CN115271043A - 模型调优方法、装置及存储介质 - Google Patents
模型调优方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115271043A CN115271043A CN202210900153.6A CN202210900153A CN115271043A CN 115271043 A CN115271043 A CN 115271043A CN 202210900153 A CN202210900153 A CN 202210900153A CN 115271043 A CN115271043 A CN 115271043A
- Authority
- CN
- China
- Prior art keywords
- model
- optimizer
- network
- pruning
- search
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013138 pruning Methods 0.000 claims abstract description 83
- 238000013139 quantization Methods 0.000 claims abstract description 47
- 238000003062 neural network model Methods 0.000 claims abstract description 44
- 230000006835 compression Effects 0.000 claims abstract description 30
- 238000007906 compression Methods 0.000 claims abstract description 30
- 238000010845 search algorithm Methods 0.000 claims description 13
- 238000011002 quantification Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 12
- 238000012545 processing Methods 0.000 description 25
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 230000005236 sound signal Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000002349 favourable effect Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000006978 adaptation Effects 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
- JRXXLCKWQFKACW-UHFFFAOYSA-N biphenylacetylene Chemical compound C1=CC=CC=C1C#CC1=CC=CC=C1 JRXXLCKWQFKACW-UHFFFAOYSA-N 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000000605 extraction Methods 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
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000008685 targeting 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Compression, Expansion, Code Conversion, And Decoders (AREA)
- Image Analysis (AREA)
Abstract
本公开涉及一种模型调优方法、装置及存储介质，可用于自动驾驶，所述方法包括：执行多次迭代更新操作；所述迭代更新操作包括：确定模型优化器针对预设的神经网络模型所确定的网络编码，所述网络编码包括网络拓扑结构策略编码、剪枝策略编码和量化策略编码；根据所述网络编码压缩所述神经网络模型，得到所述压缩模型；确定所述压缩模型针对媒体数据输出的结果数据；在所述结果数据未达到预设收敛条件的情况下，更新所述模型优化器，并基于更新后的模型优化器执行下一次迭代更新操作，提高模型优化效率，且降低对神经网络模型的原网络结构的影响。
Description
技术领域
本公开涉及自动驾驶技术领域，尤其涉及一种模型调优方法、装置及存储介质。
背景技术
目前，模型优化包括模型结构优化和模型参数优化，其属于自动机器学习。自动机器学习包括剪枝、神经网络结构搜索以及量化三个优化模块，目前，一般将上述三个优化模块分开进行优化，这种优化方式效率低；此外，使用上述三个优化模块对被优化的神经网络模型进行优化时，对被优化的神经网络模型的原网络结构或者训练侵入较大。
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调优方法、装置及存储介质。
根据本公开实施例的第一方面，提供一种模型调优方法，包括：
执行多次迭代更新操作；所述迭代更新操作包括：
确定模型优化器针对预设的神经网络模型所确定的网络编码，所述网络编码包括网络拓扑结构策略编码、剪枝策略编码和量化策略编码；
根据所述网络编码压缩所述神经网络模型，得到所述压缩模型；
确定所述压缩模型针对媒体数据输出的结果数据；
在所述结果数据未达到预设收敛条件的情况下，更新所述模型优化器，并基于更新后的模型优化器执行下一次迭代更新操作。
可选的，所述模型优化器包括模型搜索优化器、模型剪枝优化器和模型量化优化器，所述更新所述模型优化器，包括：
更新所述模型搜索优化器、所述模型剪枝优化器和所述模型量化优化器分别对应的权重掩码，以更新所述模型优化器；其中，所述模型搜索优化器、所述模型剪枝优化器和所述模型量化优化器各自对应的权重掩码分别用于确定所述网络拓扑结构策略编码、所述剪枝策略编码和所述量化策略编码。
可选的，所述模型优化器可以通过下式表征：
其中，tune表征所述模型优化器，
表征第j条搜索路径下所述神经网络模型中第i层网络的第一权重掩码，
表征第j条搜索路径下所述第i层网络的第二权重掩码，
表征第j条搜索路径下所述神经网络模型中所述第i层网络的第三权重掩码，ωi表征所述第i层网络的网络参数，xi表征所述第i层网络的输入，αj表征第j条搜索路径的权重，n表征搜索路径数量，I()表征单路径选择函数，tune1()用于表征所述模型剪枝优化器，tune2()用于表征所述模型量化优化器，tune3()用于表征所述模型搜索优化器。
可选的，在采用所述单路径搜索算法的情况下，通过以下方式更新所述模型搜索优化器：
更新所述
以更新所述模型搜索优化器。
可选的，在采用所述可微分搜索算法的情况下，通过以下方式更新所述模型搜索优化器：
更新所述
以及所述αj，以更新所述模型搜索优化器。
可选的，通过以下方式更新所述模型剪枝优化器：
采用预设的通道剪枝算法更新所述
以更新所述模型剪枝优化器。
可选的，通过以下方式更新所述模型剪枝优化器：
采用预设的内核尺寸剪枝算法更新所述
以更新所述模型剪枝优化器。
根据本公开实施例的第二方面，提供一种模型调优装置，包括：
执行模块，被配置为执行多次迭代更新操作；所述迭代更新操作包括：
确定模型优化器针对预设的神经网络模型所确定的网络编码，所述网络编码包括网络拓扑结构策略编码、剪枝策略编码和量化策略编码；
根据所述网络编码压缩所述神经网络模型，得到所述压缩模型；
确定所述压缩模型针对媒体数据输出的结果数据；
在所述结果数据未达到预设收敛条件的情况下，更新所述模型优化器，并基于更新后的模型优化器执行下一次迭代更新操作。
可选的，所述模型优化器包括模型搜索优化器、模型剪枝优化器和模型量化优化器，所述执行模块包括：
更新模块，被配置为更新所述模型搜索优化器、所述模型剪枝优化器和所述模型量化优化器分别对应的权重掩码，以更新所述模型优化器；其中，所述模型搜索优化器、所述模型剪枝优化器和所述模型量化优化器各自对应的权重掩码分别用于确定所述网络拓扑结构策略编码、所述剪枝策略编码和所述量化策略编码。
可选的，所述模型优化器可以通过下式表征：
其中，tune表征所述模型优化器，
表征第j条搜索路径下所述神经网络模型中第i层网络的第一权重掩码，
表征第j条搜索路径下所述第i层网络的第二权重掩码，
表征第j条搜索路径下所述神经网络模型中所述第i层网络的第三权重掩码，ωi表征所述第i层网络的网络参数，xi表征所述第i层网络的输入，αj表征第j条搜索路径的权重，n表征搜索路径数量，I()表征单路径选择函数，tune1()用于表征所述模型剪枝优化器，tune2()用于表征所述模型量化优化器，tune3()用于表征所述模型搜索优化器。
可选的，所述更新模块包括第一更新子模块，被配置为在采用所述单路径搜索算法的情况下，更新所述
以更新所述模型搜索优化器。
可选的，所述更新模块包括第二更新子模块，被配置为在采用所述可微分搜索算法的情况下，更新所述
以及所述αj，以更新所述模型搜索优化器。
可选的，所述更新模块包括第三更新子模块，被配置为采用预设的通道剪枝算法更新所述
以更新所述模型剪枝优化器。
可选的，所述更新模块包括第四更新子模块，被配置为采用预设的内核尺寸剪枝算法更新所述
以更新所述模型剪枝优化器。
根据本公开实施例的第三方面，提供一种模型调优装置，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实现本公开第一方面所提供的模型调优方法的步骤。
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本公开第一方面所提供的模型调优方法的步骤。
本公开的实施例提供的技术方案可以包括以下有益效果：在同一个模型优化器下实现网络拓扑结构、剪枝以及量化的联合优化，提高模型优化效率；另外，模型优化器模型输出的是网络拓扑结构策略、剪枝策略和量化策略对应的编码，通过编码来压缩神经网络模型，可以降低对神经网络模型的原网络结构的影响，从而降低用户改动神经网络模型所对应的代码的改动量。
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调优方法的流程图。
图2是根据一示例性实施例示出的一种不同搜索路径下的网络拓扑结构的示意图。
图3是根据一示例性实施例示出的一种模型调优装置的结构示意图。
图4是根据一示例性实施例示出的一种模型调优装置的另一结构示意图。
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调优方法的流程图，该模型调优方法可以用于终端中，这里的终端例如可以是智能手机、平板的电子设备，例如可以是服务器。如图1所示，该模型调优方法包括以下步骤。
在步骤S101中，确定模型优化器针对预设的神经网络模型所确定的网络编码，网络编码包括网络拓扑结构策略编码、剪枝策略编码和量化策略编码。
其中，这里的预设的神经网络模型可以是图像神经网络，对应的媒体数据可以是图像数据，这里的预设的神经网络模型可以是语音神经网络，对应的媒体数据可以是语音数据，本公开对此不作限定。
其中，这里的模型优化器包括模型搜索优化器、模型剪枝优化器和模型量化优化器。
模型搜索优化器用于确定网络拓扑结构策略，一种网络拓扑结构策略对应一种神经网络模型的拓扑结构，即网络拓扑结构策略用于确定神经网络模型的拓扑结构，这里的拓扑结构用于决定输入神经网络模型的媒体数据的数据流向。
模型剪枝优化器用于确定剪枝策略，剪枝策略可以决定输入通道数的具体数量，剪枝策略可以决定输出通道数的具体数量，或者内核尺寸的具体大小。
由上可知，剪枝策略和网络拓扑结构策略都是对神经网络模型中的网络层进行裁剪，以此降低内存占用和减少不重要的网络单元对应的操作。
模型量化优化器用于确定量化策略，量化策略用于对每一网络层的网络参数进行量化。量化策略包括量化策略或反量化策略，量化是指将用高比特值表达的浮点数转换为低比特值的形式，与量化相对的，反量化是指将用低比特值表达的浮点数转换为高比特值的形式。
根据上述策略(网络拓扑结构策略、剪枝策略和量化策略)，可以确定一个完整的网络模型用于对媒体数据进行处理。在一些实施例中，上述策略(网络拓扑结构策略、剪枝策略和量化策略)可以用编码的形式进行表征，如此，可以降低对神经网络模型的原网络结构的影响，且可以降低用户改动神经网络模型对应的代码量。
例如，针对网络拓扑结构策略，如果网络拓扑结构策略中表征某个网络层被跳过，则可以全部用0向量的编码来表示该网络，通过该编码得到的压缩模型在媒体数据时，媒体数据的数据流不会经过该网络进行处理。
例如，针对剪枝策略，在考虑内核尺寸和输入通道的剪枝而言，对于一个网络层的内核尺寸有三种选择(3*6、5*8、7*10)，输通道数有四种选择(16、24、32、40)，在某次剪枝采样中选择的内核尺寸为3*6和输入通道数16，剪枝策略就可以用[1,0,0]和[0,0,1,0]来表征，通过该编码得到的压缩模型在处理媒体数据时，利用内核尺寸为3*6且输入通道数为16对媒体数据进行特征提取。
例如，针对量化策略，可以将64比特的数值量化为16比特的数值进行表征。
在步骤S102中，根据网络编码压缩神经网络模型，得到压缩模型。
其中，压缩是指在预设的神经网络模型的网络结构上进行参数压缩、维度缩减等操作或者重新设计简单的网络结构，以提高网络的训练和推理速度。这里的参数压缩、维度缩减由量化策略和剪枝策略实现，这里的重新设计简单的网络结构由网络拓扑结构策略实现。即通过上述的网络拓扑结构策略编码、剪枝策略编码和量化策略编码，可以唯一确定压缩模型。
在步骤S103中，确定压缩模型针对媒体数据输出的结果数据。
其中，利用压缩模型可以实现对媒体数据的预测。例如，在压缩模型是分类模型的情况下，压缩模型可以实现对媒体数据的分类预测，这里的结构数据则是分类结果数据。
在步骤S104中，在结果数据未达到预设收敛条件的情况下，更新模型优化器，并基于更新后的模型优化器返回执行步骤S101。
在一些实施例中，预设收敛条件可以是压缩模型的性能。例如，预设条件可以是压缩模型的准确率大于第一预设阈值，通过结果数据可以确定出压缩模型的准确率，在该准确率小于第一预设阈值的情况下(即达到预设收敛条件)，更新模型优化器；在该准确率小于或等于第一预设阈值的情况下(即未达到预设收敛条件)，输出压缩模型，用于处理媒体数据的网络模型。
又例如，预设条件可以是压缩模型的处理速率大于第二预设阈值，通过结果数据可以确定出压缩模型的处理速率，在该处理速率大于第二预设阈值的情况下(即达到预设收敛条件)，更新模型优化器；在该处理速率小于或等于第二预设阈值的情况下(即未达到预设收敛条件)，输出压缩模型，用于处理媒体数据的网络模型。
其中，在本实施例中，更新模型优化器表征模型搜索优化器、模型剪枝优化器和模型量化优化器重新确定各自对应的策略，以得到新的压缩模型用于处理媒体数据。
通过上述方式，在同一个模型优化器下实现网络拓扑结构、剪枝以及量化的联合优化，提高模型优化效率；另外，模型优化器模型输出的是网络拓扑结构策略、剪枝策略和量化策略对应的编码，通过编码来压缩神经网络模型，可以降低对神经网络模型的原网络结构的影响，从而降低用户改动神经网络模型所对应的代码的改动量。
在一些实施例中，上述更新模型优化器的步骤可以包括：更新模型搜索优化器、模型剪枝优化器和模型量化优化器分别对应的权重掩码，以更新模型优化器。
其中，模型搜索优化器对应的权重掩码用于确定网络拓扑结构策略编码；模型剪枝优化器对应的权重掩码用于确定剪枝策略编码；模型量化优化器对应的权重掩码用于确定量化策略编码，这里的权重掩码可以理解为一种编码向量，例如前文所述的剪枝策略对应的编码可以用[1,0,0]这一编码向量来表征选择的内核尺寸为3*6。
作为一种示例，模型优化器可以通过下式表征：
其中，tune表征模型优化器，
表征第j条搜索路径下神经网络模型中第i层网络的第一权重掩码，
表征第j条搜索路径下第i层网络的第二权重掩码，
表征第j条搜索路径下神经网络模型中第i层网络的第三权重掩码，ωi表征第i层网络的网络参数，xi表征第i层网络的输入，αj表征第j条搜索路径下的权重，n表征搜索路径数量，I()表征单路径选择函数，tune1()用于表征所述模型剪枝优化器，tune2()用于表征所述模型量化优化器，tune3()用于表征所述模型搜索优化器。
在上式中，ωi为Cin*Cout*h*w，其中，Cin为输入通道数，Cout为输出通道数，h*w为内核尺寸；j小于或等于n，每一条搜索路径表征一种网络拓扑结构；I()表征单路径选择函数，表征从
中进行随机采样，得到不同的搜索路径。
作为一种示例，第一权重掩码可以是通道权重掩码，也可以是内核尺寸掩码，或者通道掩码与内核尺寸掩码的结合。
作为一种示例，第二权重掩码可以是量化权重掩码或者反量化权重掩码。
图2是根据一示例性实施例示出的一种不同搜索路径下的网络拓扑结构的示意图。参照图2，在图2中共示意三种搜索路径对应的网络拓扑结构。首先，值得说明的是，预设的神经网络模型包括第一网络层、第二网络层、第三网络层、第四网络层以及第五网络层，图2中的搜索路径1所对应的网络拓扑结构包括第一网络层、第二网络层、第三网络层、第四网络层以及第五网络层，在利于该网络拓扑结构处理媒体数据时会经过图2中所示的所有网络层，媒体数据的数据流向依次经过第一网络层、第二网络层、第三网络层、第四网络层以及第五网络层；图2中搜索路径2所对应的网络拓扑结构包括第一网络层、第三网络层、第四网络层以及第五网络层，在利于该网络拓扑结构处理媒体数据时会跳过图2中所示的第二网络层，媒体数据的数据流向依次经过第一网络层、第三网络层、第四网络层以及第五网络层；图2中搜索路径3所对应的网络拓扑结构包括第一网络层、第四网络层以及第五网络层，在利于该网络拓扑结构处理媒体数据时会跳过图2中所示的第二网络层和第三网络层，媒体数据的数据流向依次经过第一网络层、第四网络层以及第五网络层。
以下以图2所示的搜索路径3对上述模型优化器以及模型优化器的更新进行解释说明。首先，对基于图2所示的搜索路径3，对模型优化器所涉及的参数进行解释说明，n＝j＝3，i取1,3,4,5。
针对tune1()而言，其会输出搜索路径3所涉及的所有网络层(第一网络层、第四网络层以及第五网络层，以下简称目标网络层)的第一权重掩码，用于指示在压缩时，得到的压缩模型中目标网络层的通道选择和/或内核尺寸选择。例如，针对目标网络层为第一网络层，
(即
)可以表征第3条搜索路径下第一网络层的通道权重掩码，例如，输入通道数有四种选择(16、24、32、40)，通道权重掩码可以是(1，0，0，0)，这表征第一网络层中输入通道数为16。
针对tune2()而言，其会输出搜索路径3所涉及的目标网络层的第二权重掩码，用于指示在压缩时，得到的压缩模型中目标网络层的网络参数。例如，针对目标网络层为第一网络层，
(即
)可以表征第3条搜索路径下第一网络层的第二权重掩码(量化权重掩码或者反量化权重掩码)，例如，数值类型表征可以是(16比特，32比特，64比特，128比特)，第二权重掩码可以是(1，0，0，0)，由于是用最小比特来表征数值，从而也表征第二权重掩码为量化权重掩码。
针对tune3()而言，其会输出所有网络层的第三权重掩码，用于指示在压缩时，得到的压缩模型的网络拓扑结构与搜索路径3对应的网络拓扑结构一致。针对目标网络层为第一网络层，若是单路径搜索算法，表征I()函数选择I3，
可以表征第3条搜索路径下第一网络层的第三权重掩码，该第三权重掩码可以为1，表征在数据处理时会经过该第一网络层；相对应的，在针对第二网络层时，第二网络层的第三权重掩码(即
)为0，表征在处理媒体数据时跳过该第二网络层；针对目标网络层为第一网络层，若是可微分搜索算法，tune3()会输出所有搜索路径下的神经网络模型中各网络层的第三权重掩码，以及每条搜索路径下的权重，每条搜索路径的权重用于表征该搜索路径在所有搜索路径中的重要程度，可以根据重要程度选择多条搜索路径一次压缩得到多个不同网络结构的压缩模型，缓解了单路径搜索算法中训练不平衡的问题。
作为一种实施例，第一权重掩码和第二权重掩码可以为同一个掩码，该掩码用于表征第一权重掩码和第二权重掩码。
在采用单路径搜索算法的情况下，通过以下方式更新模型搜索优化器：更新
以更新模型搜索优化器，即更新搜索路径，以重新设计神经网络模型的网络拓扑结构。
在采用可微分搜索算法的情况下，通过以下方式更新模型搜索优化器：更新
以及αj，以更新模型搜索优化器。
通过以下方式更新模型剪枝优化器：采用预设的通道剪枝算法更新
以更新模型剪枝优化器。例如，预设的通道剪枝算法可以是C％8＝0，即选择的通道数为8的整数倍的通道数即可，其中，C为候选通道数，其中，0＜C≤输出通道数，这里的候选通道数可以是输入候选通道数或者输出候选通道数。
通过以下方式更新模型剪枝优化器：采用预设的内核尺寸剪枝算法更新
以更新模型剪枝优化器。例如，内核尺寸依次包括1*1，2*2以及3*3时，在
为(0，0，1)时，可以将
更新为(0，1，0)，前者(0，0，1)表征选用的内核尺寸是3*3，后者(0，1，0)表征选用的尺寸是2*2，这种预设的通道剪枝算法为保留中心尺寸的通道剪枝算法。
基于同一发明构思，本公开提供一种模型调优装置，包括：
执行模块，被配置为执行多次迭代更新操作；所述迭代更新操作包括：
确定模型优化器针对预设的神经网络模型所确定的网络编码，所述网络编码包括网络拓扑结构策略编码、剪枝策略编码和量化策略编码；
根据所述网络编码压缩所述神经网络模型，得到所述压缩模型；
确定所述压缩模型针对媒体数据输出的结果数据；
在所述结果数据未达到预设收敛条件的情况下，更新所述模型优化器，并基于更新后的模型优化器执行下一次迭代更新操作。
可选的，所述模型优化器包括模型搜索优化器、模型剪枝优化器和模型量化优化器，所述执行模块包括：
更新模块，被配置为更新所述模型搜索优化器、所述模型剪枝优化器和所述模型量化优化器分别对应的权重掩码，以更新所述模型优化器；其中，所述模型搜索优化器、所述模型剪枝优化器和所述模型量化优化器各自对应的权重掩码分别用于确定所述网络拓扑结构策略编码、所述剪枝策略编码和所述量化策略编码。
可选的，所述模型优化器可以通过下式表征：
其中，tune表征所述模型优化器，
表征第j条搜索路径下所述神经网络模型中第i层网络的第一权重掩码，
表征第j条搜索路径下所述第i层网络的第二权重掩码，
表征第j条搜索路径下所述神经网络模型中所述第i层网络的第三权重掩码，ωi表征所述第i层网络的网络参数，xi表征所述第i层网络的输入，αj表征第j条搜索路径的权重，n表征搜索路径数量，I()表征单路径选择函数，tune1()用于表征所述模型剪枝优化器，tune2()用于表征所述模型量化优化器，tune3()用于表征所述模型搜索优化器。
可选的，所述更新模块包括第一更新子模块，被配置为在采用所述单路径搜索算法的情况下，更新所述
以更新所述模型搜索优化器。
可选的，所述更新模块包括第二更新子模块，被配置为在采用所述可微分搜索算法的情况下，更新所述
以及所述αj，以更新所述模型搜索优化器。
可选的，所述更新模块包括第三更新子模块，被配置为采用预设的通道剪枝算法更新所述
以更新所述模型剪枝优化器。
可选的，所述更新模块包括第四更新子模块，被配置为采用预设的内核尺寸剪枝算法更新所述
以更新所述模型剪枝优化器。
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调优方法的步骤。
图3是根据一示例性实施例示出的一种模型调优装置的结构示意图。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：第一处理组件302，第一存储器304，第一电源组件306，多媒体组件308，音频组件310，第一输入/输出接口312，传感器组件314，以及通信组件316。
第一处理组件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。第一处理组件302可以包括一个或多个第一处理器320来执行指令，以完成上述的图像处理方法的全部或部分步骤。此外，第一处理组件302可以包括一个或多个模块，便于第一处理组件302和其他组件之间的交互。例如，第一处理组件302可以包括多媒体模块，以方便多媒体组件308和第一处理组件302之间的交互。
第一存储器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。第一存储器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。
第一电源组件306为装置300的各种组件提供电力。第一电源组件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。
第一输入/输出接口312为第一处理组件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，用于执行上述图像处理方法。
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，例如包括指令的第一存储器304，上述指令可由装置300的第一处理器320执行以完成上述图像处理方法。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模型调优装置的另一结构示意图。例如，装置400可以被提供为一服务器。参照图4，装置400包括第二处理组件422，其进一步包括一个或多个第二处理器，以及由第二存储器432所代表的存储器资源，用于存储可由第二处理组件422的执行的指令，例如应用程序。第二存储器432中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，第二处理组件422被配置为执行指令，以执行上述模型调优方法的步骤。
装置400还可以包括一个第二电源组件426被配置为执行装置400的电源管理，一个有线或无线网络接口450被配置为将装置400连接到网络，和一个第二输入/输出接口458。装置400可以操作基于存储在第二存储器432的操作系统，例如Windows ServerTM，MacOS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
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，例如包括指令的第二存储器432，上述指令可由装置400的第二处理器执行以完成上述模型调优方法。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。
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)
1.一种模型调优方法，其特征在于，包括：
执行多次迭代更新操作；所述迭代更新操作包括：
确定模型优化器针对预设的神经网络模型所确定的网络编码，所述网络编码包括网络拓扑结构策略编码、剪枝策略编码和量化策略编码；
根据所述网络编码压缩所述神经网络模型，得到所述压缩模型；
确定所述压缩模型针对媒体数据输出的结果数据；
在所述结果数据未达到预设收敛条件的情况下，更新所述模型优化器，并基于更新后的模型优化器执行下一次迭代更新操作。
2.根据权利要求1所述的方法，其特征在于，所述模型优化器包括模型搜索优化器、模型剪枝优化器和模型量化优化器，所述更新所述模型优化器，包括：
更新所述模型搜索优化器、所述模型剪枝优化器和所述模型量化优化器分别对应的权重掩码，以更新所述模型优化器；其中，所述模型搜索优化器、所述模型剪枝优化器和所述模型量化优化器各自对应的权重掩码分别用于确定所述网络拓扑结构策略编码、所述剪枝策略编码和所述量化策略编码。
3.根据权利要求2所述的方法，其特征在于，所述模型优化器可以通过下式表征：
其中，tune表征所述模型优化器，
表征第j条搜索路径下所述神经网络模型中第i层网络的第一权重掩码，
表征第j条搜索路径下所述第i层网络的第二权重掩码，
表征第j条搜索路径下所述神经网络模型中所述第i层网络的第三权重掩码，ωi表征所述第i层网络的网络参数，xi表征所述第i层网络的输入，αj表征第j条搜索路径的权重，n表征搜索路径数量，I()表征单路径选择函数，tune1()用于表征所述模型剪枝优化器，tune2()用于表征所述模型量化优化器，tune3()用于表征所述模型搜索优化器。
4.根据权利要求3所述的方法，其特征在于，在采用所述单路径搜索算法的情况下，通过以下方式更新所述模型搜索优化器：
更新所述
以更新所述模型搜索优化器。
5.根据权利要求3所述的方法，其特征在于，在采用所述可微分搜索算法的情况下，通过以下方式更新所述模型搜索优化器：
更新所述
以及所述αj，以更新所述模型搜索优化器。
6.根据权利要求3所述的方法，其特征在于，通过以下方式更新所述模型剪枝优化器：
采用预设的通道剪枝算法更新所述
以更新所述模型剪枝优化器。
7.根据权利要求3所述的方法，其特征在于，通过以下方式更新所述模型剪枝优化器：
采用预设的内核尺寸剪枝算法更新所述
以更新所述模型剪枝优化器。
8.一种模型调优装置，其特征在于，包括：
执行模块，被配置为执行多次迭代更新操作；所述迭代更新操作包括：
确定模型优化器针对预设的神经网络模型所确定的网络编码，所述网络编码包括网络拓扑结构策略编码、剪枝策略编码和量化策略编码；
根据所述网络编码压缩所述神经网络模型，得到所述压缩模型；
确定所述压缩模型针对媒体数据输出的结果数据；
在所述结果数据未达到预设收敛条件的情况下，更新所述模型优化器，并基于更新后的模型优化器执行下一次迭代更新操作。
9.一种模型调优装置，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实现权利要求1-7中任一项所述方法的步骤。
10.一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1-7中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210900153.6A CN115271043B (zh) | 2022-07-28 | 2022-07-28 | 模型调优方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210900153.6A CN115271043B (zh) | 2022-07-28 | 2022-07-28 | 模型调优方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115271043A true CN115271043A (zh) | 2022-11-01 |
| CN115271043B CN115271043B (zh) | 2023-10-20 |
Family
ID=83772003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210900153.6A Active CN115271043B (zh) | 2022-07-28 | 2022-07-28 | 模型调优方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115271043B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674939A (zh) * | 2019-08-31 | 2020-01-10 | 电子科技大学 | 基于剪枝阈值自动搜索的深度神经网络模型压缩方法 |
| CN111582471A (zh) * | 2020-04-17 | 2020-08-25 | 中科物栖（北京）科技有限责任公司 | 一种神经网络模型压缩方法及装置 |
| CN111667054A (zh) * | 2020-06-05 | 2020-09-15 | 北京百度网讯科技有限公司 | 生成神经网络模型的方法、装置、电子设备以及存储介质 |
| CN112364981A (zh) * | 2020-11-10 | 2021-02-12 | 南方科技大学 | 一种混合精度神经网络的可微分搜索方法和装置 |
| CN112990454A (zh) * | 2021-02-01 | 2021-06-18 | 国网安徽省电力有限公司检修分公司 | 基于集成dpu多核异构的神经网络计算加速方法及装置 |
| KR102316528B1 (ko) * | 2021-01-15 | 2021-10-25 | 주식회사 노타 | 하드웨어 친화적인 신경망 구조 탐색 기반 신경망 데이터 양자화 기법 |
-
2022
- 2022-07-28 CN CN202210900153.6A patent/CN115271043B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110674939A (zh) * | 2019-08-31 | 2020-01-10 | 电子科技大学 | 基于剪枝阈值自动搜索的深度神经网络模型压缩方法 |
| CN111582471A (zh) * | 2020-04-17 | 2020-08-25 | 中科物栖（北京）科技有限责任公司 | 一种神经网络模型压缩方法及装置 |
| CN111667054A (zh) * | 2020-06-05 | 2020-09-15 | 北京百度网讯科技有限公司 | 生成神经网络模型的方法、装置、电子设备以及存储介质 |
| CN112364981A (zh) * | 2020-11-10 | 2021-02-12 | 南方科技大学 | 一种混合精度神经网络的可微分搜索方法和装置 |
| KR102316528B1 (ko) * | 2021-01-15 | 2021-10-25 | 주식회사 노타 | 하드웨어 친화적인 신경망 구조 탐색 기반 신경망 데이터 양자화 기법 |
| CN112990454A (zh) * | 2021-02-01 | 2021-06-18 | 国网安徽省电力有限公司检修分公司 | 基于集成dpu多核异构的神经网络计算加速方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 孙彦丽;叶炯耀;: "基于剪枝与量化的卷积神经网络压缩方法", 计算机科学, no. 08 * |
| 靳丽蕾: ""一种用于卷积神经网络压缩的混合剪枝方法"", 《小 型 微 型 计 算 机 系 统》, no. 12, pages 2597 - 2601 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115271043B (zh) | 2023-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110516745B (zh) | 图像识别模型的训练方法、装置及电子设备 | |
| US11580408B2 (en) | Search method, device and storage medium for neural network model structure | |
| US20210117726A1 (en) | Method for training image classifying model, server and storage medium | |
| CN111160448B (zh) | 一种图像分类模型的训练方法及装置 | |
| CN106547886B (zh) | 应用程序推荐方法、装置、终端和服务器 | |
| CN111968635B (zh) | 语音识别的方法、装置及存储介质 | |
| CN111832316A (zh) | 语义识别的方法、装置、电子设备和存储介质 | |
| CN112508974B (zh) | 图像分割模型的训练方法、装置、电子设备和存储介质 | |
| CN111859035B (zh) | 数据处理方法及装置 | |
| CN110751659A (zh) | 图像分割方法及装置、终端、存储介质 | |
| CN113707134A (zh) | 一种模型训练方法、装置和用于模型训练的装置 | |
| CN110059548B (zh) | 目标检测方法及装置 | |
| 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 | |
| CN111199730A (zh) | 语音识别方法、装置、终端及存储介质 | |
| CN110297970B (zh) | 信息推荐模型训练方法及装置 | |
| CN110837288B (zh) | 应用程序管理方法、装置、移动终端及可读存储介质 | |
| CN115271043A (zh) | 模型调优方法、装置及存储介质 | |
| CN112308588A (zh) | 广告的投放方法、装置及存储介质 | |
| CN114691276B (zh) | 应用程序处理方法、智能终端及存储介质 | |
| CN114861828A (zh) | 神经网络训练方法及装置、音频处理方法及装置 | |
| CN107992893B (zh) | 压缩图像特征空间的方法及装置 | |
| CN112069802A (zh) | 文章质量评分方法、文章质量评分装置及存储介质 | |
| CN112712385A (zh) | 广告推荐方法、装置、电子设备及存储介质 | |
| CN110110292A (zh) | 一种数据处理方法、装置和用于数据处理的装置 | |
| CN116597828B (zh) | 模型确定方法、模型应用方法和相关装置 |
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 |