CN115081596A - 卷积神经网络模型推理方法、装置、设备及存储介质 - Google Patents

卷积神经网络模型推理方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN115081596A
CN115081596A CN202210828492.8A CN202210828492A CN115081596A CN 115081596 A CN115081596 A CN 115081596A CN 202210828492 A CN202210828492 A CN 202210828492A CN 115081596 A CN115081596 A CN 115081596A
Authority
CN
China
Prior art keywords
neural network
network model
convolutional neural
parameters
convolutional
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.)
Withdrawn
Application number
CN202210828492.8A
Other languages
English (en)
Inventor
兰婷婷
曾祥永
支涛
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.)
Henan Yunji Intelligent Technology Co Ltd
Original Assignee
Henan Yunji Intelligent 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 Henan Yunji Intelligent Technology Co Ltd filed Critical Henan Yunji Intelligent Technology Co Ltd
Priority to CN202210828492.8A priority Critical patent/CN115081596A/zh
Publication of CN115081596A publication Critical patent/CN115081596A/zh
Withdrawn legal-status Critical Current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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种卷积神经网络模型推理方法、装置、设备及存储介质。该方法包括：将训练后的卷积神经网络模型进行加载，读取训练后的卷积神经网络模型对应的模型参数，并获取训练后的卷积神经网络模型对应的标准化参数；确定训练后的卷积神经网络模型中与输入层直接相连的卷积层，从模型参数中获取与卷积层相对应的卷积层参数；基于预定的标准化公式以及卷积公式，将标准化参数融合到卷积层参数中，得到融合后的卷积层参数；利用融合后的卷积层参数对训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，将图像数据直接作为新的卷积神经网络模型的输入，利用新的卷积神经网络模型进行推理。本申请提升了模型的推理速度以及推理效率。

Description

卷积神经网络模型推理方法、装置、设备及存储介质
技术领域
本申请涉及卷积神经网络模型技术领域，尤其涉及一种卷积神经网络模型推理方法、装置、设备及存储介质。
背景技术
随着深度学习技术的飞速发展，卷积神经网络越来越多的被应用到工业界，目前的深度学习模型由于其计算复杂性高、参数冗余，对硬件平台的内存、带宽等条件要求较高，从而导致在一些场景或设备上的推理部署存在限制。近几年来模型推理的优化方法包括模型压缩、软件库优化、异构计算、硬件加速等技术。
目前常用的几种用于模型推理的优化方法均无法达到预期效果，例如，在模型压缩技术中，需要特殊的软硬件支持才能完成推理部署与加速，导致部署成本增加，压缩后的模型一般需要重训练，而重训练不当的情况下在一定程度上会导致模型精度损失，并且这些网络模型大部分仍要对输入的原始数据进行标准化处理，因此无法从根本上加快模型推理的速度；因此，现有的模型推理方法不仅具有较高的部署成本，而且无法从根本上提升模型的推理速度，还需要对模型进行重训练，降低了模型的推理效率。
发明内容
有鉴于此，本申请实施例提供了一种卷积神经网络模型推理方法、装置、设备及存储介质，以解决现有技术存在的不仅具有较高的部署成本，而且无法从根本上提升模型的推理速度，还需要对模型进行重训练，降低模型的推理效率的问题。
本申请实施例的第一方面，提供了一种卷积神经网络模型推理方法，包括：将训练后的卷积神经网络模型进行加载，读取训练后的卷积神经网络模型对应的模型参数，并获取训练后的卷积神经网络模型对应的标准化参数；确定训练后的卷积神经网络模型中与输入层直接相连的卷积层，从模型参数中获取与卷积层相对应的卷积层参数；基于预定的标准化公式以及卷积公式，将标准化参数融合到卷积层参数中，得到融合后的卷积层参数；利用融合后的卷积层参数对训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，将图像数据直接作为新的卷积神经网络模型的输入，利用新的卷积神经网络模型对图像数据进行推理。
本申请实施例的第二方面，提供了一种卷积神经网络模型推理装置，包括：读取模块，被配置为将训练后的卷积神经网络模型进行加载，读取训练后的卷积神经网络模型对应的模型参数，并获取训练后的卷积神经网络模型对应的标准化参数；获取模块，被配置为确定训练后的卷积神经网络模型中与输入层直接相连的卷积层，从模型参数中获取与卷积层相对应的卷积层参数；融合模块，被配置为基于预定的标准化公式以及卷积公式，将标准化参数融合到卷积层参数中，得到融合后的卷积层参数；更新模块，被配置为利用融合后的卷积层参数对训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，将图像数据直接作为新的卷积神经网络模型的输入，利用新的卷积神经网络模型对图像数据进行推理。
本申请实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。
本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过将训练后的卷积神经网络模型进行加载，读取训练后的卷积神经网络模型对应的模型参数，并获取训练后的卷积神经网络模型对应的标准化参数；确定训练后的卷积神经网络模型中与输入层直接相连的卷积层，从模型参数中获取与卷积层相对应的卷积层参数；基于预定的标准化公式以及卷积公式，将标准化参数融合到卷积层参数中，得到融合后的卷积层参数；利用融合后的卷积层参数对训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，将图像数据直接作为新的卷积神经网络模型的输入，利用新的卷积神经网络模型对图像数据进行推理。本申请通过将模型训练后中的标准化参数融合到卷积层参数中，使更新后的新的卷积神经网络模型在对图像数据进行推理时，无需对图像数据进行标准化处理，更无需对模型进行重新训练，从而提升了模型的推理速度以及推理效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本申请实施例提供的卷积神经网络模型推理方法的流程示意图；
图2是本申请实施例提供的卷积神经网络模型推理装置的结构示意图；
图3是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
如前文背景技术中的内容，随着深度学习技术的飞速发展，卷积神经网络越来越多的被应用到工业界，目前的深度学习模型由于其计算复杂性高、参数冗余，对硬件平台的内存、带宽等条件要求较高，从而导致在一些场景或设备上的推理部署存在限制。近几年来模型推理的优化方法包括模型压缩、软件库优化、异构计算、硬件加速等技术。
现有技术中针对模型推理的优化方法一部分是通过设备硬件加速，在推理设备上添加支持某些算子的硬件加速的芯片；另一部分是通过剪枝、量化、模型蒸馏、算子融合等方法在模型精度不降低的情况下加快推理速度。
目前的模型压缩技术中，非结构化裁剪与低bit(计算机存储中的比特数)量化后的模型，由于其结构变化的不规则，继续应用于传统软硬件无法达到加速的效果，需要特殊的软硬件支持才能完成推理部署与加速，导致部署成本增加，压缩后的模型一般需要重训练，而重训练不当的情况下在一定程度上会导致模型精度损失。并且这些网络模型大部分仍要对输入的原始数据进行标准化处理。同时在网络前进行一次图像标准化操作会增加模型的推理时间并占用较多内存及CPU，尤其对于一些不支持数据标准化硬件加速，计算资源受限的嵌入式设备，模型推理的时间尤为漫长，并且随着输入数据尺寸的增加，计算耗时成倍数增长。
由此可见，现有的针对模型推理的优化方法中，对软硬件的部署需要较高的成本，而且仍需要对输入的原始数据进行标准化处理，导致无法从根本上提升模型的推理速度，并且还需要对模型进行重训练，因此极大降低了模型的推理效率。
有鉴于上述现有技术中存在的问题，本申请参考卷积层与BN层(归一化层)融合的方法而设计了一套卷积神经网络模型推理方法，通过将数据预处理过程中产生的参数与卷积层的参数相融合，最后利用融合后的卷积层参数对训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，在使用新的卷积神经网络模型对图像数据进行推理时，无需对获取的图像数据进行标准化处理，更无需对模型进行重新训练，并且本申请实施例对推理设备也没有额外要求，从而使卷积神经网络模型的推理速度加快，提升模型的推理效率。
需要说明的是，本申请以下实施例是以卷积神经网络模型的加速推理场景为例进行展开描述的，但是应当理解的是，本申请实施例针对的应用场景不限于卷积神经网络模型的加速推理场景，与卷积神经网络模型具有相似结构的神经网络模型的加速推理场景同样适用。上述应用场景不构成对本申请技术方案的限定。
图1是本申请实施例提供的卷积神经网络模型推理方法的流程示意图。图1的卷积神经网络模型推理方法可以由预先配置的程序执行。如图1所示，该卷积神经网络模型推理方法具体可以包括：
S101，将训练后的卷积神经网络模型进行加载，读取训练后的卷积神经网络模型对应的模型参数，并获取训练后的卷积神经网络模型对应的标准化参数；
S102，确定训练后的卷积神经网络模型中与输入层直接相连的卷积层，从模型参数中获取与卷积层相对应的卷积层参数；
S103，基于预定的标准化公式以及卷积公式，将标准化参数融合到卷积层参数中，得到融合后的卷积层参数；
S104，利用融合后的卷积层参数对训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，将图像数据直接作为新的卷积神经网络模型的输入，利用新的卷积神经网络模型对图像数据进行推理。
具体地，本申请实施例的卷积神经网络模型的推理是指利用卷积神经网络模型对原始图像数据进行识别和预测的过程；卷积神经网络模型的加速推理可以理解为采用一定的优化方法对卷积神经网络模型或者模型推理过程进行优化，使得优化后的卷积神经网络模型对原始图像数据进行识别和预测的速度加快的技术。
进一步地，本申请实施例的卷积神经网络模型不限于某一种或几种特定的神经网络模型，任何卷积神经网络模型均适用于本申请技术方案，比如ONNX模型、PyTorch模型或者自研的卷积神经网络模型等。本申请实施例的卷积神经网络模型中至少包含输入层和卷积层，本申请实施例将卷积神经网络模型中与输入层最先连接的卷积层作为参数获取以及更新的对象。
在本申请的一些实施例中，将训练后的卷积神经网络模型进行加载，读取训练后的卷积神经网络模型对应的模型参数，包括：利用预先配置的程序加载训练后的卷积神经网络模型，并读取训练后的卷积神经网络模型对应的模型参数；其中，训练后的卷积神经网络模型是利用训练数据对预先建立的卷积神经网络模型进行训练后得到的模型。
具体地，首先利用预先配置的程序对训练后的卷积神经网络模型进行加载，并读取训练后的卷积神经网络模型中的模型数据(也称为模型参数)。在实际应用中，在利用预先配置的程序对训练后的卷积神经网络模型进行加载之前，可以先根据需求建立卷积神经网络模型，并对建立的卷积神经网络模型进行训练，得到训练后的卷积神经网络模型，之后将训练后的卷积神经网络模型部署到应用中。
进一步地，现有的卷积神经网络模型在通常情况下，在利用部署到线上的卷积神经网络模型进行数据推理时，需要先将待推理的数据(本申请中采用图像数据)利用预训练时得到的标准化参数进行标准化处理，再将标准化处理后的图像特征输入到卷积神经网络模型中进行推理。也就是说，需要先对图像数据进行标准化处理，再对标准化处理后的图像特征进行卷积。
在本申请的一些实施例中，获取训练后的卷积神经网络模型对应的标准化参数，包括：在利用训练数据对预先建立的卷积神经网络模型进行训练时，对训练数据进行标准化处理得到与训练后的卷积神经网络模型相对应的标准化参数；其中，训练数据包括用于模型训练的样本图像数据，标准化参数包括均值和标准差。
具体地，为了获取标准化参数，在利用训练数据对预先建立的卷积神经网络模型进行训练时，对选定的一批训练数据进行标准化处理得到标准化参数；在实际应用中，卷积神经网络模型在预训练时，首先需要获取一批用于模型训练的训练数据，通过对选定的训练数据进行统计分析(即标准化处理)，即可得到用于对该卷积神经网络模型进行预训练的标准化参数。在本申请实施例中，标准化参数也可以称为图像标准化参数。需要说明的是，预先建立的卷积神经网络模型不同，其对应的标准化参数也不相同，即不同模型之间的标准化参数也可能不同。
在本申请的一些实施例中，确定训练后的卷积神经网络模型中与输入层直接相连的卷积层，从模型参数中获取与卷积层相对应的卷积层参数，包括：基于训练后的卷积神经网络模型的内部结构，确定与训练后的卷积神经网络模型内的输入层直接相连的一个或多个卷积层，并从模型参数中读取与每个卷积层分别对应的卷积层参数；其中，卷积层参数包括权重参数和偏置参数，每个卷积层对应一组由权重参数和偏置参数所组成的卷积层参数。
具体地，本申请实施例所针对的卷积层是卷积神经网络模型中与输入层最先连接的卷积层，由于卷积神经网络模型中的结构不止一个分支，因此与输入层最先连接的卷积层也可能不止一个；在实际应用中，对于每一个与输入层直接相连的卷积层，均需要读取该卷积层对应的卷积层参数，卷积层参数中包含该卷积层对应的权重参数和偏置参数，因此每一个卷积层分别对应一组权重和偏置所组成的参数。
在本申请的一些实施例中，将标准化公式和卷积公式分别表示为：
标准化公式：
Figure BDA0003745051290000071
卷积公式：Y＝W*X+B
其中，A表示对训练数据进行标准化处理后的特征图数据，valuemean表示标准化参数中的均值，valuestd表示标准化参数中的标准差，Y表示卷积层输出的特征图数据，W表示卷积层对应的权重参数，B表示卷积层对应的偏置参数，X表示卷积层输入的特征图数据。
具体地，本申请实施例基于预定的标准化公式以及卷积公式，将标准化参数与卷积层参数进行融合，从而得到融合后的卷积层参数；在实际应用中，通过将上述标准化公式和卷积公式进行合并得到合并后的公式表达，基于合并后的公式表达来确定融合后的卷积层参数。
在本申请的一些实施例中，利用以下公式将标准化参数融合到卷积层参数中，得到融合后的卷积层参数：
Figure BDA0003745051290000081
其中，
Figure BDA0003745051290000082
表示融合后的权重参数，
Figure BDA0003745051290000083
表示中间矩阵，将中间矩阵进行全局平均池化后得到的值与初始偏置参数B相加得到融合后的偏置参数。
具体地，以上公式是通过对标准化公式和卷积公式进行合并后得到的公式表达形式，基于卷积公式Y＝W*X+B可知，合并后的公式中
Figure BDA0003745051290000084
就相当于W，而根据计算全部为
Figure BDA0003745051290000085
的特征图进行卷积得到的特征图中每个元素均相等，故取
Figure BDA0003745051290000086
全局平均池化的值与初始偏置参数B相加得到的参数作为融合后的偏置参数。
需要说明的是，本申请实施例中对数值全部为
Figure BDA0003745051290000087
的特征图进行卷积后得到新的特征图，该新的特征图中每个元素的数值也是相等的；也就是说，对特征图进行卷积操作前后，新的特征图中的元素数值虽然相比之前特征图的元素数值发生了变化，但是特征图内的各个元素之间的数值依然相等，例如：假设X是一个所有元素的数值全部为3的矩阵，那么经过卷积计算之后(即W*X)得到的新的特征图中的每个元素的数值也都是相等的。
因此，本申请实施例通过将中间矩阵
Figure BDA0003745051290000088
进行全局平均池化后的值与初始偏置参数B相加的方式得到融合后的偏置参数。融合后的新的权重参数Wmerged与偏置参数Bmerged分别可以表示为：
Figure BDA0003745051290000091
Figure BDA0003745051290000092
其中，在上述偏置参数的表达式中，
Figure BDA0003745051290000093
表示一个中间矩阵，而初始偏置参数B是一个值，因此需要对该中间矩阵进行全局平均池化，也就是说，需要将中间矩阵内的全部数值相加求平均数，将全局平均池化后得到的平均数与初始偏置参数B相加，即可得到融合后的偏置参数。
在本申请的一些实施例中，利用融合后的卷积层参数对训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，包括：将训练后的卷积神经网络模型的模型参数中的卷积层对应的卷积层参数替换为融合后的卷积层参数，以便将融合后的卷积层参数保存到训练后的卷积神经网络模型中，得到新的卷积神经网络模型。
具体地，在得到融合后的卷积层参数后，将训练后的卷积神经网络模型中的卷积层对应的原始卷积层参数替换为与之对应的融合后的卷积层参数，从而实现对模型参数的更新，将参数更新后的卷积神经网络模型存储为新的卷积神经网络模型，利用新的卷积神经网络模型对线上获取的图像数据进行识别和预测。
根据本申请实施例提供的技术方案，本申请利用程序读取训练后的卷积神经网络模型的模型数据(即模型参数)，并获取卷积神经网络模型的标准化参数，通过标准化公式与卷积公式之间的合并，实现将标准化参数融合到卷积层参数中，从而得到融合后的卷积层参数，最后利用融合后的卷积层参数对训练后的卷积神经网络模型进行更新，即可得到更新后的新的卷积神经网络模型。由于本申请更新后的新的卷积神经网络模型的卷积层中已经融合了训练数据的标准化参数，因此在部署到线上进行实际的图像数据识别和预测时，无需再对图像数据进行标准化处理，更无需对模型进行重新训练，可以直接将原始图像数据作为新的卷积神经网络模型的输出进行推理预测，从而加速了模型的推理过程，本申请不仅加快了模型的推理速度和推理效率，而且模型精度也不会发生损失。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图2是本申请实施例提供的卷积神经网络模型推理装置的结构示意图。如图2所示，该卷积神经网络模型推理装置包括：
读取模块201，被配置为将训练后的卷积神经网络模型进行加载，读取训练后的卷积神经网络模型对应的模型参数，并获取训练后的卷积神经网络模型对应的标准化参数；
确定模块202，被配置为确定训练后的卷积神经网络模型中与输入层连接的卷积层，从模型参数中获取与卷积层相对应的卷积层参数；
融合模块203，被配置为基于预定的标准化公式以及卷积公式，将标准化参数融合到卷积层参数中，得到融合后的卷积层参数；
更新模块204，被配置为利用融合后的卷积层参数对训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，将图像数据直接作为新的卷积神经网络模型的输入，利用新的卷积神经网络模型对图像数据进行推理。
在一些实施例中，图2的读取模块201利用预先配置的程序加载训练后的卷积神经网络模型，并读取训练后的卷积神经网络模型对应的模型参数；其中，训练后的卷积神经网络模型是利用训练数据对预先建立的卷积神经网络模型进行训练后得到的模型。
在一些实施例中，图2的读取模块201在利用训练数据对预先建立的卷积神经网络模型进行训练时，对训练数据进行标准化处理得到与训练后的卷积神经网络模型相对应的标准化参数；其中，训练数据包括用于模型训练的样本图像数据，标准化参数包括均值和标准差。
在一些实施例中，图2的确定模块202基于训练后的卷积神经网络模型的内部结构，确定与训练后的卷积神经网络模型内的输入层直接相连的一个或多个卷积层，并从模型参数中读取与每个卷积层分别对应的卷积层参数；其中，卷积层参数包括权重参数和偏置参数，每个卷积层对应一组由权重参数和偏置参数所组成的卷积层参数。
在一些实施例中，图2的更新模块204将训练后的卷积神经网络模型的模型参数中的卷积层对应的卷积层参数替换为融合后的卷积层参数，以便将融合后的卷积层参数保存到训练后的卷积神经网络模型中，得到新的卷积神经网络模型。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图3是本申请实施例提供的电子设备3的结构示意图。如图3所示，该实施例的电子设备3包括：处理器301、存储器302以及存储在该存储器302中并且可以在处理器301上运行的计算机程序303。处理器301执行计算机程序303时实现上述各个方法实施例中的步骤。或者，处理器301执行计算机程序303时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序303可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器302中，并由处理器301执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序303在电子设备3中的执行过程。
电子设备3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备3可以包括但不仅限于处理器301和存储器302。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器301可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
存储器302可以是电子设备3的内部存储单元，例如，电子设备3的硬盘或内存。存储器302也可以是电子设备3的外部存储设备，例如，电子设备3上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器302还可以既包括电子设备3的内部存储单元也包括外部存储设备。存储器302用于存储计算机程序以及电子设备所需的其它程序和数据。存储器302还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所申请的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种卷积神经网络模型推理方法，其特征在于，包括：
将训练后的卷积神经网络模型进行加载，读取所述训练后的卷积神经网络模型对应的模型参数，并获取所述训练后的卷积神经网络模型对应的标准化参数；
确定所述训练后的卷积神经网络模型中与输入层直接相连的卷积层，从所述模型参数中获取与所述卷积层相对应的卷积层参数；
基于预定的标准化公式以及卷积公式，将所述标准化参数融合到所述卷积层参数中，得到融合后的卷积层参数；
利用融合后的卷积层参数对所述训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，将图像数据直接作为所述新的卷积神经网络模型的输入，利用所述新的卷积神经网络模型对所述图像数据进行推理。
2.根据权利要求1所述的方法，其特征在于，所述将训练后的卷积神经网络模型进行加载，读取所述训练后的卷积神经网络模型对应的模型参数，包括：
利用预先配置的程序加载所述训练后的卷积神经网络模型，并读取所述训练后的卷积神经网络模型对应的模型参数；
其中，所述训练后的卷积神经网络模型是利用训练数据对预先建立的卷积神经网络模型进行训练后得到的模型。
3.根据权利要求2所述的方法，其特征在于，所述获取所述训练后的卷积神经网络模型对应的标准化参数，包括：
在利用训练数据对预先建立的卷积神经网络模型进行训练时，对所述训练数据进行标准化处理得到与所述训练后的卷积神经网络模型相对应的标准化参数；
其中，所述训练数据包括用于模型训练的样本图像数据，所述标准化参数包括均值和标准差。
4.根据权利要求1所述的方法，其特征在于，所述确定所述训练后的卷积神经网络模型中与输入层直接相连的卷积层，从所述模型参数中获取与所述卷积层相对应的卷积层参数，包括：
基于所述训练后的卷积神经网络模型的内部结构，确定与所述训练后的卷积神经网络模型内的输入层直接相连的一个或多个卷积层，并从所述模型参数中读取与每个所述卷积层分别对应的卷积层参数；
其中，所述卷积层参数包括权重参数和偏置参数，每个所述卷积层对应一组由所述权重参数和偏置参数所组成的卷积层参数。
5.根据权利要求1所述的方法，其特征在于，将所述标准化公式和卷积公式分别表示为：
标准化公式：
Figure FDA0003745051280000021
卷积公式：Y＝W*X+B
其中，A表示对训练数据进行标准化处理后的特征图数据，valuemean表示标准化参数中的均值，valuestd表示标准化参数中的标准差，Y表示卷积层输出的特征图数据，W表示卷积层对应的权重参数，B表示卷积层对应的偏置参数，X表示卷积层输入的特征图数据。
6.根据权利要求5所述的方法，其特征在于，利用以下公式将所述标准化参数融合到所述卷积层参数中，得到融合后的卷积层参数：
Figure FDA0003745051280000022
其中，
Figure FDA0003745051280000023
表示融合后的权重参数，
Figure FDA0003745051280000024
表示中间矩阵，将所述中间矩阵进行全局平均池化后得到的值与初始偏置参数B相加得到融合后的偏置参数。
7.根据权利要求1所述的方法，其特征在于，所述利用融合后的卷积层参数对所述训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，包括：
将所述训练后的卷积神经网络模型的模型参数中的所述卷积层对应的卷积层参数替换为融合后的卷积层参数，以便将所述融合后的卷积层参数保存到所述训练后的卷积神经网络模型中，得到新的卷积神经网络模型。
8.一种卷积神经网络模型推理装置，其特征在于，包括：
读取模块，被配置为将训练后的卷积神经网络模型进行加载，读取所述训练后的卷积神经网络模型对应的模型参数，并获取所述训练后的卷积神经网络模型对应的标准化参数；
确定模块，被配置为确定所述训练后的卷积神经网络模型中与输入层连接的卷积层，从所述模型参数中获取与所述卷积层相对应的卷积层参数；
融合模块，被配置为基于预定的标准化公式以及卷积公式，将所述标准化参数融合到所述卷积层参数中，得到融合后的卷积层参数；
更新模块，被配置为利用融合后的卷积层参数对所述训练后的卷积神经网络模型进行更新，得到新的卷积神经网络模型，将图像数据直接作为所述新的卷积神经网络模型的输入，利用所述新的卷积神经网络模型对所述图像数据进行推理。
9.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN202210828492.8A 2022-07-13 2022-07-13 卷积神经网络模型推理方法、装置、设备及存储介质 Withdrawn CN115081596A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210828492.8A CN115081596A (zh) 2022-07-13 2022-07-13 卷积神经网络模型推理方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210828492.8A CN115081596A (zh) 2022-07-13 2022-07-13 卷积神经网络模型推理方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN115081596A true CN115081596A (zh) 2022-09-20

Family

ID=83259401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210828492.8A Withdrawn CN115081596A (zh) 2022-07-13 2022-07-13 卷积神经网络模型推理方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN115081596A (zh)

Similar Documents

Publication Publication Date Title
CN111950225B (zh) 一种芯片布局方法、装置、存储介质和电子设备
DE102019106669A1 (de) Verfahren und anordnungen zum verwalten von speicher in kaskadierten neuronalen netzen
CN110264270B (zh) 一种行为预测方法、装置、设备和存储介质
CN111126481A (zh) 一种神经网络模型的训练方法及装置
CN114355793B (zh) 用于车辆仿真评测的自动驾驶规划模型的训练方法及装置
CN112766466A (zh) 一种神经网络架构搜索的方法、装置和电子设备
CN111784699A (zh) 一种对三维点云数据进行目标分割方法、装置及终端设备
DE102022129946A1 (de) Verfahren und vorrichtungen zum bestimmen eines verfeinerten kontexts für softwarefehlererkennung und - korrektur
CN113743650B (zh) 电力负荷预测方法、装置、设备与存储介质
CN114168318A (zh) 存储释放模型的训练方法、存储释放方法及设备
CN117217280A (zh) 神经网络模型优化方法、装置及计算设备
CN115081596A (zh) 卷积神经网络模型推理方法、装置、设备及存储介质
CN115412401B (zh) 训练虚拟网络嵌入模型及虚拟网络嵌入的方法和装置
CN113139650A (zh) 深度学习模型的调优方法和计算装置
CN112686365A (zh) 运行神经网络模型的方法、装置和计算机设备
CN115996169A (zh) 一种网络故障分析方法、装置、电子设备及存储介质
CN114461619A (zh) 能源互联网多源数据融合方法、装置、终端及存储介质
CN113160942A (zh) 影像数据质量评估方法、装置、终端设备及可读存储介质
CN112712610A (zh) 车辆诊断日志处理方法、装置、终端设备及可读存储介质
CN113568630A (zh) 算法更新的方法、系统及设备
CN110688812B (zh) 一种基于小规模概率神经网络的电路故障诊断方法及装置
CN113159290B (zh) 一种神经网络模型网络推理的优化方法
CN115718680B (zh) 数据读取方法、系统、计算机及可读存储介质
CN112559840B (zh) 上网行为识别方法、装置、计算设备及计算机存储介质
CN114117010A (zh) Nlp任务的处理方法、装置、终端设备和存储介质

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20220920

WW01 Invention patent application withdrawn after publication