CN114863215A - 基于深度学习框架生成静态图模型的方法及装置 - Google Patents

Abstract

本公开提供了一种基于深度学习框架生成静态图模型的方法及装置，涉及计算机技术领域，尤其涉及自然语言处理、深度学习等人工智能技术领域。具体实现方案为：基于获取的目标训练语料，通过动态图训练，以生成所述目标训练语料对应的动态图模型；将所述动态图模型进行转换，以确定所述动态图模型对应的网络结构及网络参数；根据所述网络结构及网络参数，生成所述目标训练语料对应的开放神经网络交换格式的目标静态图模型。由此，根据动态图模型对应的网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型，从而可以快速、便捷地对动态图模型进行部署。

Description

基于深度学习框架生成静态图模型的方法及装置

技术领域

本公开涉及计算机技术领域，尤其涉及自然语言处理、深度学习等人工智能技术领域，具体涉及一种基于深度学习框架生成静态图模型的方法及装置。

背景技术

随着人工智能技术地不断发展和完善，其已经在与人类日常生活相关的各个领域扮演着极其重要的作用，例如，人工智能技术已经在深度学习技术领域取得了显著的进步。目前，利用深度学习框架训练完成的模型大多为动态图模型，如何快速、便捷地对动态图模型进行部署是目前亟需解决的问题。

发明内容

本公开提供了一种基于深度学习框架生成静态图模型的方法及装置。

根据本公开的第一方面，提供了一种基于深度学习框架生成静态图模型的方法，包括：

基于获取的目标训练语料，通过动态图训练，以生成所述目标训练语料对应的动态图模型；

将所述动态图模型进行转换，以确定所述动态图模型对应的网络结构及网络参数；

根据所述网络结构及网络参数，生成所述目标训练语料对应的开放神经网络交换格式的目标静态图模型。

根据本公开的第二方面，提供了一种基于深度学习框架生成静态图模型的装置，包括：

第一生成模块，用于基于获取的目标训练语料，通过动态图训练，以生成所述目标训练语料对应的动态图模型；

第一确定模块，用于将所述动态图模型进行转换，以确定所述动态图模型对应的网络结构及网络参数；

第二生成模块，用于根据所述网络结构及网络参数，生成所述目标训练语料对应的开放神经网络交换格式的目标静态图模型。

根据本公开的第三方面，提供了一种电子设备，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如第一方面所述的基于深度学习框架生成静态图模型的方法。

根据本公开第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如第一方面所述的基于深度学习框架生成静态图模型的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机指令，所述计算机指令在被处理器执行时，实现如第一方面所述的基于深度学习框架生成静态图模型的方法的步骤。

本公开提供的基于深度学习框架生成静态图模型的方法及装置，存在如下有益效果：

本公开实施例中，首先基于获取的目标训练语料，通过动态图训练，以生成目标训练语料对应的动态图模型，之后将动态图模型进行转换，以确定动态图模型对应的网络结构及网络参数，最后根据网络结构及网络参数，生成目标训练语料对应的开放神经网络交换格式的目标静态图模型。由此，根据动态图模型对应的网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型，可以快速、便捷地对动态图模型进行部署。

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是根据本公开一实施例提供的一种基于深度学习框架生成静态图模型的方法的流程示意图；

图2是根据本公开又一实施例提供的一种基于深度学习框架生成静态图模型的方法的流程示意图；

图3是根据本公开一实施例提供的一种基于深度学习框架生成静态图模型的装置的结构示意图；

图4是用来实现本公开实施例的基于深度学习框架生成静态图模型的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。

本公开实施例涉及计算机视觉、深度学习等人工智能技术领域。

人工智能(Artificial Intelligence)，英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。

深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。

自然语言处理是用计算机来处理、理解以及运用人类语言(如中文、英文等)，它是计算机科学与语言学的交叉学科，又常被称为计算语言学。由于自然语言是人类区别于其他动物的根本标志。没有语言，人类的思维也就无从谈起，所以自然语言处理体现了人工智能的最高任务与境界，也就是说，只有当计算机具备了处理自然语言的能力时，机器才算实现了真正的智能。

下面参考附图描述本公开实施例的基于深度学习框架生成静态图模型的方法及装置。

其中，需要说明的是，本实施例的基于深度学习框架生成静态图模型的方法的执行主体为基于深度学习框架生成静态图模型的装置，该装置可以由软件和/或硬件的方式实现，该装置可以配置在电子设备中，电子设备可以包括但不限于终端、服务器端等。

图1是根据本公开一实施例提供的一种基于深度学习框架生成静态图模型的方法的流程示意图。

如图1所示，该基于深度学习框架生成静态图模型的方法包括：

S101：基于获取的目标训练语料，通过动态图训练，以生成目标训练语料对应的动态图模型。

需要说明的是，为了获得更好的编程体验、更易用的接口、更友好的调试交互机制。PaddlePaddle深度学习框架在模型开发时，推荐采用动态图编程，即动态图训练，获取动态图模型。

可选的，目标训练语料可以包括以下任一项：第一文本数据及对应的音频数据，第二文本数据及对应的第三文本数据，第一图像数据及对应的第二图像数据，第三图像数据及对应的识别结果数据。

其中，第三文本数据可以为第二文本数据对应的翻译文本。

其中，第二图像数据可以为第一图像数据中包含的目标物体对应的图像。

其中，识别结果数据可以为第三图像数据中包含的目标物体的类别等。本公开对此不做限定。

可选的，若目标训练语料为第一文本数据及对应的音频数据，则生成的动态图模型可以为语音合成模型；若目标训练语料为第二文本数据及对应的第三文本数据，则生成的动态图模型可以为翻译模型；若目标训练语料为第一图像数据及对应的第二图像数据，则生成的动态图模型可以为目标提取模型；若目标训练语料为第三图像数据及对应的识别结果数据，则生成的动态图模型可以为目标识别模型。本公开对此不做限定。

S102：将动态图模型进行转换，以确定动态图模型对应的网络结构及网络参数。

本公开实施例中，在生成目标训练语料对应的动态图模型之后，需要先对动态图模型进行转换，以获取动态图模型对应的网络结构及网络参数。从而可以进一步基于动态图模型的网络结构及网络参数，生成动态图模型对应的适用于其他任一深度学习架构的模型。

其中，网络结构可以为卷积神经网络结构，循环神经网络结构、生成对抗神经网络结构等等，本公开对此不做限定。

其中，网络参数可以包括神经网络的层数、神经元的个数、神经元激活函数的种类、学习率、正则化参数等等。本公开对此不做限定。

S103：根据网络结构及网络参数，生成目标训练语料对应的开放神经网络交换格式的目标静态图模型。

需要说明的是，开放神经网络交换(Open Neural Network Exchange，ONNX)格式是一种针对机器学习所设计的开放式的文件格式，用于存储训练好的模型。它使得不同的人工智能框架(如PaddlePaddle、Pytorch、TensorFllow)可以采用相同格式存储模型数据并交互。从而可使模型在不同框架之间进行转移。

其中，目标静态图模型中仍包含动态图模型对应的网络参数及网络结构。目标静态图模型可以为动态图模型对应的适用于其他任一深度学习架构的模型，即可以将动态图模型迁移到其他任一深度学习架构的中间表达模型，从而可以快速、便捷地对模型进行部署。

本公开实施例中，首先基于获取的目标训练语料，通过动态图训练，以生成目标训练语料对应的动态图模型，之后将动态图模型进行转换，以确定动态图模型对应的网络结构及网络参数，最后根据网络结构及网络参数，生成目标训练语料对应的开放神经网络交换格式的目标静态图模型。由此，根据动态图模型对应的网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型，从而可以快速、便捷地对动态图模型进行部署。

图2是根据本公开又一实施例提供的一种基于深度学习框架生成静态图模型的方法的流程示意图；

如图2所示，该基于深度学习框架生成静态图模型的方法包括：

S201：基于获取的目标训练语料，通过动态图训练，以生成目标训练语料对应的动态图模型。

其中，步骤S201的具体实现形式，可参照本公开中其他各实施例中的详细描述，此处不再具体描述。

S202：基于动态图模型文件，调用深度学习框架中的模型转换接口，以获取动态图模型对应的网络结构及网络参数。

本公开实施例中，在生成了动态图模型之后，即可调用当前的深度学习框架中的模型转换接口，即调用模型转换功能对动态图模型进行处理，以获取动态图模型对应的网络结构及网络参数，由此，提高了获取动态图模型对应的网络结构及网络参数的效率。

其中，动态图模型文件可以为用于存储动态图模型的文件。可选的，在PaddlePaddle深度学习框架下，动态图模型文件的存储格式可以为*.pdz格式模型。本公开对此不做限定。

S203：根据网络结构及网络参数，确定参考静态图模型。

可选的，参考静态图模型中包含两个文件，一个文件用于存储动态图模型对应的网络结构，一个文件用于存储动态图模型对应的网络参数。

可选的，在PaddlePaddle深度学习框架下，参考静态图模型中用于存储网络结构的文件对应的存储格式可以为*.pdmodel格式，用于存储网络参数的文件对应的存储格式可以为*.pdiparams格式。本公开对此不做限定。

S204：将目标训练语料中的输入数据，输入参考静态图模型，以获取参考静态图模型输出的预测数据。

需要说明的是，在确定了参考静态图模型之后，需要进一步验证参考静态图模型的准确性，即对参考静态图模型进行推理，以确定参考静态图模型是否准确。具体为：将目标训练语料中的输入数据，输入参考静态图模型，以获取参考静态图模型输出的预测数据，进而根据预测数据与目标训练语料中的标注数据是否匹配，确定参考静态图模型是否准确。

可选的，若目标训练语料为第一文本数据及对应的音频数据，则输入数据为第一文本数据，标注数据为第一音频数据。或者，若目标训练语料为第二文本数据及对应的第三文本数据，则输入数据为第二文本数据，标注数据为第三文本数据。或者，若目标训练语料为第一图像数据及对应的第二图像数据，则输入数据为第一图像数据，标注数据为第二图像数据。若目标训练语料为第三图像数据及对应的识别结果数据，则输入数据为第三图像数据，标注数据为识别结果数据。本公开对此不做限定。

可选的，若预测数据与目标训练语料中的标注数据匹配，则确定参考静态图模型准确。若预测数据与目标训练语料中的标注数据不匹配，则确定参考静态图模型不准确。

可选的，在PaddlePaddle深度学习框架下，可以使用PaddleInference引擎对参考静态图模型进行推理。本公开对此不做限定。

S205：响应于预测数据与目标训练语料中的标注数据匹配，根据网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型的文件。

可以理解的是，在预测数据与目标训练语料中的标注数据匹配的情况下，即在参考静态图模型准确的情况下，进一步根据网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型的文件，从而可以避免生成的目标静态图模型不能准确地实现动态图模型的功能，不仅节省了资源，还保证了目标静态图模型的准确性。

可选的，目标静态图模型的文件，用于存储目标静态图模型，其存储格式可以表示为*.onnx格式。

S206：利用开放神经网络交换格式的引擎，对目标静态图模型进行推理，以将目标静态模型部署在终端设备上。

本公开实施例中，在生成了开放神经网络交换格式的目标静态图模型的文件之后，即可利用开放神经网络交换格式的引擎，将目标静态模型部署在任一深度学习框架中，进而可以在任一深度学习框架下，实现动态图模型的功能。由此，不仅可以将目标静态图模型部署在任一深度学习框架下，而且还提高了模型的推理速度。

可选的，开放神经网络交换格式的引擎可以为ONNX引擎，或者ONNXRuntime引擎。本公开对此不做限定。

其中，终端设备可以为电脑、平板、手机等等。本公开对此不做限定。

本公开实施例中，首先基于获取的目标训练语料，通过动态图训练，以生成目标训练语料对应的动态图模型，之后基于动态图模型文件，调用深度学习框架中的模型转换接口，以获取动态图模型对应的网络结构及网络参数，再根据网络结构及网络参数，确定参考静态图模型，并将目标训练语料中的输入数据，输入参考静态图模型，以获取参考静态图模型输出的预测数据，在预测数据与目标训练语料中的标注数据匹配的情况下，根据网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型的文件，最后利用开放神经网络交换格式的引擎，对目标静态图模型进行推理，以将目标静态模型部署在终端设备上。由此，通过动态图模型对应的网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型，并利用开放神经网络交换格式的引擎，对目标静态图模型进行推理，以将目标静态模型部署在终端设备上，从而不仅可以将深度学习架构的网络模型快速、便捷地部署在终端设备上，而且还可以提高了网络模型的推理速度。

图3是根据本公开一实施例提供的一种基于深度学习框架生成静态图模型的装置的结构示意图；

如图3所示，该基于深度学习框架生成静态图模型的装置300，包括：

第一生成模块310，用于基于获取的目标训练语料，通过动态图训练，以生成目标训练语料对应的动态图模型；

第一确定模块320，用于将动态图模型进行转换，以确定动态图模型对应的网络结构及网络参数；

第二生成模块330，用于根据网络结构及网络参数，生成目标训练语料对应的开放神经网络交换格式的目标静态图模型。

在本公开的一些实施例中，第二生成模块330，具体用于：

根据网络结构及网络参数，确定参考静态图模型；

将目标训练语料中的输入数据，输入参考静态图模型，以获取参考静态图模型输出的预测数据；

响应于预测数据与目标训练语料中的标注数据匹配，根据网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型的文件。

在本公开的一些实施例中，第一确定模块320，具体用于：

基于动态图模型文件，调用深度学习框架中的模型转换接口，以获取动态图模型对应的网络结构及网络参数。

在本公开的一些实施例中，还包括：

推理模块，用于利用开放神经网络交换格式的引擎，对目标静态图模型进行推理，以将目标静态模型部署在终端设备上。

在本公开的一些实施例中，目标训练语料包括以下任一项：第一文本数据及对应的音频数据，第二文本数据及对应的第三文本数据，第一图像数据及对应的第二图像数据，第三图像数据及对应的识别结果数据。

需要说明的是，前述对基于深度学习框架生成静态图模型的方法的解释说明也适用于本实施例的基于深度学习框架生成静态图模型的装置，此处不再赘述。

本公开实施例中，首先基于获取的目标训练语料，通过动态图训练，以生成目标训练语料对应的动态图模型，之后将动态图模型进行转换，以确定动态图模型对应的网络结构及网络参数，最后根据网络结构及网络参数，生成目标训练语料对应的开放神经网络交换格式的目标静态图模型。由此，根据动态图模型对应的网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型，从而可以快速、便捷地对动态图模型进行部署。

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4示出了可以用来实施本公开的实施例的示例电子设备400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4所示，设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。

设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理，例如基于深度学习框架生成静态图模型的。例如，在一些实施例中，基于深度学习框架生成静态图模型的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408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的基于深度学习框架生成静态图模型的的一个或多个步骤。备选地，在其他实施例中，计算单元401可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行基于深度学习框架生成静态图模型的。

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)、互联网及区块链网络。

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，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务扩展性弱的缺陷。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。

本实施例中，首先基于获取的目标训练语料，通过动态图训练，以生成目标训练语料对应的动态图模型，之后将动态图模型进行转换，以确定动态图模型对应的网络结构及网络参数，最后根据网络结构及网络参数，生成目标训练语料对应的开放神经网络交换格式的目标静态图模型。由此，根据动态图模型对应的网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型，从而可以快速、便捷地对动态图模型进行部署。

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。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本公开的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。在本公开的描述中，所使用的词语“如果”及“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“在……情况下”。

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 (13)

1.一种基于深度学习框架生成静态图模型的方法，包括：

基于获取的目标训练语料，通过动态图训练，以生成所述目标训练语料对应的动态图模型；

将所述动态图模型进行转换，以确定所述动态图模型对应的网络结构及网络参数；

根据所述网络结构及网络参数，生成所述目标训练语料对应的开放神经网络交换格式的目标静态图模型。

2.如权利要求1所述的方法，其中，所述根据所述网络结构及网络参数，生成所述目标训练语料对应的开放神经网络交换格式的目标静态图模型，包括：

根据所述网络结构及网络参数，确定参考静态图模型；

将所述目标训练语料中的输入数据，输入所述参考静态图模型，以获取所述参考静态图模型输出的预测数据；

响应于所述预测数据与所述目标训练语料中的标注数据匹配，根据所述网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型的文件。

3.如权利要求1所述的方法，其中，所述将所述动态图模型进行转换，以确定所述动态图模型对应的网络结构及网络参数，包括：

基于所述动态图模型文件，调用所述深度学习框架中的模型转换接口，以获取所述动态图模型对应的网络结构及网络参数。

4.如权利要求1所述的方法，其中，在所述生成所述目标训练语料对应的开放神经网络交换格式的目标静态图模型之后，还包括：

利用所述开放神经网络交换格式的引擎，对所述目标静态图模型进行推理，以将所述目标静态模型部署在终端设备上。

5.如权利要求1-4任一所述的方法，其中，所述目标训练语料包括以下任一项：第一文本数据及对应的音频数据，第二文本数据及对应的第三文本数据，第一图像数据及对应的第二图像数据，第三图像数据及对应的识别结果数据。

6.一种基于深度学习框架生成静态图模型的装置，包括：

第一生成模块，用于基于获取的目标训练语料，通过动态图训练，以生成所述目标训练语料对应的动态图模型；

第一确定模块，用于将所述动态图模型进行转换，以确定所述动态图模型对应的网络结构及网络参数；

第二生成模块，用于根据所述网络结构及网络参数，生成所述目标训练语料对应的开放神经网络交换格式的目标静态图模型。

7.如权利要求6所述的装置，其中，所述第二生成模块，具体用于：

根据所述网络结构及网络参数，确定参考静态图模型；

将所述目标训练语料中的输入数据，输入所述参考静态图模型，以获取所述参考静态图模型输出的预测数据；

响应于所述预测数据与所述目标训练语料中的标注数据匹配，根据所述网络结构及网络参数，生成开放神经网络交换格式的目标静态图模型的文件。

8.如权利要求6所述的装置，其中，所述第一确定模块，具体用于：

基于所述动态图模型文件，调用所述深度学习框架中的模型转换接口，以获取所述动态图模型对应的网络结构及网络参数。

9.如权利要求6所述的装置，其中，还包括：

推理模块，用于利用所述开放神经网络交换格式的引擎，对所述目标静态图模型进行推理，以将所述目标静态模型部署在终端设备上。

10.如权利要求6-9任一所述的装置，其中，所述目标训练语料包括以下任一项：第一文本数据及对应的音频数据，第二文本数据及对应的第三文本数据，第一图像数据及对应的第二图像数据，第三图像数据及对应的识别结果数据。

11.一种电子设备，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1-5中任一项所述的方法。

12.一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权利要求1-5中任一项所述的方法。

13.一种计算机程序产品，包括计算机指令，所述计算机指令被处理器执行时实现权利要求1-5中任一项所述方法的步骤。

Images