率的概率;根据概率的大小,从第二待训练模型对应的候选分辨率选择第二待训练模型对应的目标分辨率。
在一种可能的实现方式中,训练模块1302,具体用于根据目标分辨率的概率的期望值与预设期望值之间的偏差,除目标分辨率之外的其余候选分辨率的概率的期望值与预设期望值之间的偏差,以及目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失。
需要说明的是,上述装置各模块/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,其带来的技术效果与本申请方法实施例相同,具体内容可参考本申请实施例前述所示的方法实施例中的叙述,此处不再赘述。
本申请实施例还涉及一种执行设备,图14为本申请实施例提供的执行设备的一个结构示意图。如图14所示,执行设备1400具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等,此处不做限定。其中,执行设备1400上可以部署有图10或图11对应实施例中所描述的神经网络压缩装置,用于实现图4或图6对应实施例中神经网络压缩功能和图像处理功能。具体的,执行设备1400包括:接收器1401、发射器1402、处理器1403和存储器1404(其中执行设备1400中的处理器1403的数量可以一个或多个,图14中以一个处理器为例),其中,处理器1403可以包括应用处理器14031和通信处理器14032。在本申请的一些实施例中,接收器1401、发射器1402、处理器1403和存储器1404可通过总线或其它方式连接。
存储器1404可以包括只读存储器和随机存取存储器,并向处理器1403提供指令和数据。存储器1404的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1404存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1403控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1403中,或者由处理器1403实现。处理器1403可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1403中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1403可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(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。该处理器1403可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1404,处理器1403读取存储器1404中的信息,结合其硬件完成上述方法的步骤。
接收器1401可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1402可用于通过第一接口输出数字或字符信息;发射器1402还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据;发射器1402还可以包括显示屏等显示设备。
本申请实施例中,在一种情况下,处理器1403,用于执行图4或图6对应实施例中的的神经网络压缩方法。
本申请实施例还涉及一种训练设备,图15为本申请实施例提供的训练设备的一个结构示意图。如图15所示,训练设备1500由一个或多个服务器实现,训练设备1500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(centralprocessing units,CPU)1515(例如,一个或一个以上处理器)和存储器1532,一个或一个以上存储应用程序1542或数据1544的存储介质1530(例如一个或一个以上海量存储设备)。其中,存储器1532和存储介质1530可以是短暂存储或持久存储。存储在存储介质1530的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器1515可以设置为与存储介质1530通信,在训练设备1500上执行存储介质1530中的一系列指令操作。
训练设备1500还可以包括一个或一个以上电源1526,一个或一个以上有线或无线网络接口1550,一个或一个以上输入输出接口1558;或,一个或一个以上操作系统1541,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
具体的,训练设备可以执行图8或图9对应的实施例中的步骤。
本申请实施例还涉及一种计算机存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例还涉及一种计算机程序产品,该计算机程序产品存储有指令,该指令在由计算机执行时使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图16,图16为本申请实施例提供的芯片的一个结构示意图,所述芯片可以表现为神经网络处理器NPU 1600,NPU 1600作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1603,通过控制器1604控制运算电路1603提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1603内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1603是二维脉动阵列。运算电路1603还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1603是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1602中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1601中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1608中。
统一存储器1606用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1605,DMAC被搬运到权重存储器1602中。输入数据也通过DMAC被搬运到统一存储器1606中。
BIU为Bus Interface Unit即,总线接口单元1610,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1609的交互。
总线接口单元1610(Bus Interface Unit,简称BIU),用于取指存储器1609从外部存储器获取指令,还用于存储单元访问控制器1605从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1606或将权重数据搬运到权重存储器1602中或将输入数据数据搬运到输入存储器1601中。
向量计算单元1607包括多个运算处理单元,在需要的情况下,对运算电路1603的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对特征平面进行上采样等。
在一些实现中,向量计算单元1607能将经处理的输出的向量存储到统一存储器1606。例如,向量计算单元1607可以将线性函数;或,非线性函数应用到运算电路1603的输出,例如对卷积层提取的特征平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1607生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1603的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1604连接的取指存储器(instruction fetch buffer)1609,用于存储控制器1604使用的指令;
统一存储器1606,输入存储器1601,权重存储器1602以及取指存储器1609均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请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可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (36)
1.一种神经网络压缩方法,其特征在于,所述方法包括:
获取目标图像;
将所述目标图像输入第一神经网络,得到第二神经网络的量化比特数,其中,所述第二神经网络用于对所述目标图像进行图像处理,所述第二神经网络的量化比特数与所述图像处理所需的计算量正相关;
根据所述第二神经网络的量化比特数,对所述第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络。
2.根据权利要求1所述的方法,其特征在于,所述第二神经网络的量化比特数包含所述第二神经网络中M层网络的量化比特数,所述根据所述第二神经网络的量化比特数,对所述第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络具体包括:
根据所述第二神经网络中第i层网络的量化比特数,对所述第i层网络的参数进行量化处理,得到量化处理后的第二神经网络,其中,i=1,2,...,M,M为正整数。
3.根据权利要求2所述的方法,其特征在于,所述将所述目标图像输入第一神经网络,得到第二神经网络的量化比特数具体包括:
将所述目标图像输入第一神经网络,得到所述第二神经网络中第i层网络的候选比特数的概率;
根据所述概率的大小,从所述第i层网络的候选比特数中选择所述第i层网络的量化比特数。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述方法还包括:
将所述目标图像输入所述量化处理后的第二神经网络,得到所述目标图像的特征。
5.一种神经网络压缩方法,其特征在于,所述方法包括:
获取目标图像;
将所述目标图像输入第三神经网络,得到第二神经网络对应的目标分辨率,其中,所述第二神经网络用于对所述目标图像进行图像处理,所述第二神经网络对应的目标分辨率与所述图像处理所需的计算量正相关;
将所述目标图像的分辨率调整为目标分辨率,得到目标分辨率的目标图像。
6.根据权利要求5所述的方法,其特征在于,所述将所述目标图像输入第三神经网络,得到第二神经网络对应的目标分辨率具体包括:
将所述目标图像输入第三神经网络,得到第二神经网络对应的候选分辨率的概率;
根据所述概率的大小,从所述第二神经网络对应的候选分辨率选择所述第二神经网络对应的目标分辨率。
7.根据权利要求5或6所述的方法,其特征在于,所述将所述目标图像的分辨率调整为目标分辨率,得到目标分辨率的目标图像之后,所述方法还包括:
将所述目标分辨率的目标图像输入所述第二神经网络,得到所述目标分辨率的目标图像的特征。
8.一种模型训练方法,其特征在于,所述方法包括:
获取待训练图像;
将所述待训练图像输入第一待训练模型,得到第二待训练模型的量化比特数;
根据所述第二待训练模型的量化比特数,对所述第二待训练模型的参数进行量化处理,得到量化处理后的第二待训练模型;
将所述待训练图像输入所述量化处理后的第二待训练模型,得到待训练图像的特征;
根据所述第二待训练模型的量化比特数和所述待训练图像的特征,更新所述第一待训练模型的参数以及所述第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络和第二神经网络。
9.根据权利要求8所述的方法,其特征在于,所述根据所述第二待训练模型的量化比特数和所述待训练图像的特征,更新所述第一待训练模型的参数以及所述第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络和第二神经网络具体包括:
根据所述第二待训练模型的量化比特数和所述预置比特数之间的偏差,以及所述待训练图像的特征和所述待训练图像的真实特征之间的偏差,获取目标损失;
根据所述目标损失更新所述第一待训练模型的参数以及所述第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络和第二神经网络。
10.根据权利要求8或9所述的方法,其特征在于,所述第二待训练模型的量化比特数包括第二待训练模型中M层网络的量化比特数,所述根据所述第二待训练模型的量化比特数,对所述第二待训练模型的参数进行量化处理,得到量化处理后的第二待训练模型具体包括:
根据所述第二待训练模型中第i层网络的量化比特数,对所述第i层网络的参数进行量化处理,得到量化处理后的第二待训练模型,其中,i=1,2,...,M,M为正整数。
11.根据权利要求10所述的方法,其特征在于,所述将所述待训练图像输入第一待训练模型,得到第二待训练模型的量化比特数具体包括:
将所述待训练图像输入第一待训练模型,得到所述第二待训练模型中第i层网络的候选比特数的概率;
根据所述概率的大小,从所述第i层网络的候选比特数中选择所述第i层网络的量化比特数。
12.根据权利要求9所述的方法,其特征在于,所述第二待训练模型的量化比特数和所述预置比特数之间的偏差包含所述第二待训练模型中第i层网络的量化比特数与所述预置比特数之间的偏差。
13.一种模型训练方法,其特征在于,所述方法包括:
获取待训练图像;
将所述待训练图像输入第三待训练模型,得到第二待训练模型对应的目标分辨率;
将所述待训练图像的分辨率调整为目标分辨率,得到目标分辨率的待训练图像;
将所述目标分辨率的待训练图像输入所述第二待训练模型,得到所述目标分辨率的待训练图像的特征;
根据所述目标分辨率以及所述目标分辨率的待训练图像的特征,更新所述第三待训练模型的参数以及所述第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
14.根据权利要求13所述的方法,其特征在于,所述根据所述目标分辨率以及所述目标分辨率的待训练图像的特征,更新所述第三待训练模型的参数以及所述第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络具体包括:
根据所述目标分辨率对应的期望值与预设期望值之间的偏差,以及所述目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失;
根据所述目标损失更新所述第三待训练模型的参数以及所述第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
15.根据权利要求13或14所述的方法,其特征在于,所述将所述待训练图像输入第三待训练模型,得到第二待训练模型对应的目标分辨率具体包括:
将所述待训练图像输入第三待训练模型,得到第二待训练模型对应的候选分辨率的概率;
根据所述概率的大小,从所述第二待训练模型对应的候选分辨率选择所述第二待训练模型对应的目标分辨率。
16.根据权利要求14所述的方法,其特征在于,所述根据所述目标分辨率对应的期望值与预设期望值之间的偏差,以及所述目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失具体包括:
根据所述目标分辨率的概率的期望值与预设期望值之间的偏差,除所述目标分辨率之外的其余候选分辨率的概率的期望值与预设期望值之间的偏差,以及所述目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取所述目标损失。
17.一种神经网络压缩装置,其特征在于,所述装置包括获取模块和处理模块;
所述获取模块,用于获取目标图像;
所述处理模块,用于将所述目标图像输入第一神经网络,得到第二神经网络的量化比特数,其中,所述第二神经网络用于对所述目标图像进行图像处理,所述第二神经网络的量化比特数与所述图像处理所需的计算量正相关;
所述处理模块,还用于根据所述第二神经网络的量化比特数,对所述第二神经网络的参数进行量化处理,得到量化处理后的第二神经网络。
18.根据权利要求17所述的装置,其特征在于,所述第二神经网络的量化比特数包含所述第二神经网络中M层网络的量化比特数,所述处理模块,具体用于根据所述第二神经网络中第i层网络的量化比特数,对所述第i层网络的参数进行量化处理,得到量化处理后的第二神经网络,其中,i=1,2,...,M,M为正整数。
19.根据权利要求18所述的装置,其特征在于,所述处理模块,具体用于:
将所述目标图像输入第一神经网络,得到所述第二神经网络中第i层网络的候选比特数的概率;
根据所述概率的大小,从所述第i层网络的候选比特数中选择所述第i层网络的量化比特数。
20.根据权利要求17至19任意一项所述的装置,其特征在于,所述处理模块,还用于将所述目标图像输入所述量化处理后的第二神经网络,得到所述目标图像的特征。
21.一种神经网络压缩装置,其特征在于,所述装置包括获取模块和处理模块;
所述获取模块,用于获取目标图像;
所述处理模块,用于将所述目标图像输入第三神经网络,得到第二神经网络对应的目标分辨率,其中,所述第二神经网络用于对所述目标图像进行图像处理,所述第二神经网络对应的目标分辨率与所述图像处理所需的计算量正相关;
所述处理模块,还用于将所述目标图像的分辨率调整为目标分辨率,得到目标分辨率的目标图像。
22.根据权利要求21所述的装置,其特征在于,所述处理模块,具体用于:
将所述目标图像输入第三神经网络,得到第二神经网络对应的候选分辨率的概率;
根据所述概率的大小,从所述第二神经网络对应的候选分辨率选择所述第二神经网络对应的目标分辨率。
23.根据权利要求21或22所述的装置,其特征在于,所述处理模块,还用于将所述目标分辨率的目标图像输入所述第二神经网络,得到所述目标分辨率的目标图像的特征。
24.一种模型训练装置,其特征在于,所述装置包括获取模块和训练模块;
所述获取模块,用于获取待训练图像;
所述训练模块,用于将所述待训练图像输入第一待训练模型,得到第二待训练模型的量化比特数;
所述训练模块,还用于根据所述第二待训练模型的量化比特数,对所述第二待训练模型的参数进行量化处理,得到量化处理后的第二待训练模型;
所述训练模块,还用于将所述待训练图像输入所述量化处理后的第二待训练模型,得到待训练图像的特征;
所述训练模块,还用于根据所述第二待训练模型的量化比特数以及所述待训练图像的特征,更新所述第一待训练模型的参数以及所述第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络以及第二神经网络。
25.根据权利要求24所述的装置,其特征在于,所述训练模块,具体用于:
根据所述第二待训练模型的量化比特数和所述预置比特数之间的偏差,以及所述待训练图像的特征和所述待训练图像的真实特征之间的偏差,获取目标损失;
根据所述目标损失更新所述第一待训练模型的参数以及所述第二待训练模型的参数,直至满足模型训练条件,得到第一神经网络和第二神经网络。
26.根据权利要求24或25所述的装置,其特征在于,所述第二待训练模型的量化比特数包括第二待训练模型中M层网络的量化比特数,所述训练模块,具体用于根据所述第二待训练模型中第i层网络的量化比特数,对所述第i层网络的参数进行量化处理,得到量化处理后的第二待训练模型,其中,i=1,2,...,M,M为正整数。
27.根据权利要求26所述的装置,其特征在于,所述训练模块,具体用于:
将所述待训练图像输入第一待训练模型,得到所述第二待训练模型中第i层网络的候选比特数的概率;
根据所述概率的大小,从所述第i层网络的候选比特数中选择所述第i层网络的量化比特数。
28.根据权利要求25所述的装置,其特征在于,所述第二待训练模型的量化比特数和所述预置比特数之间的偏差包含所述第二待训练模型中第i层网络的量化比特数与所述预置比特数之间的偏差。
29.一种模型训练装置,其特征在于,所述装置包括获取模块和训练模块;
所述获取模块,用于获取待训练图像;
所述训练模块,用于将所述待训练图像输入第三待训练模型,得到第二待训练模型对应的目标分辨率;
所述训练模块,还用于将所述待训练图像的分辨率调整为目标分辨率,得到目标分辨率的待训练图像;
所述训练模块,还用于将所述目标分辨率的待训练图像输入所述第二待训练模型,得到所述目标分辨率的待训练图像的特征;
所述训练模块,还用于根据所述目标分辨率以及所述目标分辨率的待训练图像的特征,更新所述第三待训练模型的参数以及所述第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
30.根据权利要求29所述的装置,其特征在于,所述训练模块,具体用于:
根据所述目标分辨率对应的期望值与预设期望值之间的偏差,以及所述目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取目标损失;
根据所述目标损失更新所述第三待训练模型的参数以及所述第二待训练模型的参数,直至满足模型训练条件,得到第三神经网络以及第二神经网络。
31.根据权利要求29或30所述的装置,其特征在于,所述训练模块,具体用于:
将所述待训练图像输入第三待训练模型,得到第二待训练模型对应的候选分辨率的概率;
根据所述概率的大小,从所述第二待训练模型对应的候选分辨率选择所述第二待训练模型对应的目标分辨率。
32.根据权利要求30所述的装置,其特征在于,所述训练模块,具体用于根据所述目标分辨率的概率的期望值与预设期望值之间的偏差,除所述目标分辨率之外的其余候选分辨率的概率的期望值与预设期望值之间的偏差,以及所述目标分辨率的待训练图像的特征与目标分辨率的待训练图像的真实特征之间的偏差,获取所述目标损失。
33.一种神经网络压缩装置,其特征在于,包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为执行所述代码,当所述代码被执行时,所述神经网络压缩装置执行如权利要求1至7任意一项所述的方法。
34.一种模型训练装置,其特征在于,包括存储器和处理器;所述存储器存储有代码,所述处理器被配置为执行所述代码,当所述代码被执行时,所述神经网络压缩装置执行如权利要求8至16任意一项所述的方法。
35.一种计算机存储介质,其特征在于,所述计算机存储介质存储有计算机程序,该程序由计算机执行时,使得所述计算机实施权利要求1至16任意一项所述的方法。
36.一种计算机程序产品,其特征在于,所述计算机程序产品存储有指令,所述指令在由计算机执行时,使得所述计算机实施权利要求1至16任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110221937.1A CN113065638A (zh) | 2021-02-27 | 2021-02-27 | 一种神经网络压缩方法及其相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110221937.1A CN113065638A (zh) | 2021-02-27 | 2021-02-27 | 一种神经网络压缩方法及其相关设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113065638A true CN113065638A (zh) | 2021-07-02 |
Family
ID=76559220
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110221937.1A Pending CN113065638A (zh) | 2021-02-27 | 2021-02-27 | 一种神经网络压缩方法及其相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113065638A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023231796A1 (zh) * | 2022-05-31 | 2023-12-07 | 华为技术有限公司 | 一种视觉任务处理方法及其相关设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030009575A (ko) * | 2001-06-26 | 2003-02-05 | 박광훈 | 신경망 분류기를 이용한 동영상 전송률 제어 장치 및 그방법 |
CN104299245A (zh) * | 2014-10-13 | 2015-01-21 | 深圳先进技术研究院 | 基于神经网络的增强现实跟踪方法 |
US20180268571A1 (en) * | 2017-03-14 | 2018-09-20 | Electronics And Telecommunications Research Institute | Image compression device |
CN108830288A (zh) * | 2018-04-25 | 2018-11-16 | 北京市商汤科技开发有限公司 | 图像处理方法、神经网络的训练方法、装置、设备及介质 |
CN109191382A (zh) * | 2018-10-18 | 2019-01-11 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN110363297A (zh) * | 2019-07-05 | 2019-10-22 | 上海商汤临港智能科技有限公司 | 神经网络训练及图像处理方法、装置、设备和介质 |
CN110414630A (zh) * | 2019-08-12 | 2019-11-05 | 上海商汤临港智能科技有限公司 | 神经网络的训练方法、卷积计算的加速方法、装置及设备 |
CN110717585A (zh) * | 2019-09-30 | 2020-01-21 | 上海寒武纪信息科技有限公司 | 神经网络模型的训练方法、数据处理方法和相关产品 |
CN110874625A (zh) * | 2018-08-31 | 2020-03-10 | 杭州海康威视数字技术股份有限公司 | 一种深度神经网络量化方法及装置 |
CN110969251A (zh) * | 2019-11-28 | 2020-04-07 | 中国科学院自动化研究所 | 基于无标签数据的神经网络模型量化方法及装置 |
CN111091184A (zh) * | 2019-12-19 | 2020-05-01 | 浪潮(北京)电子信息产业有限公司 | 一种深度神经网络的量化方法、装置、电子设备及介质 |
CN111382863A (zh) * | 2018-12-28 | 2020-07-07 | 上海欧菲智能车联科技有限公司 | 一种神经网络压缩方法及装置 |
CN112287986A (zh) * | 2020-10-16 | 2021-01-29 | 浪潮(北京)电子信息产业有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
-
2021
- 2021-02-27 CN CN202110221937.1A patent/CN113065638A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030009575A (ko) * | 2001-06-26 | 2003-02-05 | 박광훈 | 신경망 분류기를 이용한 동영상 전송률 제어 장치 및 그방법 |
CN104299245A (zh) * | 2014-10-13 | 2015-01-21 | 深圳先进技术研究院 | 基于神经网络的增强现实跟踪方法 |
US20180268571A1 (en) * | 2017-03-14 | 2018-09-20 | Electronics And Telecommunications Research Institute | Image compression device |
CN108830288A (zh) * | 2018-04-25 | 2018-11-16 | 北京市商汤科技开发有限公司 | 图像处理方法、神经网络的训练方法、装置、设备及介质 |
CN110874625A (zh) * | 2018-08-31 | 2020-03-10 | 杭州海康威视数字技术股份有限公司 | 一种深度神经网络量化方法及装置 |
CN109191382A (zh) * | 2018-10-18 | 2019-01-11 | 京东方科技集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读存储介质 |
CN111382863A (zh) * | 2018-12-28 | 2020-07-07 | 上海欧菲智能车联科技有限公司 | 一种神经网络压缩方法及装置 |
CN110363297A (zh) * | 2019-07-05 | 2019-10-22 | 上海商汤临港智能科技有限公司 | 神经网络训练及图像处理方法、装置、设备和介质 |
CN110414630A (zh) * | 2019-08-12 | 2019-11-05 | 上海商汤临港智能科技有限公司 | 神经网络的训练方法、卷积计算的加速方法、装置及设备 |
CN110717585A (zh) * | 2019-09-30 | 2020-01-21 | 上海寒武纪信息科技有限公司 | 神经网络模型的训练方法、数据处理方法和相关产品 |
CN110969251A (zh) * | 2019-11-28 | 2020-04-07 | 中国科学院自动化研究所 | 基于无标签数据的神经网络模型量化方法及装置 |
CN111091184A (zh) * | 2019-12-19 | 2020-05-01 | 浪潮(北京)电子信息产业有限公司 | 一种深度神经网络的量化方法、装置、电子设备及介质 |
CN112287986A (zh) * | 2020-10-16 | 2021-01-29 | 浪潮(北京)电子信息产业有限公司 | 一种图像处理方法、装置、设备及可读存储介质 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023231796A1 (zh) * | 2022-05-31 | 2023-12-07 | 华为技术有限公司 | 一种视觉任务处理方法及其相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022068623A1 (zh) | 一种模型训练方法及相关设备 | |
CN112418392A (zh) | 一种神经网络构建方法以及装置 | |
CN112070207A (zh) | 一种模型训练方法及装置 | |
CN112183718A (zh) | 一种用于计算设备的深度学习训练方法和装置 | |
CN113240079A (zh) | 一种模型训练方法及装置 | |
CN113449859A (zh) | 一种数据处理方法及其装置 | |
US20240135174A1 (en) | Data processing method, and neural network model training method and apparatus | |
CN113065633A (zh) | 一种模型训练方法及其相关联设备 | |
CN115081588A (zh) | 一种神经网络参数量化方法和装置 | |
CN113627422A (zh) | 一种图像分类方法及其相关设备 | |
CN115238909A (zh) | 一种基于联邦学习的数据价值评估方法及其相关设备 | |
CN114241597A (zh) | 一种姿态识别方法及其相关设备 | |
CN112529149A (zh) | 一种数据处理方法及相关装置 | |
CN114169393A (zh) | 一种图像分类方法及其相关设备 | |
CN117056589A (zh) | 一种物品推荐方法及其相关设备 | |
CN113065638A (zh) | 一种神经网络压缩方法及其相关设备 | |
WO2023045949A1 (zh) | 一种模型训练方法及其相关设备 | |
CN116739154A (zh) | 一种故障预测方法及其相关设备 | |
CN115795025A (zh) | 一种摘要生成方法及其相关设备 | |
CN116312489A (zh) | 一种模型训练方法及其相关设备 | |
CN114707643A (zh) | 一种模型切分方法及其相关设备 | |
CN115623242A (zh) | 一种视频处理方法及其相关设备 | |
CN115565104A (zh) | 一种动作预测方法及其相关设备 | |
CN114707070A (zh) | 一种用户行为预测方法及其相关设备 | |
WO2024140630A1 (zh) | 一种模型训练方法及其相关设备 |
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 |