CN115034368B - 车载模型训练方法、装置、电子设备、存储介质及芯片 - Google Patents
车载模型训练方法、装置、电子设备、存储介质及芯片 Download PDFInfo
- Publication number
- CN115034368B CN115034368B CN202210657645.7A CN202210657645A CN115034368B CN 115034368 B CN115034368 B CN 115034368B CN 202210657645 A CN202210657645 A CN 202210657645A CN 115034368 B CN115034368 B CN 115034368B
- Authority
- CN
- China
- Prior art keywords
- convolution
- model
- convolution kernel
- vehicle
- convolution kernels
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000008569 process Effects 0.000 claims abstract description 41
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 4
- 238000003032 molecular docking Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及模型训练中的一种车载模型训练方法、装置、电子设备、存储介质及芯片，包括：根据模型需求确定约束条件；根据约束条件确定基准模型的超参数，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；将车载训练样本数据输入超参数确定后的基准模型中，对超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，在训练过程中所述每一子卷积核的尺寸保持不变。通过基准模型的卷积核中包括尺寸不同的多个子卷积核，在训练过程中，可以灵活地根据尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，从而提高模型训练的便捷性和通用性，并且提高了与各种训练器对接的便捷性和灵活性。
Description
技术领域
本公开涉及模型训练技术领域，尤其涉及一种车载模型训练方法、装置、电子设备、存储介质及芯片。
背景技术
神经网络模型是由大量、简单的处理单元(称为神经元)互相连接形成的复杂网络系统，通常需要花费较长的时间设计和验证神经元的数量、神经元连接结构和网络层结构，从而搭建基准网络模型，进而借用基准网络模型的网络结构，通过特定的训练数据集训练，得到符合需求的神经网络模型。
相关技术中，根据需求的神经网络模型的功能，通过人为参与的方式，将基准网络模型中的部分网络层或者部分网络模块晒选出来，通过训练数据集对筛选出来的网络层或者网络模块进行训练，得到符合需求的神经网络模型。然而，人为筛选出来的网络层或者网络模块不够全面，往往导致训练得到的模型准确性较低。
发明内容
为克服相关技术中存在的问题，本公开提供一种车载模型训练方法、装置、电子设备、存储介质及芯片。
根据本公开实施例的第一方面，提供一种车载模型训练方法，包括：
根据模型需求确定约束条件；
根据所述约束条件确定基准模型的超参数，其中，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；
将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，其中，在训练过程中所述每一子卷积核的尺寸保持不变。
可选地，所述将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，包括：
将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练；
其中，在训练过程中，根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，并按照所述基准模型的网络结构，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到多个候选车载模型；
对所述候选车载模型的性能进行测试；
将性能最好的候选车载模型作为所述目标车载模型。
可选地，所述根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，包括：
针对所述基准模型中的任一所述卷积核，确定各尺寸子卷积核的学习率参数；
根据各所述子卷积核的尺寸以及对应的所述学习率参数，加权求和确定对应该卷积核的尺寸。
可选地，所述根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，包括：
针对所述基准模型中的任一所述卷积核，从尺寸不同的多个子卷积核中确定一个尺寸的目标子卷积核；
将所述目标子卷积核的尺寸作为该卷积核的尺寸。
可选地，所述按照所述基准模型的网络结构，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到多个候选车载模型，包括：
以各卷积核在所述网络结构中的连接关系对所述卷积核进行位置编码；
确定编码后的各所述卷积核的卷积核类型和卷积核之间的依赖关系，所述依赖关系是指卷积核之间输入和/或输出存在关联；
根据所述卷积核类型和所述依赖关系，确定每一轮卷积过程中的可搜索卷积核；
基于预设的搜索算法，对所述可搜索卷积核进行搜索，并基于搜索结果，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到每一轮卷积对应的候选车载模型，得到所述多个候选车载模型。
可选地，所述方法包括：
在每一次卷积完成后，根据所述卷积核类型、所述依赖关系以及该次卷积过程中的各卷积核的尺寸，对所述卷积核进行分组卷积划分，得到分组卷积的数量；
根据所述分组卷积的数量以及所述候选车载模型的模型信息，生成对应每一所述候选车载模型的描述文件。
可选地，所述根据所述约束条件确定基准模型的超参数，包括：
以所述约束条件确定所述基准模型中各卷积核的性能指标；
基于贝叶斯优化，根据任一所述卷积核的性能指标以及该卷积核的通道扩张比例，确定所述基准模型的迭代次数；
根据所述迭代次数，从超参数取值范围中确定所述基准模型的超参数，所述超参数取值范围是对所述基准模型进行初始化、并对初始化后的基准模型的网络结构进行解析后得到的。
可选地，所述约束条件包括：模型参数量、模型运行时延、模型占用内存量中的至少一者。
根据本公开实施例的第二方面，提供一种车载模型训练装置，包括：
条件确定模块，被配置为根据模型需求确定约束条件；
超参数确定模块，被配置为根据所述约束条件确定基准模型的超参数，其中，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；
训练模块，被配置为将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，其中，在训练过程中所述每一子卷积核的尺寸保持不变。
可选地，所述训练模块，包括：
训练子模块，被配置为将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练；
其中，在训练过程中，根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，并按照所述基准模型的网络结构，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到多个候选车载模型；
测试子模块，被配置为对所述候选车载模型的性能进行测试；
选择子模块，被配置为将性能最好的候选车载模型作为所述目标车载模型。
可选地，所述训练子模块，被配置为：
针对所述基准模型中的任一所述卷积核，确定各尺寸子卷积核的学习率参数；
根据各所述子卷积核的尺寸以及对应的所述学习率参数，加权求和确定对应该卷积核的尺寸。
可选地，所述训练子模块，被配置为：
针对所述基准模型中的任一所述卷积核，从尺寸不同的多个子卷积核中确定一个尺寸的目标子卷积核；
将所述目标子卷积核的尺寸作为该卷积核的尺寸。
可选地，所述训练子模块，被配置为：
以各卷积核在所述网络结构中的连接关系对所述卷积核进行位置编码；
确定编码后的各所述卷积核的卷积核类型和卷积核之间的依赖关系，所述依赖关系是指卷积核之间输入和/或输出存在关联；
根据所述卷积核类型和所述依赖关系，确定每一轮卷积过程中的可搜索卷积核；
基于预设的搜索算法，对所述可搜索卷积核进行搜索，并基于搜索结果，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到每一轮卷积对应的候选车载模型，得到所述多个候选车载模型。
可选地，所述装置包括生成模块，被配置为：
在每一次卷积完成后，根据所述卷积核类型、所述依赖关系以及该次卷积过程中的各卷积核的尺寸，对所述卷积核进行分组卷积划分，得到分组卷积的数量；
根据所述分组卷积的数量以及所述候选车载模型的模型信息，生成对应每一所述候选车载模型的描述文件。
可选地，所述超参数确定模块，被配置为：
以所述约束条件确定所述基准模型中各卷积核的性能指标；
基于贝叶斯优化，根据任一所述卷积核的性能指标以及该卷积核的通道扩张比例，确定所述基准模型的迭代次数；
根据所述迭代次数，从超参数取值范围中确定所述基准模型的超参数，所述超参数取值范围是对所述基准模型进行初始化、并对初始化后的基准模型的网络结构进行解析后得到的。
可选地，所述约束条件包括：模型参数量、模型运行时延、模型占用内存量中的至少一者。
根据本公开实施例的第三方面，提供一种电子设备，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：
根据模型需求确定约束条件；
根据所述约束条件确定基准模型的超参数，其中，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；
将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，其中，在训练过程中所述每一子卷积核的尺寸保持不变。
根据本公开实施例的第四方面，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第一方面中任一项所述方法的步骤。
根据本公开实施例的第五方面，提供一种芯片，包括处理器和接口；所述处理器用于读取指令以执行第一方面中任一项所述的方法。
本公开的实施例提供的技术方案可以包括以下有益效果：
通过根据模型需求确定约束条件；根据所述约束条件确定基准模型的超参数，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，在训练过程中所述每一子卷积核的尺寸保持不变。通过基准模型的卷积核中包括尺寸不同的多个子卷积核，在训练过程中，可以灵活地根据尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，从而提高模型训练的便捷性和通用性，并且提高了与各种训练器对接的便捷性和灵活性。
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车载模型训练方法的流程图。
图2是根据一示例性实施例示出的一种实现图1中步骤S13的流程图。
图3是根据一示例性实施例示出的另一种车载模型训练方法的流程图。
图4是根据一示例性实施例示出的一种车载模型训练装置的框图。
图5是根据一示例性实施例示出的一种用于车载模型训练的装置的框图。
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车载模型训练方法的流程图，如图1所示，所述方法包括以下步骤。
在步骤S11中，根据模型需求确定约束条件。
其中，模型需求可以是指模型用途、模型中卷积核尺寸、模型大小。比如，模型用途可以是车载模型用于图像识别或者语音识别。模型大小可以具体指训练完成后，车载模型在芯片上占用的内存大小。
其中，所述约束条件包括：模型参数量、模型运行时延、模型占用内存量中的至少一者。
约束条件还可以包括搜索过程中，卷积核中卷积矩阵不能被替换的限制卷积核以及卷积矩阵必须被替换的目标卷积核，例如，限制卷积核可以是隐藏层中卷积核的卷积矩阵不能被替换为5x5的卷积核和7x7的卷积核，或者，在车载设备的芯片上占用内存不大于2G，或者时延不大于30ms。举例来说，针对车道线检测模型，限制模型时延在30ms以内。
模型运行时延是对各层卷积核时延的累加，例如，以自动驾驶车端设备中的车载模型为例，根据在车端芯片或者搜索过程中每个网络模块在特定输入下的时延，建立时延查找表，在获得某个网络的时延的情况下，仅需将其各个模块时延累加即可。
在步骤S12中，根据所述约束条件确定基准模型的超参数，其中，所述基准模型的卷积核中包括尺寸不同的多个子卷积核。
在本公开实施例中，基准模型的部分卷积核包括尺寸不同的多个子卷积核，或者全部卷积核均包括尺寸不同的多个子卷积核。例如，基准模型的第一隐藏层中的卷积核包括尺寸不同的多个子卷积核，其他隐藏层中的卷积核包括尺寸不同的多个子卷积核。又例如，基准模型的第一隐藏层中部分卷积核包括尺寸不同的多个子卷积核。
其中，子卷积核的尺寸是指子卷积核的高度、宽度和通道数，因此，尺寸不同的多个子卷积核是指子卷积核的高度、宽度、通道数中至少一者存在不同。例如，卷积核中可以包括通道数相同的高度和宽度均不同的子卷积核。示例地，卷积核中包括通道数相同的一个1x1的子卷积核、一个3x3的子卷积核和一个5x5的子卷积核。
本公开实施例中，基准模型中卷积核尺寸不同的多个子卷积核是在基准模型的训练步中注册加入的，例如，在模型进行前向传播之前，将尺寸不同的多个子卷积核逐层或者逐个卷积核的替换卷积核中原有的卷积矩阵，在原卷积矩阵替换完成后，执行模型前向传播、损失计算、后向传播和梯度更新等训练步骤。
在步骤S13中，将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，其中，在训练过程中所述每一子卷积核的尺寸保持不变。
本公开实施例中，在训练过程中，卷积核中的多个子卷积核的高度、宽度和通道数均保持不变。例如卷积核中包括通道数相同的一个1x1的子卷积核、一个3x3的子卷积核和一个5x5的子卷积核，则在训练过程中，通道数保持不变、各子卷积核的卷积矩阵高度和宽度也保持不变。
本公开实施例中，可以基于遗传算法或者随机算法，在训练过程中，根据多个子卷积核的尺寸确定卷积核的尺寸，进而基于车载训练样本数据训练得到多个候选车载模型，再从多个候选车载模型中确定目标车载模型。
上述技术方案通过根据模型需求确定约束条件；根据所述约束条件确定基准模型的超参数，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，在训练过程中所述每一子卷积核的尺寸保持不变。通过基准模型的卷积核中包括尺寸不同的多个子卷积核，在训练过程中，可以灵活地根据尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，从而提高模型训练的便捷性和通用性，并且提高了与各种训练器对接的便捷性和灵活性。
可选地，图2是根据一示例性实施例示出的一种实现图1中步骤S13的流程图，在步骤S13中，所述将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，包括：
在步骤S131中，将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练；
其中，在训练过程中，根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，并按照所述基准模型的网络结构，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到多个候选车载模型。
可选地，在步骤S131中，所述根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，包括：
针对所述基准模型中的任一所述卷积核，确定各尺寸子卷积核的学习率参数；
根据各所述子卷积核的尺寸以及对应的所述学习率参数，加权求和确定对应该卷积核的尺寸。
本公开实施例中，卷积核的尺寸是各所述子卷积核的尺寸以及对应的所述学习率参数，加权求和确定的，例如，卷积核的尺寸与各子卷积核的尺寸存在以下关系：卷积核尺寸＝alphal*1x1的子卷积核+alpha2*3x3的子卷积核+alpha3*5x5的子卷积核，其中，alpha为子卷积核的学习率参数。在训练过程中，可以根据遗传算法，确定各子卷积核的学习率参数alpha的取值，alpha的取值范围是[0，1]、且每一卷积核中各学习率参数的总和为1。
可选地，在步骤S131中，所述根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，包括：
针对所述基准模型中的任一所述卷积核，从尺寸不同的多个子卷积核中确定一个尺寸的目标子卷积核；
将所述目标子卷积核的尺寸作为该卷积核的尺寸。
示例地，卷积核中包括1x1的子卷积核、3x3的子卷积核和5x5的子卷积核，在训练过程中，根据随机算法，随机选择其中一个尺寸的子卷积核为目标子卷积核。
在步骤S132中，对所述候选车载模型的性能进行测试。
例如，将验证数据集输入候选车载模型，对候选车载模型的时延、准确性、占用内存大小等进行测试。
在步骤S133中，将性能最好的候选车载模型作为所述目标车载模型。
本公开实施例中，根据候选车载模型的时延、准确性、占用内存大小等进行评分，确定每一候选车载模型的评分值。选择其中评分值最高的候选车载模型作为所述目标车载模型。
可选地，在步骤S131中，所述按照所述基准模型的网络结构，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到多个候选车载模型，包括：
以各卷积核在所述网络结构中的连接关系对所述卷积核进行位置编码；
其中，连接关系是指卷积核在网络结构中与其他卷积核的连接关系，即任一卷积核的输出作为另一卷积核的输入的连接关系。位置编码用于确定卷积核在网络结构中所处的位置。可以按照逐层的方式，对卷积核进行位置编码。
确定编码后的各所述卷积核的卷积核类型和卷积核之间的依赖关系，所述依赖关系是指卷积核之间输入和/或输出存在关联；
卷积核的类型可以是根据卷积核的尺寸进行划分的，例如，将编码后的尺寸相同的卷积核划分到同一个卷积核类型中。
示例地，第一卷积核与第二卷积核的输出均作为第三卷积核的输入，那么第一卷积核、第二卷积核和第三卷积核存在依赖关系，若第一卷积核的维度通道数发生变化，则需要适应性调整第二卷积核和第三卷积核的通道数。
根据所述卷积核类型和所述依赖关系，确定每一轮卷积过程中的可搜索卷积核；
本公开实施例中，确定本轮需要训练的目标卷积核类型，并根据依赖关系，对目标卷积核类型对应的卷积核筛选出来。进而将目标卷积核类型对应的卷积核以及筛选出来的卷积核作为本轮卷积过程中的可搜索卷积核。
基于预设的搜索算法，对所述可搜索卷积核进行搜索，并基于搜索结果，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到每一轮卷积对应的候选车载模型，得到所述多个候选车载模型。
其中，预设的搜索算法可以包括随机算法、遗传算法等。
上述技术方案可以生成可搜索卷积核，完成全自动化的网络结构搜索。
可选地，所述方法包括：
在每一次卷积完成后，根据所述卷积核类型、所述依赖关系以及该次卷积过程中的各卷积核的尺寸，对所述卷积核进行分组卷积划分，得到分组卷积的数量；
本公开实施例中，将卷积核类型相同以及卷积过程中卷积核尺寸相同的作为预分组卷积核，进而根据依赖关系将与预分组卷积核连接的卷积核筛选出来，进而根据预分组卷积核和筛选出来的卷积核进行分组卷积，并统计分组卷积的数量。
根据所述分组卷积的数量以及所述候选车载模型的模型信息，生成对应每一所述候选车载模型的描述文件。
其中，模型信息可以包括模型时延、模型在芯片上占用内存的大小、模型参数量。
上述技术方案中，可以根据描述文件，通过框架生成具体的实例化网络模型，并对实例化网络模型进行常规的训练和评估。提高模型训练的便捷性。
可选地，所述根据所述约束条件确定基准模型的超参数，包括：
以所述约束条件确定所述基准模型中各卷积核的性能指标。
其中，性能指标可以是指卷积核的参数量、卷积核计算的时延、卷积核在内存中占用大小中的一个或多个，其中，卷积核的参数量总和为模型参数量，卷积核在内存中占用大小的总和为模型占用内存的大小。
基于贝叶斯优化，根据任一所述卷积核的性能指标以及该卷积核的通道扩张比例，确定所述基准模型的迭代次数。
本公开实施例中，迭代次数与卷积核的性能指标负相关，与卷积核的通道扩张比例正相关。卷积核的通道扩张比例越大、且卷积核的性能指标越低，则迭代次数越多。
根据所述迭代次数，从超参数取值范围中确定所述基准模型的超参数，所述超参数取值范围是对所述基准模型进行初始化、并对初始化后的基准模型的网络结构进行解析后得到的。
可以理解的是，在基准模型记性训练之前，需要对训练样本数据集，基准模型、优化器、搜索策略以及搜索Pipeline进行初始化，在初始化后可以对基准模型的网络结构进行解析，得到超参数取值范围。
参见图3所示，本公开实施例中可以首先，对模型参数进行初始化，并在初始化之后，可以对模型的结构进行解析，解析完成以后，可以将包括尺寸不同的卷积核的超级块或者训练器逐层或者逐个替换卷积核的卷积矩阵。
进一步地，输入车载训练样本数据，例如车载训练样本数据可以是车载设备历史采集的车载语音或者车载设备历史采集的道路图像。进而对模型搜索，其中在模型搜索中包括载入约束条件，以通过约束条件对基准模型的超参数进行确定，进而解析超参数确定后模型结构，生成可搜索卷积核。并执行搜索算法完成搜索过程，以确定可搜索卷积核的尺寸，并根据车载训练样本数据对卷积核进行卷积训练。在执行一定迭代次数后，生成模型的描述文件。其中，迭代次数可以是根据模型的收敛度确定。
基于相同的构思，本公开还提供一种车载模型训练装置，用于执行上述方法实施例提供的车载模型训练方法的部分或全部步骤，该装置400可以以软件、硬件或者两者相结合的方式实现车载模型训练方法。图4是根据一示例性实施例示出的一种车载模型训练装置的框图，参见图4所示，所述装置400包括：条件确定模块410、超参数确定模块420和训练模块430。
其中，条件确定模块410被配置为根据模型需求确定约束条件；
超参数确定模块420被配置为根据所述约束条件确定基准模型的超参数，其中，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；
训练模块430被配置为将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，其中，在训练过程中所述每一子卷积核的尺寸保持不变。
可选地，所述训练模块430，包括：
训练子模块，被配置为将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练；
其中，在训练过程中，根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，并按照所述基准模型的网络结构，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到多个候选车载模型；
测试子模块，被配置为对所述候选车载模型的性能进行测试；
选择子模块，被配置为将性能最好的候选车载模型作为所述目标车载模型。
可选地，所述训练子模块，被配置为：
针对所述基准模型中的任一所述卷积核，确定各尺寸子卷积核的学习率参数；
根据各所述子卷积核的尺寸以及对应的所述学习率参数，加权求和确定对应该卷积核的尺寸。
可选地，所述训练子模块，被配置为：
针对所述基准模型中的任一所述卷积核，从尺寸不同的多个子卷积核中确定一个尺寸的目标子卷积核；
将所述目标子卷积核的尺寸作为该卷积核的尺寸。
可选地，所述训练子模块，被配置为：
以各卷积核在所述网络结构中的连接关系对所述卷积核进行位置编码；
确定编码后的各所述卷积核的卷积核类型和卷积核之间的依赖关系，所述依赖关系是指卷积核之间输入和/或输出存在关联；
根据所述卷积核类型和所述依赖关系，确定每一轮卷积过程中的可搜索卷积核；
基于预设的搜索算法，对所述可搜索卷积核进行搜索，并基于搜索结果，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到每一轮卷积对应的候选车载模型，得到所述多个候选车载模型。
可选地，所述装置400包括生成模块，被配置为：
在每一次卷积完成后，根据所述卷积核类型、所述依赖关系以及该次卷积过程中的各卷积核的尺寸，对所述卷积核进行分组卷积划分，得到分组卷积的数量；
根据所述分组卷积的数量以及所述候选车载模型的模型信息，生成对应每一所述候选车载模型的描述文件。
可选地，所述超参数确定模块420，被配置为：
以所述约束条件确定所述基准模型中各卷积核的性能指标；
基于贝叶斯优化，根据任一所述卷积核的性能指标以及该卷积核的通道扩张比例，确定所述基准模型的迭代次数；
根据所述迭代次数，从超参数取值范围中确定所述基准模型的超参数，所述超参数取值范围是对所述基准模型进行初始化、并对初始化后的基准模型的网络结构进行解析后得到的。
可选地，所述约束条件包括：模型参数量、模型运行时延、模型占用内存量中的至少一者。
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。
此外值得说明的是，为描述的方便和简洁，说明书中所描述的实施例均属于优选实施例，其所涉及的部分并不一定是本发明所必须的，例如，超参数确定模块420和训练模块430，在具体实施时可以是相互独立的装置也可以是同一个装置，本公开对此不作限定。
根据本公开实施例还提供一种电子设备，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：
根据模型需求确定约束条件；
根据所述约束条件确定基准模型的超参数，其中，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；
将车载训练样本数据输入所述超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，其中，在训练过程中所述每一子卷积核的尺寸保持不变。
根据本公开实施例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前述中任一项所述方法的步骤。
根据本公开实施例还提供一种芯片，包括处理器和接口；所述处理器用于读取指令以执行前述中任一项所述的方法。
图5是根据一示例性实施例示出的一种用于车载模型训练的装置500的框图。例如，装置500可以是车载终端设备等。
参照图5，装置500可以包括以下一个或多个组件：处理组件502，存储器504，电源组件506，多媒体组件508，音频组件510，输入/输出接口512，传感器组件514，以及通信组件516。
处理组件502通常控制装置500的整体操作，诸如与显示，数据通信，相机操作和记录操作相关联的操作。处理组件502可以包括一个或多个处理器520来执行指令，以完成上述车载模型训练方法的全部或部分步骤。此外，处理组件502可以包括一个或多个模块，便于处理组件502和其他组件之间的交互。例如，处理组件502可以包括多媒体模块，以方便多媒体组件508和处理组件502之间的交互。
存储器504被配置为存储各种类型的数据以支持在装置500的操作。这些数据的示例包括用于在装置500上操作的任何应用程序或方法的指令，消息，图片，视频等。存储器504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。
电源组件506为装置500的各种组件提供电力。电源组件506可以包括电源管理系统，一个或多个电源，及其他与为装置500生成、管理和分配电力相关联的组件。
多媒体组件508包括在所述装置500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508包括一个前置摄像头和/或后置摄像头。当装置500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510被配置为输出和/或输入音频信号。例如，音频组件510包括一个麦克风(MIC)，当装置500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504或经由通信组件516发送。在一些实施例中，音频组件510还包括一个扬声器，用于输出音频信号。
输入/输出接口512为处理组件502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514包括一个或多个传感器，用于为装置500提供各个方面的状态评估。例如，传感器组件514可以检测到装置500的打开/关闭状态，组件的相对定位，例如所述组件为装置500的显示器和小键盘，传感器组件514还可以检测装置500或装置500一个组件的位置改变，用户与装置500接触的存在或不存在，装置500方位或加速/减速和装置500的温度变化。传感器组件514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514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514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516被配置为便于装置500和其他设备之间有线或无线方式的通信。装置500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516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516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500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，用于执行上述车载模型训练方法。
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504，上述指令可由装置500的处理器520执行以完成上述车载模型训练方法。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。
上述装置除了可以是独立的电子设备外，也可是独立电子设备的一部分，例如在一种实施例中，该装置可以是集成电路(Integrated Circuit，IC)或芯片，其中该集成电路可以是一个IC，也可以是多个IC的集合；该芯片可以包括但不限于以下种类：GPU(GraphicsProcessing Unit，图形处理器)、CPU(Central Processing Unit，中央处理器)、FPGA(Field Programmable Gate Array，可编程逻辑阵列)、DSP(Digital Signal Processor，数字信号处理器)、ASIC(Application Specific Integrated Circuit，专用集成电路)、SOC(System on Chip，SoC，片上系统或系统级芯片)等。上述的集成电路或芯片中可以用于执行可执行指令(或代码)，以实现上述的车载模型训练方法。其中该可执行指令可以存储在该集成电路或芯片中，也可以从其他的装置或设备获取，例如该集成电路或芯片中包括处理器、存储器，以及用于与其他的装置通信的接口。该可执行指令可以存储于该存储器中，当该可执行指令被处理器执行时实现上述的车载模型训练方法；或者，该集成电路或芯片可以通过该接口接收可执行指令并传输给该处理器执行，以实现上述的车载模型训练方法。
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车载模型训练方法的代码部分。
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 (10)
1.一种车载模型训练方法，其特征在于，包括：
根据模型需求确定约束条件，所述约束条件包括：模型参数量、模型运行时延、模型占用内存量、搜索过程中卷积核中卷积矩阵不能被替换的限制卷积核以及卷积矩阵必须被替换的目标卷积核中的至少一者；
根据所述约束条件确定基准模型的超参数，包括：以所述约束条件确定所述基准模型中各卷积核的性能指标，所述性能指标包括卷积核的参数量、卷积核计算的时延、卷积核在内存中占用大小中的一个或多个；根据任一所述卷积核的性能指标以及该卷积核的通道扩张比例，确定所述基准模型的迭代次数；根据所述迭代次数，从超参数取值范围中确定所述基准模型的超参数，所述超参数取值范围是对所述基准模型进行初始化、并对初始化后的基准模型的网络结构进行解析后得到的，其中，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；
将车载训练样本数据输入超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，包括：在训练过程中，根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，并按照所述基准模型的网络结构，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到多个候选车载模型；对所述候选车载模型的性能进行测试，包括：将验证数据集输入各所述候选车载模型，对各所述候选车载模型的时延、准确性、占用内存大小进行评分测试；将性能最好的候选车载模型作为所述目标车载模型，其中，在训练过程中每一子卷积核的尺寸保持不变；所述目标车载模型用于对输入的车载图像进行图像识别。
2.根据权利要求1所述的方法，其特征在于，所述根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，包括：
针对所述基准模型中的任一所述卷积核，确定各尺寸子卷积核的学习率参数；
根据各所述子卷积核的尺寸以及对应的所述学习率参数，加权求和确定对应该卷积核的尺寸。
3.根据权利要求1所述的方法，其特征在于，所述根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，包括：
针对所述基准模型中的任一所述卷积核，从尺寸不同的多个子卷积核中随机选择一个尺寸的子卷积核为目标子卷积核；
将所述目标子卷积核的尺寸作为该卷积核的尺寸。
4.根据权利要求1所述的方法，其特征在于，所述按照所述基准模型的网络结构，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到多个候选车载模型，包括：
以各卷积核在所述基准模型中网络结构的连接关系对所述卷积核进行位置编码；
确定编码后的各所述卷积核的卷积核类型和卷积核之间的依赖关系，所述依赖关系是指卷积核之间输入和/或输出存在关联，所述卷积核类型是根据卷积核的尺寸进行划分；
根据所述卷积核类型和所述依赖关系，确定每一轮卷积过程中的可搜索卷积核；
基于预设的搜索算法，对所述可搜索卷积核进行搜索，并基于搜索结果，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到每一轮卷积对应的候选车载模型，得到所述多个候选车载模型。
5.根据权利要求4所述的方法，其特征在于，所述方法包括：
在每一次卷积完成后，根据所述卷积核类型、所述依赖关系以及该次卷积过程中的各卷积核的尺寸，对所述卷积核进行分组卷积划分，得到分组卷积的数量；
根据所述分组卷积的数量以及所述候选车载模型的模型信息，生成对应每一所述候选车载模型的描述文件。
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述根据任一所述卷积核的性能指标以及该卷积核的通道扩张比例，确定所述基准模型的迭代次数，包括：
基于贝叶斯优化，根据任一所述卷积核的性能指标以及该卷积核的通道扩张比例，确定所述基准模型的迭代次数。
7.一种车载模型训练装置，其特征在于，包括：
条件确定模块，被配置为根据模型需求确定约束条件，所述约束条件包括：模型参数量、模型运行时延、模型占用内存量、搜索过程中卷积核中卷积矩阵不能被替换的限制卷积核以及卷积矩阵必须被替换的目标卷积核中的至少一者；
超参数确定模块，被配置为根据所述约束条件确定基准模型的超参数，包括：以所述约束条件确定所述基准模型中各卷积核的性能指标，所述性能指标包括卷积核的参数量、卷积核计算的时延、卷积核在内存中占用大小中的一个或多个；根据任一所述卷积核的性能指标以及该卷积核的通道扩张比例，确定所述基准模型的迭代次数；根据所述迭代次数，从超参数取值范围中确定所述基准模型的超参数，所述超参数取值范围是对所述基准模型进行初始化、并对初始化后的基准模型的网络结构进行解析后得到的，其中，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；
训练模块，被配置为将车载训练样本数据输入超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，包括：在训练过程中，根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，并按照所述基准模型的网络结构，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到多个候选车载模型；对所述候选车载模型的性能进行测试，包括：将验证数据集输入各所述候选车载模型，对各所述候选车载模型的时延、准确性、占用内存大小进行评分测试；将性能最好的候选车载模型作为所述目标车载模型，其中，在训练过程中每一子卷积核的尺寸保持不变；所述目标车载模型用于对输入的车载图像进行图像识别。
8.一种电子设备，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：
根据模型需求确定约束条件，所述约束条件包括：模型参数量、模型运行时延、模型占用内存量、搜索过程中卷积核中卷积矩阵不能被替换的限制卷积核以及卷积矩阵必须被替换的目标卷积核中的至少一者；
根据所述约束条件确定基准模型的超参数，包括：以所述约束条件确定所述基准模型中各卷积核的性能指标，所述性能指标包括卷积核的参数量、卷积核计算的时延、卷积核在内存中占用大小中的一个或多个；根据任一所述卷积核的性能指标以及该卷积核的通道扩张比例，确定所述基准模型的迭代次数；根据所述迭代次数，从超参数取值范围中确定所述基准模型的超参数，所述超参数取值范围是对所述基准模型进行初始化、并对初始化后的基准模型的网络结构进行解析后得到的，其中，所述基准模型的卷积核中包括尺寸不同的多个子卷积核；
将车载训练样本数据输入超参数确定后的基准模型中，对所述超参数确定后的基准模型进行训练，以根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，得到目标车载模型，包括：在训练过程中，根据所述尺寸不同的多个子卷积核确定对应所述卷积核的尺寸，并按照所述基准模型的网络结构，根据确定尺寸后的所述卷积核对所述车载训练样本数据进行卷积，得到多个候选车载模型；对所述候选车载模型的性能进行测试，包括：将验证数据集输入各所述候选车载模型，对各所述候选车载模型的时延、准确性、占用内存大小进行评分测试；将性能最好的候选车载模型作为所述目标车载模型，其中，在训练过程中每一子卷积核的尺寸保持不变；所述目标车载模型用于对输入的车载图像进行图像识别。
9.一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1-6中任一项所述方法的步骤。
10.一种芯片，其特征在于，包括处理器和接口；所述处理器用于读取指令以执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210657645.7A CN115034368B (zh) | 2022-06-10 | 2022-06-10 | 车载模型训练方法、装置、电子设备、存储介质及芯片 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210657645.7A CN115034368B (zh) | 2022-06-10 | 2022-06-10 | 车载模型训练方法、装置、电子设备、存储介质及芯片 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115034368A CN115034368A (zh) | 2022-09-09 |
| CN115034368B true CN115034368B (zh) | 2023-09-29 |
Family
ID=83124844
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210657645.7A Active CN115034368B (zh) | 2022-06-10 | 2022-06-10 | 车载模型训练方法、装置、电子设备、存储介质及芯片 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034368B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017206156A1 (en) * | 2016-06-03 | 2017-12-07 | Intel Corporation | Look-up convolutional layer in convolutional neural network |
| CN111582453A (zh) * | 2020-05-09 | 2020-08-25 | 北京百度网讯科技有限公司 | 生成神经网络模型的方法和装置 |
| CN111723914A (zh) * | 2020-06-22 | 2020-09-29 | 中山大学 | 一种基于卷积核预测的神经网络架构搜索方法 |
| CN111882035A (zh) * | 2020-07-21 | 2020-11-03 | 北京百度网讯科技有限公司 | 基于卷积核的超网络搜索方法、装置、设备和介质 |
| CN112001485A (zh) * | 2020-08-24 | 2020-11-27 | 平安科技（深圳）有限公司 | 一种组卷积数目搜索方法和装置 |
| CN112434462A (zh) * | 2020-10-21 | 2021-03-02 | 华为技术有限公司 | 一种模型的获取方法及设备 |
| WO2021143883A1 (zh) * | 2020-01-15 | 2021-07-22 | 华为技术有限公司 | 神经网络的自适应搜索方法及装置 |
| CN113159269A (zh) * | 2020-01-22 | 2021-07-23 | 华为技术有限公司 | 终端模型处理方法、装置及设备 |
| WO2021190451A1 (zh) * | 2020-03-24 | 2021-09-30 | 华为技术有限公司 | 训练图像处理模型的方法和装置 |
| CN113505883A (zh) * | 2021-05-31 | 2021-10-15 | 华为技术有限公司 | 一种神经网络训练方法以及装置 |
| WO2021218470A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 一种神经网络优化方法以及装置 |
| CN114078195A (zh) * | 2020-08-07 | 2022-02-22 | 华为技术有限公司 | 分类模型的训练方法、超参数的搜索方法以及装置 |
| CN114330692A (zh) * | 2021-12-30 | 2022-04-12 | 科大讯飞股份有限公司 | 神经网络模型的部署方法、装置、设备及存储介质 |
| CN114399119A (zh) * | 2022-01-18 | 2022-04-26 | 中国石油大学(北京) | 基于条件卷积生成式对抗网络的mmp预测方法及装置 |
| CN114492767A (zh) * | 2022-03-28 | 2022-05-13 | 深圳比特微电子科技有限公司 | 用于搜索神经网络的方法、装置及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7111671B2 (ja) * | 2019-09-05 | 2022-08-02 | 株式会社東芝 | 学習装置、学習システム、および学習方法 |
-
2022
- 2022-06-10 CN CN202210657645.7A patent/CN115034368B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017206156A1 (en) * | 2016-06-03 | 2017-12-07 | Intel Corporation | Look-up convolutional layer in convolutional neural network |
| WO2021143883A1 (zh) * | 2020-01-15 | 2021-07-22 | 华为技术有限公司 | 神经网络的自适应搜索方法及装置 |
| CN113159269A (zh) * | 2020-01-22 | 2021-07-23 | 华为技术有限公司 | 终端模型处理方法、装置及设备 |
| WO2021190451A1 (zh) * | 2020-03-24 | 2021-09-30 | 华为技术有限公司 | 训练图像处理模型的方法和装置 |
| WO2021218470A1 (zh) * | 2020-04-30 | 2021-11-04 | 华为技术有限公司 | 一种神经网络优化方法以及装置 |
| CN111582453A (zh) * | 2020-05-09 | 2020-08-25 | 北京百度网讯科技有限公司 | 生成神经网络模型的方法和装置 |
| CN111723914A (zh) * | 2020-06-22 | 2020-09-29 | 中山大学 | 一种基于卷积核预测的神经网络架构搜索方法 |
| CN111882035A (zh) * | 2020-07-21 | 2020-11-03 | 北京百度网讯科技有限公司 | 基于卷积核的超网络搜索方法、装置、设备和介质 |
| CN114078195A (zh) * | 2020-08-07 | 2022-02-22 | 华为技术有限公司 | 分类模型的训练方法、超参数的搜索方法以及装置 |
| CN112001485A (zh) * | 2020-08-24 | 2020-11-27 | 平安科技（深圳）有限公司 | 一种组卷积数目搜索方法和装置 |
| CN112434462A (zh) * | 2020-10-21 | 2021-03-02 | 华为技术有限公司 | 一种模型的获取方法及设备 |
| CN113505883A (zh) * | 2021-05-31 | 2021-10-15 | 华为技术有限公司 | 一种神经网络训练方法以及装置 |
| CN114330692A (zh) * | 2021-12-30 | 2022-04-12 | 科大讯飞股份有限公司 | 神经网络模型的部署方法、装置、设备及存储介质 |
| CN114399119A (zh) * | 2022-01-18 | 2022-04-26 | 中国石油大学(北京) | 基于条件卷积生成式对抗网络的mmp预测方法及装置 |
| CN114492767A (zh) * | 2022-03-28 | 2022-05-13 | 深圳比特微电子科技有限公司 | 用于搜索神经网络的方法、装置及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| A new hyperparameters optimization method for convolutional neural networks;Cui Hua 等;《Pattern Recognition Letters》;第125卷;828-834 * |
| Hyper-parameters optimisation of deep CNN architecture for vehicle logo recognition;Foo Chong Soon 等;《IET Intelligent Transport Systems》;第12卷(第08期);939-946 * |
| 面向药品监督的近红外光谱深度学习建模方法研究;李灵巧;《中国博士学位论文全文数据库医药卫生科技辑》(第(2021)01期);E079-36 * |
| 面向铁路异物入侵检测的深度神经网络轻量化算法研究;王玮;《中国博士学位论文全文数据库工程科技Ⅰ辑》(第(2022)02期);B026-10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115034368A (zh) | 2022-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288082B (zh) | 卷积神经网络模型训练方法、装置和计算机可读存储介质 | |
| US20200356821A1 (en) | Method, terminal, and computer storage medium for image classification | |
| CN112200129B (zh) | 一种基于深度学习的三维目标检测方法、装置及终端设备 | |
| CN111931929A (zh) | 一种多任务模型的训练方法、装置及存储介质 | |
| CN111581488A (zh) | 一种数据处理方法及装置、电子设备和存储介质 | |
| CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
| CN115100472B (zh) | 展示对象识别模型的训练方法、装置和电子设备 | |
| CN109376419B (zh) | 一种数据模型的生成方法、装置、电子设备及可读介质 | |
| CN113676671B (zh) | 视频剪辑方法、装置、电子设备及存储介质 | |
| CN113012816B (zh) | 脑分区风险预测方法及装置、电子设备和存储介质 | |
| US20210089913A1 (en) | Information processing method and apparatus, and storage medium | |
| CN115774680B (zh) | 自动驾驶软件的版本测试方法、装置、设备及存储介质 | |
| CN115034368B (zh) | 车载模型训练方法、装置、电子设备、存储介质及芯片 | |
| CN107480773B (zh) | 训练卷积神经网络模型的方法、装置及存储介质 | |
| CN116721724B (zh) | 合金性能预测方法、装置、存储介质、电子设备及芯片 | |
| CN111488964B (zh) | 图像处理方法及装置、神经网络训练方法及装置 | |
| CN110853364B (zh) | 数据监控方法和装置 | |
| CN111047049B (zh) | 基于机器学习模型处理多媒体数据的方法、装置及介质 | |
| CN116611482A (zh) | 模型训练方法、装置、电子设备及介质 | |
| CN111859097B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN111046780A (zh) | 神经网络训练及图像识别方法、装置、设备和存储介质 | |
| CN116340140A (zh) | 检查方法、电子检查系统、计算机可读介质和应用平台 | |
| CN115953710A (zh) | 一种行为识别方法、装置、电子设备及存储介质 | |
| CN109711386B (zh) | 获取识别模型的方法、装置、电子设备及存储介质 | |
| CN113053454A (zh) | 分类方法及装置、电子设备和存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |