CN114648116A - 模型量化方法、装置、车辆及存储介质 - Google Patents

模型量化方法、装置、车辆及存储介质 Download PDF

Info

Publication number
CN114648116A
CN114648116A CN202210326199.1A CN202210326199A CN114648116A CN 114648116 A CN114648116 A CN 114648116A CN 202210326199 A CN202210326199 A CN 202210326199A CN 114648116 A CN114648116 A CN 114648116A
Authority
CN
China
Prior art keywords
model
parameter
neural network
layer
quantization
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
Application number
CN202210326199.1A
Other languages
English (en)
Inventor
刘安华
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiaomi Automobile Technology Co Ltd
Original Assignee
Xiaomi Automobile Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xiaomi Automobile Technology Co Ltd filed Critical Xiaomi Automobile Technology Co Ltd
Priority to CN202210326199.1A priority Critical patent/CN114648116A/zh
Publication of CN114648116A publication Critical patent/CN114648116A/zh
Pending legal-status Critical Current

Links

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
    • G06N3/08—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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)

Abstract

本公开涉及一种模型量化方法、装置、车辆及存储介质。模型量化方法，包括：对获取的已训练的第一神经网络模型插入量化节点，得到第二神经网络模型；对第二神经网络模型模型进行量化推理，以得到第二神经网络模型的每层神经网络包括可调参数的参数值；根据可调参数的参数值，生成每层神经网络的参数搜索空间；从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值，以得到候选量化模型；确定候选量化模型的精度，根据候选量化模型的精度，重复执行从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值的步骤至确定候选量化模型的精度的步骤，直至候选量化模型的精度满足预设的精度要求，得到第一目标量化模型。

Description

模型量化方法、装置、车辆及存储介质
技术领域
本公开涉及自动驾驶技术领域，尤其涉及模型量化方法、装置、车辆及存储介质。
背景技术
近年来，神经网络模型被广泛应用在许多领域，并取得了非常好的效果。例如自动驾驶领域中，通过神经网络模型可根据路面周边环境信息、障碍物等对车辆进行轨迹规划，但是神经网络模型会存在模型太大导致计算速度慢、计算时延长，进而导致轨迹规划不及时的问题，并且还存在运行时占用内存大的问题，因此，如何设计低资源消耗的，可以实时预测的、同时保证预测精度的神经网络模型成为一个现实问题。其中，模型量化在该问题取得了较好的效果，将模型从浮点类型量化成定点类型可以有效降低模型大小，同时提高模型推理速度，减少模型占用内存的大小。
然而，经过量化后得到的量化模型相比量化前的模型，在精度上会有一定的损失。
发明内容
为克服相关技术中存在的问题，本公开提供一种模型量化方法、装置、车辆及存储介质。
根据本公开实施例的第一方面，提供一种模型量化方法，包括：
对获取的已训练的第一神经网络模型插入量化节点，得到第二神经网络模型；
对所述第二神经网络模型模型进行量化推理，以得到每层神经网络包括可调参数的参数值；
根据所述可调参数的参数值，生成每层神经网络的参数搜索空间，其中，所述参数搜索空间中包括所述可调参数的候选值；
从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值，以得到候选量化模型；
确定所述候选量化模型的精度，根据所述候选量化模型的精度，重复执行从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值的步骤至确定所述候选量化模型的精度的步骤，直至所述候选量化模型的精度满足预设的精度要求，得到第一目标量化模型。
可选地，根据所述可调参数的参数值，生成每层神经网络的参数搜索空间，包括：
根据所述可调参数的参数值，基于超参优化方法生成每层神经网络中的参数搜索空间。
可选地，所述得到所述第一目标量化模型后，所述方法还包括：
确定所述第一目标量化模型中至少一个目标层与所述第一神经网络模型中对应层之间的损失值；
根据所述损失值，得到总损失值；
根据所述总损失值，调整所述第一目标量化模型的可调参数，直到所述总损失值小于预设的损失阈值时，得到第二目标量化模型。
可选地，所述根据所述损失值，得到目标总损失值，包括：
将目标层的所述目标损失值和所述第一神经网络模型的损失值相加，得到所述目标总损失值。
根据本公开实施例的第二方面，提供一种模型量化装置，包括：
确定模块，用于对获取的已训练的第一神经网络模型插入量化节点，得到第二神经网络模型，对所述第二神经网络模型模型进行量化推理，以得到每层神经网络包括可调参数的参数值；
生成模块，用于根据所述可调参数的参数值，生成每层神经网络的参数搜索空间，其中，所述参数搜索空间中包括所述可调参数的候选值；
搜索模块，用于从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值，以得到候选量化模型；
调整模块，用于确定所述候选量化模型的精度，根据所述候选量化模型的精度，重复执行从每层神经网络的参数搜索空间中搜索对应层的可调参数的候选值的步骤至确定所述候选量化模型的精度的步骤，直至所述候选量化模型的精度满足预设的精度要求，得到第一目标量化模型。
可选地，所述生成模块采用如下方式根据所述可调参数的参数值，生成每层神经网络的参数搜索空间：
根据所述可调参数的参数值，基于超参优化方法生成每层神经网络的参数搜索空间。
可选地，所述装置还包括训练模块，用于得到所述第一目标量化模型后，确定所述第一目标量化模型中至少一个目标层与所述第一神经网络模型中对应层之间的损失值；
根据所述损失值，得到总损失值；
根据所述总损失值，调整所述第一目标量化模型的可调参数，直到所述总损失值小于预设的损失阈值时，得到第二目标量化模型。
可选地，所述训练模块采用如下方式根据所述损失值，得到目标总损失值：
将目标层的所述目标损失值和所述第一神经网络模型的损失值相加，得到所述目标总损失值。
根据本公开实施例的第三方面，提供一种模型量化装置，包括：
处理器；用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行本公开第一方面所提供的模型量化方法的步骤。
根据本公开实施例的第四方面，提供一种车辆，包括：
处理器；用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行本公开第一方面所提供的模型量化方法的步骤。
根据本公开实施例的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开第一方面所提供的模型量化方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：对获取的已训练的第一神经网络模型插入量化节点，得到第二神经网络模型，并确定第二神经网络模型的每层神经网络包括可调参数的参数值之后，不是直接根据每层神经网络包括可调参数的参数值，对第二神经网络模型进行赋值，得到目标量化模型，而是根据可调参数的参数值，生成每层神经网络对应可调参数的参数搜索空间，也即得到参数搜索空间中包括可调参数的候选值，进而通过从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值，可得到候选量化模型，再根据候选量化模型的精度，重复执行从每层神经网络的参数搜索空间中搜索对应层的可调参数的参数值的步骤至确定候选量化模型的精度的步骤，直至候选量化模型的精度满足预设的精度要求后，得到目标量化模型，相比通过对获取的已训练的第一神经网络模型插入量化节点，对第二神经网络模型进行量化推理，得到第二神经网络模型的每层神经网络包括可调参数的参数值，根据每层神经网络包括可调参数的参数值，对第二神经网络模型进行赋值后，得到目标量化模型，在精度上会有很大提升。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种模型量化方法的流程图。
图2是根据一示例性实施例示出的一种模型量化装置的框图。
图3是根据一示例性实施例示出的一种用于模型量化的装置的框图。
图4是根据一示例性实施例示出的一种车辆的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
需要说明的是，本申请中所有获取信号、信息或数据的动作都是在遵照所在地国家相应的数据保护法规政策的前提下，并获得由相应装置所有者给予授权的情况下进行的。
图1是根据一示例性实施例示出的一种模型量化方法的流程图，如图1所示，模型量化方法包括以下步骤。
在步骤S11中，对获取的已训练的第一神经网络模型插入量化节点，得到第二神经网络模型，对第二神经网络模型模型进行量化推理，以得到第二神经网络模型的每层神经网络包括可调参数的参数值。
示例地，例如可通过如下方式得到第二神经网络模型的每层神经网络中可调参数的参数值：
对第一神经网络模型插入需要量化的量化节点，得到第二神经网络模型后，对第二神经网络模型进行量化推理，得到第二神经网络模型的每层神经网络的激活值和权重，根据第二神经网络模型的每层神经网络中的激活值和权重，可确定得到每层神经网络包括的可调参数的参数值。
其中，可调参数例如可以包括比例(scale)参数和临界点(zeropoint)参数，确定每层神经网络可调参数的参数值，例如可通过极小极大化(minmax)，交叉熵，均方误差(Mean Square Error，MSE)和百分位(percentile)的方法计算得到。
由于通过上述minmax、交叉熵、MSE和percentile计算可调参数的参数值时会有精度的损失，进而根据上述方法得到可调参数的参数值后，根据每层神经网络包括可调参数的参数值，对第二神经网络模型进行赋值后，得到目标量化模型，在精度上会有很大损失。
故，本公开中，在得到可调参数的参数值之后，可根据可调参数的参数值，生成每层神经网络对应可调参数的参数搜索空间，进而通过从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值，得到包括最优可调参数的第一目标量化模型。
在步骤S12中，根据可调参数的参数值，生成每层神经网络对应可调参数的参数搜索空间。
其中，参数搜索空间中包括可调参数的候选值。
本公开中，可通过超参优化(Hyperparameter Optimization，HPO)方法，利用HPO方法中的贝叶斯优化(Bayes optimizaion，BO)对量化模型的每层可调参数构建搜索空间，得到每层可调参数的搜索空间。
在步骤S13中，从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值，以得到候选量化模型。
本公开中，可从每层可调参数的搜索空间中搜索对应的可调参数的候选值，根据搜索到的每层可调参数的候选值，对第二神经网络模型赋值，得到对应的候选量化模型。
其中，可根据每层的可调参数的参数值，生成每层神经网络对应可调参数的参数范围(对应的多个候选值)，即得到参数搜索空间。
例如神经网络包括十层，且第i层可调参数的参数值为“1”，则可通过贝叶斯优化方法生成第i层的可调参数的搜索空间为[0.5*amaxi，1.5*amaxi]，step为0.1*amaxi，且从每层可调参数的搜索空间中搜索得到的可调参数的参数值满足混合高斯分布的特征。其中，amaxi为当前搜索空间中可调参数的参数值的统称。Step表示模型层和层之间的步长。
在步骤S14中，确定候选量化模型的精度，根据候选量化模型的精度，重复执行从每层神经网络的参数搜索空间中搜索对应层的可调参数的参数值的步骤至确定候选量化模型的精度的步骤，直至候选量化模型的精度满足预设的精度要求，得到第一目标量化模型。
例如，一个包括十层的模型，从每层可调参数的搜索空间中搜索对应层可调参数的参数值，得到满足高斯分布的、包括[0.5*amax1，0.6*amax2，0.7*amax3，0.8*amax4，0.9*amax9，1.0*amax10，1.1*amax11，1.2*amax12，1.3*amax13，1.4*amax14]的参数值的候选量化模型。之后确定该候选量化模型的精度是否满足要求，若精度不满足要求，则重复执行从每层的搜索空间中搜索对应层的可调参数的参数值的步骤至确定候选量化模型的精度的步骤，直至候选量化模型的精度满足预设的精度要求，得到第一目标量化模型。
此外，为了进一步提高量化模型精度要求，示例地，在得到第一目标量化模型后，还包括：
确定第一目标量化模型中至少一个目标层与第一神经网络模型中对应层之间的损失值，根据损失值，得到总损失值。根据总损失值，调整第一目标量化模型的可调参数，直到总损失值小于预设的损失阈值时，得到量化模型。
其中，例如可将样本数据输入第一神经网络模型和第一目标量化模型，获取第一神经网络模型和第一目标量化模型的目标层输出的值，基于例如均方误差MSE确定第一目标量化模型的该目标层和第一神经网络模型的对应层之间的损失，即得到第一目标量化模型的该目标层和第一神经网络模型的对应层之间的损失值。
或者，可针对第一目标量化模型的目标层接一个例如softmax激活层作为输出，得到第一目标量化模型的目标层输出的值，之后通过交叉熵损失函数确定第一目标量化模型的该目标层和第一神经网络模型的对应层之间的损失，即得到第一目标量化模型的该目标层和第一神经网络模型的对应层之间的损失值。
进而，根据第一目标量化模型的每一目标层和第一神经网络模型的对应层之间的损失值，和训练第一神经网络模型时的损失值，可以直接获取第一目标量化模型的总损失值，根据总损失值，调整第一目标量化模型的可调参数，可得到精度符合要求的量化模型。
由此，通过确定量化后得到的第一目标量化模型中目标层和第一神经网络模型中对应层之间的损失值，并根据第一目标量化模型中目标层和第一神经网络模型中对应层之间的损失值，以及第一神经网络模型的损失值，得到总损失值后，根据中损失值继续调整第一目标量化模型的可调参数，直到总损失值小于预设的损失阈值时，得到量化模型。
其中，目标层可以是对第一目标量化模型中指定的一层网络层，也可以是指定的多个网络层，还可以是第一目标量化模型的每一层。
在本公开的示例性实施例中，对获取的已训练的第一神经网络模型插入量化节点，得到第二神经网络模型，并确定第二神经网络模型的每层神经网络包括可调参数的参数值之后，不是直接根据每层神经网络包括可调参数的参数值，对第二神经网络模型进行赋值，得到目标量化模型，而是根据可调参数的参数值，生成每层神经网络对应可调参数的参数搜索空间，也即得到参数搜索空间中包括可调参数的候选值，进而通过从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值，可得到候选量化模型，再根据候选量化模型的精度，重复执行从每层神经网络的参数搜索空间中搜索对应层的可调参数的参数值的步骤至确定候选量化模型的精度的步骤，直至候选量化模型的精度满足预设的精度要求后，得到目标量化模型，相比通过对获取的已训练的第一神经网络模型插入量化节点，对第二神经网络模型进行量化推理，得到第二神经网络模型的每层神经网络包括可调参数的参数值，根据每层神经网络包括可调参数的参数值，对第二神经网络模型进行赋值后，得到目标量化模型，在精度上会有很大提升。
图2是根据一示例性实施例示出的一种模型量化装置200的框图。参照图2，模型量化装置包括确定模块201、生成模块202、搜索模块203和调整模块204。
其中，确定模块201，用于对获取的已训练的第一神经网络模型插入量化节点，得到第二神经网络模型，对所述第二神经网络模型模型进行量化推理，以得到每层神经网络包括可调参数的参数值；
生成模块202，用于根据所述可调参数的参数值，生成每层神经网络的参数搜索空间，其中，所述参数搜索空间中包括所述可调参数的候选值；
搜索模块203，用于从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值，以得到候选量化模型；
调整模块204，用于确定所述候选量化模型的精度，根据所述候选量化模型的精度，重复执行从每层神经网络的参数搜索空间中搜索对应层的可调参数的候选值的步骤至确定所述候选量化模型的精度的步骤，直至所述候选量化模型的精度满足预设的精度要求，得到第一目标量化模型。
可选地，所述生成模块202采用如下方式根据所述可调参数的参数值，生成每层神经网络的参数搜索空间：
根据所述可调参数的参数值，基于超参优化方法生成每层神经网络的参数搜索空间。
可选地，所述装置还包括训练模块，用于得到所述第一目标量化模型后，确定所述第一目标量化模型中至少一个目标层与所述第一神经网络模型中对应层之间的损失值；
根据所述损失值，得到总损失值；
根据所述总损失值，调整所述第一目标量化模型的可调参数，直到所述总损失值小于预设的损失阈值时，得到第二目标量化模型。
可选地，所述训练模块采用如下方式根据所述损失值，得到目标总损失值：
将目标层的所述目标损失值和所述第一神经网络模型的损失值相加，得到所述目标总损失值。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本公开还提供一种计算机可读存储介质，其上存储有计算机程序指令，该程序指令被处理器执行时实现本公开提供的模型量化方法的步骤。
图3是根据一示例性实施例示出的一种用于模型的量化的装置300的框图。例如，装置300可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。
参照图3，装置300可以包括以下一个或多个组件：处理组件302，存储器304，电力组件306，多媒体组件308，音频组件310，输入/输出(I/O)的接口312，传感器组件314，以及通信组件316。
处理组件302通常控制装置300的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件302可以包括一个或多个处理器320来执行指令，以完成上述的模型量化方法的全部或部分步骤。此外，处理组件302可以包括一个或多个模块，便于处理组件302和其他组件之间的交互。例如，处理组件302可以包括多媒体模块，以方便多媒体组件308和处理组件302之间的交互。
存储器304被配置为存储各种类型的数据以支持在装置300的操作。这些数据的示例包括用于在装置300上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器304可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。
电力组件306为装置300的各种组件提供电力。电力组件306可以包括电源管理系统，一个或多个电源，及其他与为装置300生成、管理和分配电力相关联的组件。
多媒体组件308包括在所述装置300和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件308包括一个前置摄像头和/或后置摄像头。当装置300处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件310被配置为输出和/或输入音频信号。例如，音频组件310包括一个麦克风(MIC)，当装置300处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器304或经由通信组件316发送。在一些实施例中，音频组件310还包括一个扬声器，用于输出音频信号。
I/O接口312为处理组件302和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件314包括一个或多个传感器，用于为装置300提供各个方面的状态评估。例如，传感器组件314可以检测到装置300的打开/关闭状态，组件的相对定位，例如所述组件为装置300的显示器和小键盘，传感器组件314还可以检测装置300或装置300一个组件的位置改变，用户与装置300接触的存在或不存在，装置300方位或加速/减速和装置300的温度变化。传感器组件314可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件314还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件314还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。
通信组件316被配置为便于装置300和其他设备之间有线或无线方式的通信。装置300可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件316经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件316还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。
在示例性实施例中，装置300可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述模型量化方法。
在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器304，上述指令可由装置300的处理器320执行以完成上述模型量化方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图4是根据一示例性实施例示出的一种车辆400的框图。如图4所示，该车辆400可以包括：处理器401，存储器402。该车辆400还可以包括多媒体组件403，输入/输出(I/O)接口404，以及通信组件405中的一者或多者。
其中，处理器401用于控制该车辆400的整体操作，以完成上述的模型量化方法中的全部或部分步骤。存储器402用于存储各种类型的数据以支持在该车辆400的操作，这些数据例如可以包括用于在该车辆400上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器402可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件403可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器402或通过通信组件405发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口404为处理器401和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件405用于该车辆400与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G、4G、NB-IOT、eMTC、或其他4G等等，或它们中的一种或几种的组合，在此不做限定。因此相应的该通信组件405可以包括：Wi-Fi模块，蓝牙模块，NFC模块等等。
在一示例性实施例中，车辆400可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的模型量化方法。
在另一示例性实施例中，还提供一种计算机程序产品，该计算机程序产品包含能够由可编程的装置执行的计算机程序，该计算机程序具有当由该可编程的装置执行时用于执行上述的模型量化方法的代码部分。
本领域技术人员在考虑说明书及实践本公开后，将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (11)

1.一种模型量化方法，其特征在于，包括：
对获取的已训练的第一神经网络模型插入量化节点，得到第二神经网络模型；
对所述第二神经网络模型模型进行量化推理，以得到每层神经网络包括可调参数的参数值；
根据所述可调参数的参数值，生成每层神经网络的参数搜索空间，其中，所述参数搜索空间中包括所述可调参数的候选值；
从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值，以得到候选量化模型；
确定所述候选量化模型的精度，根据所述候选量化模型的精度，重复执行从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值的步骤至确定所述候选量化模型的精度的步骤，直至所述候选量化模型的精度满足预设的精度要求，得到第一目标量化模型。
2.根据权利要求1所述的方法，其特征在于，所述根据所述可调参数的参数值，生成每层神经网络的参数搜索空间，包括：
根据所述可调参数的参数值，基于超参优化方法生成每层神经网络中的参数搜索空间。
3.根据权利要求1所述的方法，其特征在于，所述得到所述第一目标量化模型后，所述方法还包括：
确定所述第一目标量化模型中至少一个目标层与所述第一神经网络模型中对应层之间的损失值；
根据所述损失值，得到总损失值；
根据所述总损失值，调整所述第一目标量化模型的可调参数，直到所述总损失值小于预设的损失阈值时，得到第二目标量化模型。
4.根据权利要求3所述的方法，其特征在于，所述根据所述损失值，得到目标总损失值，包括：
将目标层的所述目标损失值和所述第一神经网络模型的损失值相加，得到所述目标总损失值。
5.一种模型量化装置，其特征在于，包括：
确定模块，用于对获取的已训练的第一神经网络模型插入量化节点，得到第二神经网络模型，对所述第二神经网络模型模型进行量化推理，以得到每层神经网络包括可调参数的参数值；
生成模块，用于根据所述可调参数的参数值，生成每层神经网络的参数搜索空间，其中，所述参数搜索空间中包括所述可调参数的候选值；
搜索模块，用于从每层神经网络的参数搜索空间中搜索对应的可调参数的候选值，以得到候选量化模型；
调整模块，用于确定所述候选量化模型的精度，根据所述候选量化模型的精度，重复执行从每层神经网络的参数搜索空间中搜索对应层的可调参数的候选值的步骤至确定所述候选量化模型的精度的步骤，直至所述候选量化模型的精度满足预设的精度要求，得到第一目标量化模型。
6.根据权利要求5所述的装置，其特征在于，所述生成模块采用如下方式根据所述可调参数的参数值，生成每层神经网络的参数搜索空间：
根据所述可调参数的参数值，基于超参优化方法生成每层神经网络的参数搜索空间。
7.根据权利要求5所述的装置，其特征在于，所述装置还包括训练模块，用于得到所述第一目标量化模型后，确定所述第一目标量化模型中至少一个目标层与所述第一神经网络模型中对应层之间的损失值；
根据所述损失值，得到总损失值；
根据所述总损失值，调整所述第一目标量化模型的可调参数，直到所述总损失值小于预设的损失阈值时，得到第二目标量化模型。
8.根据权利要求7所述的装置，其特征在于，所述训练模块采用如下方式根据所述损失值，得到目标总损失值：
将目标层的所述目标损失值和所述第一神经网络模型的损失值相加，得到所述目标总损失值。
9.一种模型量化装置，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1～4中任一项所述方法的步骤。
10.一种车辆，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为：执行权利要求1～4中任一项所述方法的步骤。
11.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，该程序指令被处理器执行时实现权利要求1～4中任一项所述方法的步骤。
CN202210326199.1A 2022-03-29 2022-03-29 模型量化方法、装置、车辆及存储介质 Pending CN114648116A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210326199.1A CN114648116A (zh) 2022-03-29 2022-03-29 模型量化方法、装置、车辆及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210326199.1A CN114648116A (zh) 2022-03-29 2022-03-29 模型量化方法、装置、车辆及存储介质

Publications (1)

Publication Number Publication Date
CN114648116A true CN114648116A (zh) 2022-06-21

Family

ID=81995365

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210326199.1A Pending CN114648116A (zh) 2022-03-29 2022-03-29 模型量化方法、装置、车辆及存储介质

Country Status (1)

Country Link
CN (1) CN114648116A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819964A (zh) * 2023-06-20 2023-09-29 小米汽车科技有限公司 模型优化方法、模型优化装置、电子设备、车辆和介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116819964A (zh) * 2023-06-20 2023-09-29 小米汽车科技有限公司 模型优化方法、模型优化装置、电子设备、车辆和介质
CN116819964B (zh) * 2023-06-20 2024-02-06 小米汽车科技有限公司 模型优化方法、模型优化装置、电子设备、车辆和介质

Similar Documents

Publication Publication Date Title
EP3886004A1 (en) Method for training classification model, classification method and device, and storage medium
CN109871896B (zh) 数据分类方法、装置、电子设备及存储介质
CN110782034A (zh) 神经网络的训练方法、装置及存储介质
CN111160448B (zh) 一种图像分类模型的训练方法及装置
CN109858614B (zh) 神经网络训练方法及装置、电子设备和存储介质
CN111461304B (zh) 分类神经网络的训练方法、文本分类方法、装置及设备
CN109670077B (zh) 视频推荐方法、装置和计算机可读存储介质
CN109165738B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN110764627B (zh) 一种输入方法、装置和电子设备
CN112385267B (zh) Ue的目标小区确定方法、装置、通信设备及存储介质
CN110674246A (zh) 问答模型训练方法、自动问答方法及装置
CN109886211A (zh) 数据标注方法、装置、电子设备及存储介质
CN116187438A (zh) 智能体探索策略的确定方法、装置、智能体及存储介质
CN111753917A (zh) 数据处理方法、装置及存储介质
CN109447258B (zh) 神经网络模型的优化方法及装置、电子设备和存储介质
CN109214175B (zh) 基于样本特征训练分类器的方法、装置及存储介质
CN114648116A (zh) 模型量化方法、装置、车辆及存储介质
CN112259122A (zh) 音频类型识别方法、装置及存储介质
CN110297970B (zh) 信息推荐模型训练方法及装置
CN117453933A (zh) 一种多媒体数据推荐方法、装置、电子设备及存储介质
CN111859097B (zh) 数据处理方法、装置、电子设备及存储介质
CN116310633A (zh) 一种关键点检测模型训练方法及关键点检测方法
CN114840761B (zh) 推送模型的训练方法、装置、设备、存储介质及程序产品
CN107480773B (zh) 训练卷积神经网络模型的方法、装置及存储介质
CN112308588A (zh) 广告的投放方法、装置及存储介质

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