CN113255903A - 检测模型调整方法和装置 - Google Patents
检测模型调整方法和装置 Download PDFInfo
- Publication number
- CN113255903A CN113255903A CN202110559172.2A CN202110559172A CN113255903A CN 113255903 A CN113255903 A CN 113255903A CN 202110559172 A CN202110559172 A CN 202110559172A CN 113255903 A CN113255903 A CN 113255903A
- Authority
- CN
- China
- Prior art keywords
- detection model
- parameters
- time
- parameter
- type
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 301
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000006798 recombination Effects 0.000 claims abstract description 24
- 238000005215 recombination Methods 0.000 claims abstract description 24
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 31
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 230000004044 response Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008521 reorganization Effects 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000010606 normalization Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007667 floating Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/20—Processor architectures; Processor configuration, e.g. pipelining
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Image Analysis (AREA)
Abstract
本公开公开了检测模型调整方法和装置,涉及人工智能领域,具体涉及计算机视觉和深度学习技术,可用于智能云智慧城市场景下。具体实现方案为:首先获取到运行于图形处理器中的第一检测模型,确定第一检测模型的性能参数,该性能参数表征第一检测模型的耗时类型,然后基于第一检测模型的性能参数对第一检测模型进行调整,得到第二检测模型,最后对第二检测模型进行参数重组,得到调整后的检测模型,使得调整后的检测模型能够利用有效的计算资源,在有限的计算资源中提高计算速度,以及基于参数重组丰富了输出结果的特征表达,提高了检测结果的准确性,从而实现了运行于图形处理器中的检测模型的性能和精度的最佳平衡。
Description
技术领域
本公开涉及人工智能领域,具体涉及计算机视觉和深度学习技术,可用于智能云智慧城市场景下。
背景技术
随着互联网和人工智能技术的不断发展,越来越多的领域开始涉及自动化计算与分析,其中智慧城市是最为重要的场景之一。在智慧城市里,目标检测是必不可少的一个环节,目标检测的质量影响后续的操作。
现有的通用检测算法没有研究图像处理器(GPU)友好,利用GPU推理引擎的一些计算特征来反向优化算法。同时,也没有尽可能地丰富特征表达。所以,在GPU上速度和效果没有达到最佳平衡。
发明内容
本公开提供了一种检测模型调整方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种检测模型调整方法,该方法包括:响应于获取到运行于图形处理器中的第一检测模型,确定第一检测模型的性能参数,其中,性能参数表征第一检测模型的耗时类型;基于第一检测模型的耗时类型对第一检测模型进行调整,得到第二检测模型;对第二检测模型进行参数重组,得到调整后的检测模型。
根据本公开的另一方面,提供了一种检测模型调整装置,该装置包括:确定模块,被配置成响应于获取到运行于图形处理器中的第一检测模型,确定第一检测模型的性能参数,其中,性能参数表征第一检测模型的耗时类型;调整模块,被配置成基于第一检测模型的耗时类型对第一检测模型进行调整,得到第二检测模型;重组模块,被配置成对第二检测模型进行参数重组,得到调整后的检测模型。
根据本公开的另一方面,提供了一种电子设备,该电子设备包括至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行上述检测模型调整方法。
根据本公开的另一方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机指令,该计算机指令用于使计算机能够执行上述检测模型调整方法。
根据本公开的另一方面,本申请实施例提供了一种计算机程序产品,其包括计算机程序,计算机程序在被处理器执行时实现上述检测模型调整方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1是根据本公开可以应用于其中的示例性系统架构图;
图2是根据本公开的检测模型调整方法的一个实施例的流程图;
图3是根据本公开的检测模型调整方法的一个应用场景的示意图;
图4是根据本公开的确定性能参数的一个实施例的流程图;
图5是根据本公开的获取第一检测模型的一个实施例的流程图;
图6是根据本公开的检测模型调整装置的一个实施例的流程图;
图7是用来实现本公开实施例的检测模型调整方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的检测模型调整方法的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备104、105,网络106,服务器101、102、103。网络106用以在终端设备104、105与服务器101、102、103之间提供通信链路的介质。网络106可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备104、105可以通过网络106与服务器101、102、103交互,以接收或发送信息等。终端设备104、105上可以安装有各种应用,例如数据采集应用、数据处理应用、即时通信工具、社交平台软件、搜索类应用、购物类应用等。
终端设备104可以是硬件,也可以是软件。当终端设备为硬件时,可以是具有图像采集设备、显示屏并且支持与服务器通信的各种电子设备,包括但不限于智能手机、平板电脑等等。当终端设备为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器101、102、103可以是提供各种服务的服务器,例如对与其建立通信连接的终端设备发送的请求进行接收的后台服务器。后台服务器可以对终端设备发送的请求进行接收和分析等处理,并生成处理结果。
服务器101、102、103可以对图形处理器中运行的模型进行获取,若获取到运行于图形处理器中的第一检测模型,则确定第一检测模型的性能参数,该性能参数表征第一检测模型的耗时类型。服务器101、102、103可以根据第一检测模型的性能参数对第一检测模型进行调整,即可以调整第一检测模型的计算量或者调整第一检测模型的参数量等,得到第二检测模型,该第二检测模型为对第一检测模型的网络结构中的参数量或者计算量进行调整后的模型。服务器101、102、103可以进一步对得到的第二检测模型进行参数重组,得到调整后的检测模型。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以是为终端设备提供各种服务的各种电子设备。当服务器为软件时,可以实现成为为终端设备提供各种服务的多个软件或软件模块,也可以实现成为为终端设备提供各种服务的单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开的实施例所提供的检测模型调整方法可以由服务器101、102、103执行。相应地,检测模型调整装置可以设置于服务器101、102、103中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
参考图2,图2示出了可以应用于本公开的检测模型调整方法的实施例的流程示意图200。该检测模型调整方法包括以下步骤:
步骤210,响应于获取到运行于图形处理器中的第一检测模型,确定第一检测模型的性能参数。
在本实施例中,检测模型调整方法的执行主体(例如图1中的服务器101、102、103)可以对图像处理器(GPU)中运行的检测模型进行实时检测,并对运行于图形处理器中的模型进行调整。上述执行主体对图像处理器中运行的检测模型进行获取,以获取到第一检测模型,该第一检测模型可以是预先训练好的、即将运行于图形处理器进行检测的检测模型。
上述执行主体获取到第一检测模型后,分别对该第一检测模型中每一层网络结构进行分析和计算,获取每一层网络结构的性能参数,该性能参数可以表征每一层网络结构的耗时类型,耗时类型可以包括计算耗时类型和数据移动耗时类型。即上述执行主体可以通过对第一检测模型进行推理,在推理过程中对第一检测模型的每一层网络结构进行数据计算和数据移动的分析和计算,分别获取到每一层网络结构的性能参数,从而获取到第一检测模型的性能参数,以该性能参数表征第一检测模型的耗时类型。
作为示例,上述执行主体可以在推理过程中对第一检测模型的卷积层进行数据计算和数据移动的分析和计算,以获取该卷积层的性能参数,该性能参数可以表征该卷积层的耗时类型,还可以对第一检测模型的归一化层进行数据计算和数据移动的分析和计算,以获取该归一化层的性能参数,该性能参数可以表征该归一化层的耗时类型,并根据卷积层的性能参数和归一化层的性能参数确定表征第一检测模型的耗时类型的性能参数。
步骤220,基于第一检测模型的耗时类型对第一检测模型进行调整,得到第二检测模型。
在本实施例中,上述执行主体经过对第一检测模型中的每一层网络结构进行分析和计算确定出第一检测模型的性能参数后,可以根据该性能参数对第一检测模型进行优化,以得到符合运行于图形处理器中的检测模型,即上述执行主体根据耗时类型对第一检测模型的网络参数或计算量等信息进行调整,以得到符合运行于图形处理器中的第二检测模型。
上述执行主体可以根据第一检测模型的耗时类型对第一检测模型进行调整,该耗时类型可以至少包括两种类型,不同的耗时类型可以对应不同的调整方案,上述执行主体可以根据耗时类型对应的调整方案对第一检测模型进行优化调整,从而得到符合运行于图形处理器中的第二检测模型。
步骤230,对第二检测模型进行参数重组,得到调整后的检测模型。
在本实施例中,上述执行主体根据耗时类型对第一检测模型进行优化调整,得到符合运行于图形处理器中的第二检测模型后,可以对第二检测模型中不同核函数(kenel)的输入通道数量和输出通道数量进行判断,确定不同核函数的输入通道数量和输出通道数量是否相同,在训练第一检测模型时即可采用不同核函数的输入通道数量和输出通道数量相同的神经网络,以保证得到的第一检测模型能够将不同核函数的参数可以进行重组合并。
上述执行主体确定第二检测模型中不同核函数(kenel)的输入通道数量和输出通道数量相同,则可以对第二检测模型的卷积层和归一化层进行参数重组,可以将全部卷积层和归一化层合并到一层卷积层中实现参数重组,丰富第二检测模型的特征学习,使其输出的特征更准确。
继续参考图3,图3是根据本实施例的检测模型调整方法的一个应用场景的示意图。在图3的应用场景中,服务器301对图形处理器进行检测,以及对图像处理器中运行的模型进行获取,若获取到运行于图形处理器中的第一检测模型,则确定第一检测模型的性能参数,该性能参数表征第一检测模型的耗时类型。服务器301再确定第一检测模型的性能参数中的耗时类型,并根据该耗时类型对第一检测模型进行调整,即可以根据耗时类型调整第一检测模型的计算量或者调整第一检测模型的参数量等,得到第二检测模型。最后服务器301进一步对得到的第二检测模型进行参数重组,即可以将第二检测模型中多个分支的模型参数进行参数合并,合并到一个分支中,得到调整后的检测模型。
本公开的实施例提供的检测模型调整方法,通过响应于获取到运行于图形处理器中的第一检测模型,确定第一检测模型的性能参数,该性能参数表征第一检测模型的耗时类型,然后基于第一检测模型的性能参数对第一检测模型进行调整,得到第二检测模型,最后对第二检测模型进行参数重组,得到调整后的检测模型,使得调整后的检测模型能够利用有效的计算资源,在有限的计算资源中提高计算速度,以及基于参数重组丰富了输出结果的特征表达,提高了检测结果的准确性,从而实现了运行于图形处理器中的检测模型的性能和精度的最佳平衡。
作为一个可选实现方式,进一步参考图4,其示出了确定性能参数的步骤,其可以包括:
步骤410,响应于获取到运行于图形处理器中的第一检测模型,获取图形处理器的设备参数和数据参数。
在本步骤中,上述执行主体对图像处理器中运行的检测模型进行实时检测,获取到第一检测模型,该第一检测模型可以是预先训练好的、即将运行于图形处理器进行检测的检测模型。
上述执行主体对图像处理器进行检测,获取该图像处理器的设备参数,该设备参数可以表征图像处理器计算能力等性能的参数,可以包括每秒浮点运算次数(FLOPS)、数学吞吐量(math throughput)、存储器带宽(memory bandwidth)和字节数(bytes),上述设备参数可以是图像处理器设备定制的参数值。
上述执行主体还可以对第一检测模型中每一层网络结构的数据参数进行获取采集,数据参数可以包括数据移动时间和数据计算时间,数据移动时间可以表征数据在该层网络结构中移动的时间,数据计算时间可以表征数据在该层网络结构中计算的时间,即上述执行主体可以通过对第一检测模型进行推理,在推理过程中分别获取每一层网络结构的数据移动时间和数据计算时间。
步骤420,基于设备参数和数据参数,计算确定第一检测模型的性能参数。
在本步骤中,上述执行主体获取到图像处理器对应的设备参数后,可以对设备参数进行计算,计算图像处理器的计算字节比,即对每秒浮点运算次数(FLOPS)、数学吞吐量(math throughput)、存储器带宽(memory bandwidth)和字节数(bytes)进行计算,判断上述设备参数之间的大小关系。
上述执行主体可以计算每秒浮点运算次数(FLOPS)和数学吞吐量(maththroughput)之间的比值关系,得到第一比值,计算字节数(bytes)和存储器带宽(memorybandwidth)之间的比值关系,得到第二比值,并且比较第一比值和第二比值之间的大小关系,即比较FLOPS/math throughput和bytes/memory bandwidth之间的大小关系,其中,bytes/memory bandwidth是图像处理器的计算字节比。
上述执行主体还可以计算每秒浮点运算次数(FLOPS)和字节数(bytes)之间的比值关系,得到第三比值,计算数学吞吐量(math throughput)和存储器带宽(memorybandwidth)之间的比值关系,得到第四比值,并且比较第三比值和第四比值之间的大小关系,即比较FLOPS/bytes和math throughput/memory bandwidth之间的大小关系,其中,和math throughput/memory bandwidth也是图像处理器的计算字节比。
上述执行主体可以比较第一比值和第二比值之间的关系,由于该设备参数为图像处理器的参数,需要满足第一比值大于第二比值的大小关系,也需要满足第三比值大于第四比值的大小关系,使得图像处理器符合运行条件,能够更好地运行检测模型,以及,每个图像处理器的设备参数是不同的,不同图像处理器设备计算字节比也不同。
上述执行主体在确定图像处理器的设备参数符合运行条件后,对获取到的每一层网络结构的数据移动时间和数据计算时间进行比较,判断每一层网络结构的数据移动时间和数据计算时间之间的大小关系,并基于数据移动时间和数据计算时间之间的比较结果确定每一层网络结构的性能参数。上述执行主体若确定某一层网络结构的数据移动时间和数据计算时间之间的比较结果是数据移动时间大于数据计算时间,则确定该层网络结构的性能参数为表征数据移动时间过长的结果,该性能参数可以表征该层网络结构的耗时类型为数据移动耗时类型;或者,上述执行主体若确定某一层网络结构的数据移动时间和数据计算时间之间的比较结果是数据移动时间小于数据计算时间,则确定该层网络结构的性能参数为表征数据计算时间过长的结果,该性能参数可以表征该层网络结构的耗时类型为计算耗时类型。上述执行主体可以确定出每一层网络结构的性能参数,并将每一层网络结构的性能参数作为第一检测模型的性能参数。
在本实现方式中,通过基于图像处理器的设备参数和数据参数确定第一检测模型的性能参数,能够分析出第一检测模型的每一层网络结构的耗时类型,以确定第一检测模型的耗时类型,能够根据该耗时类型进行调整,以使得检测模型更适合运行于图像处理器中。
作为一个可选实现方式,若确定出耗时类型包括计算耗时类型时,则上述步骤220,基于第一检测模型的耗时类型对第一检测模型进行调整,得到第二检测模型,可以包括以下步骤:基于第一检测模型属于计算耗时类型,减少第一检测模型的计算量,得到第二检测模型。
具体地,上述执行主体经过对设备参数和数据参数进行计算确定出第一检测模型的耗时类型,以及确定出第一检测模型的耗时类型为计算耗时类型,则可以根据该耗时类型获取对应的调整方案,基于该调整方案对第一检测模型进行调整,耗时类型获取对应的调整方案可以是减少计算量。上述执行主体可以确定耗时类型获取对应的调整方案为减少计算量,则减少第一检测模型的计算量,得到第二检测模型。
上述执行主体可以在对每一层网络结构的耗时类型进行分析和计算时,对每一层网络结构进行调整,即上述执行主体在对第一层卷积层的耗时类型进行分析时,确定出第一层卷积层的耗时类型为计算耗时类型,则可以减少第一层卷积层的计算量,并开始对第二层卷积层的耗时类型进行分析,并进行相应的调整,以此完成第一检测模型的耗时类型分析和调整,得到第二检测模型。
在本实现方式中,通过基于第一检测模型的每一层网络结构的耗时类型对第一检测模型进行调整,使得调整后的第二检测模型更适合运行于图像处理器中。
作为一个可选实现方式,若确定出耗时类型包括数据移动耗时类型时,则上述步骤220,基于第一检测模型的耗时类型对第一检测模型进行调整,得到第二检测模型,可以包括以下步骤:基于第一检测模型属于数据移动耗时类型,减少第一检测模型的参数量,得到第二检测模型。
具体地,上述执行主体经过对设备参数和数据参数进行计算确定出第一检测模型的耗时类型,以及确定出第一检测模型的耗时类型为数据移动耗时类型,则可以根据该耗时类型获取对应的调整方案,基于该调整方案对第一检测模型进行调整,耗时类型获取对应的调整方案可以是减少参数量。上述执行主体可以确定耗时类型获取对应的调整方案为减少参数量,则减少第一检测模型的参数量,得到第二检测模型。
上述执行主体可以在对每一层网络结构的耗时类型进行分析和计算时,对每一层网络结构进行调整,即上述执行主体在对第一层卷积层的耗时类型进行分析时,确定出第一层卷积层的耗时类型为数据移动耗时类型,则可以减少第一层卷积层的参数量,并开始对第二层卷积层的耗时类型进行分析,并进行相应的调整,以此完成第一检测模型的耗时类型分析和调整,得到第二检测模型。
在本实现方式中,通过基于第一检测模型的每一层网络结构的耗时类型对第一检测模型进行调整,使得调整后的第二检测模型更适合运行于图像处理器中。
作为一个可选实现方式,上述步骤230,对第二检测模型进行参数重组,得到调整后的检测模型,可以包括以下步骤:响应于获取到模型输入内容,对第二检测模型进行推理,以及对第二检测模型中的模型参数进行参数重组,得到调整后的检测模型。
具体地,上述执行主体获取到第二检测模型后,需要对第二检测模型进行推理,以及在推理过程中对模型参数进行参数重组,以丰富模型可学到的特征。上述执行主体可以获取到用于进行推理的模型输入内容,可以是用于输入第二检测模型的待检测信息,利用获取到的模型输入内容对第二检测模型进行推理,并在推理过程中,可以对第二检测模型中的网络结构进行分析,确定第二检测模型中多个分支的模型参数,将其他分支的模型参数合并到一个分支中,以实现模型参数的参数重组。
作为示例,第二检测模型的网络结构中包括三个分支,每个分支上均设置归一化层,第一个分支中设置3*3卷积,第二个分支上设置1*1卷积,第三个分支上不设置卷积,则第二检测模型的输出结果可表示为:
M(2)=bn(M(1)*W(3),μ(3),σ(3),γ(3),β(3))+bn(M(1)*W(1),μ(1),σ(1),γ(1),β(1))+bn(M(1),μ(0),σ(0),γ(0),β(0)).
上述执行主体针对上述第二检测模型的模型结构,可以只针对3*3卷积进行参数重组,即将每个归一化层及其之前的卷积层转换为具有偏差向量的卷积,并进行参数合并,模型参数可以进行如下转换:
bn(M*W,μ,σ,γ,β):,i,:,:=(M*W′):,i,:,:+b′i.
在本实现方式中,通过对第二检测模型进行参数重组,可以丰富第二检测模型可以学习的特征,丰富调整后的检测模型的特征表达,提高了调整后的检测模型的检测精度,提高了检测结果的准确性,从而实现了运行于图形处理器中的检测模型的性能和精度的最佳平衡。
作为一个可选实现方式,进一步参考图5,其示出了获取第一检测模型的步骤,上述第一检测模型基于以下步骤确定:
步骤510,获取训练样本集和初始神经网络。
在本步骤中,上述执行主体可以获取训练任务和待训练的初始神经网络,该初始神经网络可以选用imagenet的预训练模型。上述执行主体可以基于训练任务获取训练样本集,其中,训练样本集中的训练样本包括样本待检测信息和样本待检测信息对应的检测结果。
步骤520,响应于获取到训练任务为训练检测模型,增加初始神经网络的卷积层通道数量和调整卷积层步长,得到调整后的初始神经网络。
在本步骤中,上述执行主体对获取到的训练任务进行判别,确定训练任务为训练检测模型后,需要确保检测模型的深层特征和浅层特征达到表达平衡。因此,上述执行主体可以对初始神经网络的浅层卷积的通道数进行增加,其浅层卷积可以是初始神经网络中位置比较靠前的卷积层,例如第一卷积层、第二卷积层等预设位置的卷积层。上述执行主体还可以对初始神经网络的深层卷积的步长(stride)进行增加,其深层卷积可以是初始神经网络中位置比较靠后的卷积层,例如神经网络中最后几层卷积等靠近输出的卷积层。上述执行主体在增加浅层卷积的通道数量和调大深层卷积的步长后,得到调整后的初始神经网络。
步骤530,基于训练样本集训练调整后的初始神经网络,得到第一检测模型。
在本步骤中,上述执行主体对初始神经网络进行调整后得到调整后的初始神经网络,利用机器学习算法,将训练样本集中样本待检测信息作为输入数据,将与输入的样本待检测信息对应的检测结果作为期望输出数据,训练调整后的初始神经网络,得到第一检测模型。
在本实现方式中,在设计检测网络的基础模型时,通过增加浅层卷积的通道数和调大深层卷积的步长,能够增加检测模型的感受野,提高检测模型的准确性。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种检测模型调整装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的检测模型调整装置600包括:确定模块610、调整模块620和重组模块630。
其中,确定模块610,被配置成响应于获取到运行于图形处理器中的第一检测模型,确定第一检测模型的性能参数,其中,性能参数表征第一检测模型的耗时类型;
调整模块620,被配置成基于第一检测模型的耗时类型对第一检测模型进行调整,得到第二检测模型;
重组模块630,被配置成对第二检测模型进行参数重组,得到调整后的检测模型。
在本实施例的一些可选的方式中,确定模块610,进一步被配置成:响应于获取到运行于图形处理器中的第一检测模型,获取图形处理器的设备参数和数据移动参数;基于设备参数和数据移动参数,计算确定第一检测模型的性能参数。
在本实施例的一些可选的方式中,耗时类型包括计算耗时类型;以及调整模块620,进一步被配置成:基于第一检测模型属于计算耗时类型,减少第一检测模型的计算量,得到第二检测模型。
在本实施例的一些可选的方式中,耗时类型包括数据移动耗时类型;以及调整模块620,进一步被配置成:基于第一检测模型属于数据移动耗时类型,减少第一检测模型的参数量,得到第二检测模型。
在本实施例的一些可选的方式中,重组模块630,进一步被配置成:响应于获取到模型输入内容,对第二检测模型进行推理,以及对第二检测模型中的模型参数进行参数重组,得到调整后的检测模型。
在本实施例的一些可选的方式中,第一检测模型基于以下步骤获取:获取训练样本集和初始神经网络;响应于获取到训练任务为训练检测模型,增加初始神经网络的卷积层通道数量和调整卷积层步长,得到调整后的初始神经网络;基于训练样本集训练调整后的初始神经网络,得到第一检测模型。
本公开的实施例提供的检测模型调整装置,通过响应于获取到运行于图形处理器中的第一检测模型,确定第一检测模型的性能参数,该性能参数表征第一检测模型的耗时类型,然后基于第一检测模型的性能参数对第一检测模型进行调整,得到第二检测模型,最后对第二检测模型进行参数重组,得到调整后的检测模型,使得调整后的检测模型能够利用有效的计算资源,在有限的计算资源中提高计算速度,以及基于参数重组丰富了输出结果的特征表达,提高了检测结果的准确性,从而实现了运行于图形处理器中的检测模型的性能和精度的最佳平衡。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图7示出了可以用来实施本公开的实施例的示例电子设备700的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图7所示,电子设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
电子设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元701可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元701的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元701执行上文所描述的各个方法和处理,例如检测模型调整方法。例如,在一些实施例中,检测模型调整方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的检测模型调整方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行检测模型调整方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本公开保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。
Claims (15)
1.一种检测模型调整方法,包括:
响应于获取到运行于图形处理器中的第一检测模型,确定所述第一检测模型的性能参数,其中,所述性能参数表征所述第一检测模型的耗时类型;
基于所述第一检测模型的耗时类型对所述第一检测模型进行调整,得到第二检测模型;
对所述第二检测模型进行参数重组,得到调整后的检测模型。
2.根据权利要求1所述的方法,其中,所述响应于获取到运行于图形处理器中的第一检测模型,确定所述第一检测模型的性能参数,包括:
响应于获取到运行于图形处理器中的第一检测模型,获取所述图形处理器的设备参数和数据参数;
基于所述设备参数和数据参数,计算确定所述第一检测模型的性能参数。
3.根据权利要求1或2所述的方法,其中,所述耗时类型包括计算耗时类型;以及
所述基于所述第一检测模型的耗时类型对所述第一检测模型进行调整,得到第二检测模型,包括:
基于所述第一检测模型属于所述计算耗时类型,减少所述第一检测模型的计算量,得到所述第二检测模型。
4.根据权利要求1或2所述的方法,其中,所述耗时类型包括数据移动耗时类型;以及
所述基于所述第一检测模型的耗时类型对所述第一检测模型进行调整,得到第二检测模型,包括:
基于所述第一检测模型属于所述数据移动耗时类型,减少所述第一检测模型的参数量,得到所述第二检测模型。
5.根据权利要求1所述的方法,其中,所述对所述第二检测模型进行参数重组,得到调整后的检测模型,包括:
响应于获取到模型输入内容,对所述第二检测模型进行推理,以及对所述第二检测模型中的模型参数进行参数重组,得到调整后的检测模型。
6.根据权利要求1所述的方法,其中,所述第一检测模型基于以下步骤获取:
获取训练样本集和初始神经网络;
响应于获取到训练任务为训练检测模型,增加所述初始神经网络的卷积层通道数量和调整卷积层步长,得到调整后的初始神经网络;
基于所述训练样本集训练所述调整后的初始神经网络,得到所述第一检测模型。
7.一种检测模型调整装置,包括:
确定模块,被配置成响应于获取到运行于图形处理器中的第一检测模型,确定所述第一检测模型的性能参数,其中,所述性能参数表征所述第一检测模型的耗时类型;
调整模块,被配置成基于所述第一检测模型的耗时类型对所述第一检测模型进行调整,得到第二检测模型;
重组模块,被配置成对所述第二检测模型进行参数重组,得到调整后的检测模型。
8.根据权利要求7所述的装置,其中,所述确定模块,进一步被配置成:
响应于获取到运行于图形处理器中的第一检测模型,获取所述图形处理器的设备参数和数据参数;
基于所述设备参数和数据参数,计算确定所述第一检测模型的性能参数。
9.根据权利要求7或8所述的装置,其中,所述耗时类型包括计算耗时类型;以及所述调整模块,进一步被配置成:
基于所述第一检测模型属于所述计算耗时类型,减少所述第一检测模型的计算量,得到所述第二检测模型。
10.根据权利要求7或8所述的装置,其中,所述耗时类型包括数据移动耗时类型;以及所述调整模块,进一步被配置成:
基于所述第一检测模型属于所述数据移动耗时类型,减少所述第一检测模型的参数量,得到所述第二检测模型。
11.根据权利要求7所述的装置,其中,所述重组模块,进一步被配置成:
响应于获取到模型输入内容,对所述第二检测模型进行推理,以及对所述第二检测模型中的模型参数进行参数重组,得到调整后的检测模型。
12.根据权利要求7所述的装置,其中,所述第一检测模型基于以下步骤获取:
获取训练样本集和初始神经网络;
响应于获取到训练任务为训练检测模型,增加所述初始神经网络的卷积层通道数量和调整卷积层步长,得到调整后的初始神经网络;
基于所述训练样本集训练所述调整后的初始神经网络,得到所述第一检测模型。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110559172.2A CN113255903A (zh) | 2021-05-21 | 2021-05-21 | 检测模型调整方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110559172.2A CN113255903A (zh) | 2021-05-21 | 2021-05-21 | 检测模型调整方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113255903A true CN113255903A (zh) | 2021-08-13 |
Family
ID=77183665
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110559172.2A Pending CN113255903A (zh) | 2021-05-21 | 2021-05-21 | 检测模型调整方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255903A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180258761A1 (en) * | 2017-03-10 | 2018-09-13 | International Business Machines Corporation | System and tool with increased forecast accuracy to configure well settings in mature oil fields |
CN109543912A (zh) * | 2018-11-29 | 2019-03-29 | 中国水利水电科学研究院 | 基于深度学习的水库最优调度决策模型生成方法 |
US20190325307A1 (en) * | 2018-04-20 | 2019-10-24 | EMC IP Holding Company LLC | Estimation of resources utilized by deep learning applications |
CN110688993A (zh) * | 2019-12-10 | 2020-01-14 | 中国人民解放军国防科技大学 | 一种基于Spark作业的计算资源确定方法及装置 |
CN112791394A (zh) * | 2021-02-02 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 游戏模型训练方法、装置、电子设备及存储介质 |
-
2021
- 2021-05-21 CN CN202110559172.2A patent/CN113255903A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180258761A1 (en) * | 2017-03-10 | 2018-09-13 | International Business Machines Corporation | System and tool with increased forecast accuracy to configure well settings in mature oil fields |
US20190325307A1 (en) * | 2018-04-20 | 2019-10-24 | EMC IP Holding Company LLC | Estimation of resources utilized by deep learning applications |
CN109543912A (zh) * | 2018-11-29 | 2019-03-29 | 中国水利水电科学研究院 | 基于深度学习的水库最优调度决策模型生成方法 |
CN110688993A (zh) * | 2019-12-10 | 2020-01-14 | 中国人民解放军国防科技大学 | 一种基于Spark作业的计算资源确定方法及装置 |
CN112791394A (zh) * | 2021-02-02 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 游戏模型训练方法、装置、电子设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
王震;周冕;: "基于卷积核滤波器筛选的CNN模型精简方法", 天津理工大学学报, no. 02 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113326764B (zh) | 训练图像识别模型和图像识别的方法和装置 | |
CN112699991A (zh) | 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质 | |
EP4113394A2 (en) | Federated learning method, apparatus and system, electronic device, and storage medium | |
CN114282670A (zh) | 神经网络模型的压缩方法、设备和存储介质 | |
CN113326852A (zh) | 模型训练方法、装置、设备、存储介质及程序产品 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
KR20220116395A (ko) | 사전 훈련 모델의 결정 방법, 장치, 전자 기기 및 저장 매체 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN112949818A (zh) | 模型蒸馏方法、装置、设备以及存储介质 | |
CN108509179B (zh) | 用于检测人脸的方法、用于生成模型的装置 | |
CN114049516A (zh) | 训练方法、图像处理方法、装置、电子设备以及存储介质 | |
CN114020950A (zh) | 图像检索模型的训练方法、装置、设备以及存储介质 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN113052063A (zh) | 置信度阈值选择方法、装置、设备以及存储介质 | |
CN110046670B (zh) | 特征向量降维方法和装置 | |
CN115457365B (zh) | 一种模型的解释方法、装置、电子设备及存储介质 | |
KR20230133808A (ko) | Roi 검출 모델 훈련 방법, 검출 방법, 장치, 설비 및 매체 | |
CN115759209A (zh) | 神经网络模型的量化方法、装置、电子设备及介质 | |
CN113255903A (zh) | 检测模型调整方法和装置 | |
CN115906987A (zh) | 深度学习模型的训练方法、虚拟形象驱动方法和装置 | |
CN114078274A (zh) | 人脸图像检测方法、装置、电子设备以及存储介质 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 |
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 |