CN115329940A - 一种卷积算法的推荐方法、装置、设备及存储介质 - Google Patents

Abstract

本发明公开了一种卷积算法的推荐方法、装置、设备及存储介质，包括：获取待处理的目标参数组向量，确定目标参数组向量在不同备选卷积算法下对应的目标特征向量；获取与各备选卷积算法对应的性能刻度表，根据目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能；根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与目标参数组向量对应的卷积算法推荐结果。本发明实施例的技术方案可以提高卷积算法的推荐效率，以及卷积算法推荐结果的鲁棒性。

Description

一种卷积算法的推荐方法、装置、设备及存储介质

技术领域

本发明涉及计算机技术领域，尤其涉及一种卷积算法的推荐方法、装置、设备及存储介质。

背景技术

随着神经网络的发展，涌现出了各种各样的卷积算法，例如直接卷积算法、隐式卷积算法，以及winograd快速卷积算法等。针对不同的卷积输入参数，每种卷积算法在硬件加速器下的性能也不同。因此，针对特定的卷积输入参数，选择一种性能最优的卷积算法是非常有必要的。

现有技术中在为卷积输入参数推荐卷积算法时，通常有以下几种方式：第一，针对当前卷积输入参数，将每种卷积算法试运行一遍，根据运行时间确定最优卷积算法；第二，建立算法推荐模型，通过算法推荐模型得到与当前卷积输入参数对应的最优卷积算法。

但是，第一种方式为卷积算法推荐过程带来了极大的时间开销，导致卷积算法推荐效率较低；第二种方式中，当卷积算法发生迭代更新时，需要对整个网络模型重新训练，并且算法推荐模型对训练样本比较敏感，导致卷积算法推荐结果鲁棒性较低。

发明内容

本发明提供了一种卷积算法的推荐方法、装置、设备及存储介质，可以提高卷积算法的推荐效率，以及卷积算法推荐结果的鲁棒性。

根据本发明的一方面，提供了一种卷积算法的推荐方法，包括：

获取待处理的目标参数组向量，确定所述目标参数组向量在不同备选卷积算法下对应的目标特征向量；

获取与各所述备选卷积算法对应的性能刻度表，根据所述目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能；

其中，所述性能刻度表中预先存储了不同特征向量在所述备选卷积算法下对应的性能结果；

根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与所述目标参数组向量对应的卷积算法推荐结果。

可选的，在获取待处理的目标参数组向量之前，还包括：

根据每个备选卷积算法对应的卷积过程，确定与各所述备选卷积算法对应的模向量；

根据各所述备选卷积算法对应的模向量，以及预设的多个倍数，得到与各备选卷积算法对应的多个备选参数向量；

根据各所述备选卷积算法对应的模向量，以及多个备选参数向量，确定与各所述备选卷积算法对应的多个特征向量；

获取各备选卷积算法针对各特征向量得到的性能结果，根据所述性能结果构建得到与各备选卷积算法对应的性能刻度表。

可选的，根据备选卷积算法对应的卷积过程，确定与备选卷积算法对应的模向量，包括：

在预设的卷积参数组中，依次获取一个卷积参数作为动态参数，并将剩余的卷积参数作为静态参数；

对各所述静态参数取预设值，并对所述动态参数以预设初始值进行递增，得到多种参数组合；

获取所述备选卷积算法针对各参数组合得到的性能结果，根据所述性能结果确定与所述动态参数对应的模长；

返回执行在预设的卷积参数组中，依次获取一个卷积参数作为动态参数的操作，直至完成对全部卷积参数的处理，并根据各卷积参数对应的模长，确定与备选卷积算法对应的模向量。

可选的，根据备选卷积算法对应的卷积过程，确定与备选卷积算法对应的模向量，包括：

根据所述备选卷积算法在每个卷积参数下的分块方式，确定与各卷积参数对应的模长，并根据各卷积参数对应的模长，确定与备选卷积算法对应的模向量。

可选的，根据所述备选卷积算法在每个卷积参数下的分块方式，确定与各卷积参数对应的模长，包括：

如果根据所述备选卷积算法在每个卷积参数下的分块方式，确定多个卷积参数之间存在关联关系时，则将所述多个卷积参数进行合并，得到合并卷积参数；

根据所述备选卷积算法在合并卷积参数下的分块方式，确定与所述合并卷积参数对应的模长。

可选的，根据所述目标特征向量与性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在备选卷积算法下对应的目标性能，包括：

计算所述目标特征向量与性能刻度表中存储的各特征向量之间的欧式距离；

将欧式距离最小时对应的特征向量作为参考特征向量，并根据所述参考特征向量在备选卷积算法下对应的性能结果，确定目标参数组向量在备选卷积算法下对应的目标性能。

可选的，根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与所述目标参数组向量对应的卷积算法推荐结果，包括：

将目标参数组向量在不同备选卷积算法下对应的目标性能，按照由大到小的顺序进行排列；

将目标性能最小时对应的备选卷积算法，作为与所述目标参数组向量对应的卷积算法推荐结果。

根据本发明的另一方面，提供了一种卷积算法的推荐装置，所述装置包括：

参数获取模块，用于获取待处理的目标参数组向量，确定所述目标参数组向量在不同备选卷积算法下对应的目标特征向量；

刻度表获取模块，用于获取与各所述备选卷积算法对应的性能刻度表，根据所述目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能；

其中，所述性能刻度表中预先存储了不同特征向量在所述备选卷积算法下对应的性能结果；

推荐结果确定模块，用于根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与所述目标参数组向量对应的卷积算法推荐结果。

根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：

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计算机程序，所述计算机程序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本发明任一实施例所述的卷积算法的推荐方法。

根据本发明的另一方面，提供了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指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的卷积算法的推荐方法。

本发明实施例提供的技术方案，通过获取待处理的目标参数组向量，确定目标参数组向量在不同备选卷积算法下对应的目标特征向量，获取与各备选卷积算法对应的性能刻度表，根据目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能，从而确定与目标参数组向量对应的卷积算法推荐结果的技术手段，可以提高卷积算法的推荐效率，以及卷积算法推荐结果的鲁棒性，优化了性能刻度表的查询流程、查询效率以及存储开销，可以有效确定备选卷积算法对应的模向量，提高模向量的确定效率，提高模向量的准确性。

应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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发明的一些实施例，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他的附图。

图1是根据本发明实施例提供的一种卷积算法的推荐方法的流程图；

图2是根据本发明实施例提供的另一种卷积算法的推荐方法的流程图；

图3是根据本发明实施例提供的一种卷积算法的推荐装置的结构示意图；

图4是实现本发明实施例的卷积算法的推荐方法的电子设备的结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

图1为本发明实施例提供的一种卷积算法的推荐方法的流程图，本实施例可适用于为卷积网络中的输入参数，推荐一种性能最优的卷积算法的情况，该方法可以由卷积算法的推荐装置来执行，该卷积算法的推荐装置可以采用硬件和/或软件的形式实现，该卷积算法的推荐装置可配置于具备数据处理功能的电子设备(例如终端或者服务器)中。如图1所示，该方法包括：

步骤110、获取待处理的目标参数组向量，确定所述目标参数组向量在不同备选卷积算法下对应的目标特征向量。

在本实施例中，所述目标参数组向量可以为卷积网络中，等待推荐卷积算法的卷积参数所组成的向量。其中，所述目标参数组向量中可以包括多个卷积加速器下发的卷积参数，例如输入矩阵的批量大小n、卷积核数量k、输入矩阵高度h、输入矩阵宽度w以及输入矩阵通道数c等。

在一个具体的实施例中，所述目标参数组向量中包括各所述卷积参数对应的参数值，假设卷积参数分别为n、k、h、w和c，则所述目标参数组向量中可以包括各卷积参数具体的参数值，例如(2，160，12，256，160)。

在此步骤中，获取到待处理的目标参数组向量后，可以根据各备选卷积算法的模向量，计算目标参数组向量在各备选卷积算法下对应的目标特征向量。其中，所述备选卷积算法可以为目标参数组向量可选择的卷积算法，例如直接卷积算法、隐式卷积算法，以及winograd快速卷积算法等。所述备选卷积算法的模向量，可以根据备选卷积算法所实现的各个卷积参数的模长进行确定。所述模长可以为备选卷积算法中，各卷积参数引起性能非线性跃变的最小值。

在一个具体的实施例中，假设某一备选卷积算法中n的模长为1，k的模长为64，h的模长为8，w的模长为8，c的模长为8，则与该备选卷积算法对应的模向量为(1，64，8，8，8)。

在本实施例中，获取到目标参数组向量后，可以计算目标参数组向量中各分量，与备选卷积算法的模向量中各分量的商，从而得到目标参数组向量在该备选卷积算法下对应的目标特征向量。

在一个具体的实施例中，以目标参数组向量(2，160，12，256，160)为例，假设某一备选卷积算法的模向量为(1，16，1，256，32)，则可以计算该目标参数组向量中各分量，与上述模向量中各分量的商，得到目标参数组向量在该备选卷积算法下的目标特征向量(2，10，12，1，5)。

在本实施例中，可以采用上述方式，得到目标参数组向量在不同备选卷积算法下分别对应的目标特征向量。

步骤120、获取与各所述备选卷积算法对应的性能刻度表，根据所述目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能。

在本实施例中，在获取待处理的目标参数组向量之前，还预先建立了每个备选卷积算法分别对应的性能刻度表。所述性能刻度表中存储了不同特征向量在所述备选卷积算法下对应的性能结果。所述性能结果可以理解为卷积加速器通过所述备选卷积算法，对所述特征向量处理结束后所消耗的时间。

在一个具体的实施例中，以一个备选卷积算法为例，可选的，可以根据预设的相似度算法，计算目标特征向量与该备选卷积算法性能刻度表中各特征向量之间的相似度，然后将相似度大于预设阈值的各特征向量作为参考特征向量，最后根据性能刻度表中各参考特征向量对应的性能结果，确定目标参数组向量在所述备选卷积算法下对应的目标性能。其中，所述相似度算法可以包括马氏距离计算方法，或者Bayes判别法等。

在本实施例的一个实施方式，可选的，可以对各参考特征向量对应的性能结果取平均值，并将此平均值作为目标参数组向量在所述备选卷积算法下对应的目标性能。

在一个具体的实施例中，假设某一备选卷积算法的性能刻度表中存储了以下内容：特征向量A对应的性能结果为a，特征向量B对应的性能结果为b，特征向量C对应的性能结果为c。假设目标特征向量为X，则可以分别计算X与A、B、C之间的相似度，如果X与B、C之间的相似度大于预设阈值，则可以将B和C作为参考特征向量，并根据性能结果b和c确定目标参数组向量在该备选卷积算法下对应的目标性能。

在本实施例中，可以采用上述方式，得到目标参数组向量在不同备选卷积算法下对应的目标性能。

步骤130、根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与所述目标参数组向量对应的卷积算法推荐结果。

在此步骤中，获取到目标参数组向量在不同备选卷积算法下对应的目标性能后，可选的，可以将目标性能满足预设要求的备选卷积算法，作为与所述目标参数组向量对应的卷积算法推荐结果。

在本实施例中，通过预先确定不同特征向量在不同备选卷积算法下对应的性能结果，可以在获取到目标参数组向量时，快速确定与该目标参数组向量对应的卷积算法推荐结果，无需将每种卷积算法试运行一遍，由此可以降低卷积算法推荐过程的时间消耗，提高卷积算法的推荐效率；其次，相比于现有技术中建立算法推荐模型的方式而言，本实施例通过比对目标参数组向量在不同备选卷积算法下对应的目标性能，可以准确地推算出性能最优的卷积算法，提高了卷积算法推荐结果的鲁棒性；并且，相比于神经网络模型繁杂的训练过程，本实施例可以降低卷积算法推荐过程的复杂度，实现卷积算法推荐过程的自动化。

在本实施例中，通过获取待处理的目标参数组向量，确定目标参数组向量在不同备选卷积算法下对应的目标特征向量，获取与各备选卷积算法对应的性能刻度表，根据目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能，从而确定与目标参数组向量对应的卷积算法推荐结果的技术手段，可以提高卷积算法的推荐效率，以及卷积算法推荐结果的鲁棒性。

图2为本发明实施例提供的另一种卷积算法的推荐方法的流程图，如图2所示，该方法包括：

步骤210、根据每个备选卷积算法对应的卷积过程，确定与各所述备选卷积算法对应的模向量。

在本实施例中，可选的，可以根据备选卷积算法对应的卷积过程，确定各卷积参数引起性能非线性跃变的最小值，并将此最小值作为卷积参数的模长，然后根据各卷积参数的模长，确定备选卷积算法对应的模向量。

在本实施例的一个实施方式中，根据备选卷积算法对应的卷积过程，确定与备选卷积算法对应的模向量，包括：

步骤211、在预设的卷积参数组中，依次获取一个卷积参数作为动态参数，并将剩余的卷积参数作为静态参数；

在本实施例中，所述卷积参数组中包括了多个卷积加速器下发的卷积参数。具体的，以卷积参数组(n，k，h，w，c)为例，假设当前获取的卷积参数为k，则可以将k作为动态参数，并将n、h、w和c作为静态参数。

步骤212、对各所述静态参数取预设值，并对所述动态参数以预设初始值进行递增，得到多种参数组合；

在此步骤中，可以对各静态参数取预设的较大值，以保证卷积算法的计算量能够覆盖整个卷积加速器。以动态参数k为例，可以对k的数值按照预设初始值进行递增，并将动态参数k的每个数值与静态参数的数值进行合并，得到多种参数组合。

在一个具体的实施例中，可以将动态参数k从1递增至192，具体数值可以根据实际情况进行调整，本实施例对此并不进行限制。假设n、h、w和c的取值分别为n₁、h₁、w₁和c₁，则通过上述方式得到的参数组合可以为：(n₁，1，h₁，w₁，c₁)，(n₁，2，h₁，w₁，c₁)，(n₁，3，h₁，w₁，c₁)……(n₁，192，h₁，w₁，c₁)。

步骤213、获取所述备选卷积算法针对各参数组合得到的性能结果，根据所述性能结果确定与所述动态参数对应的模长；

在此步骤中，可以获取卷积加速器根据所述备选卷积算法，对各参数组合处理结束后所消耗的时间(也即性能结果)，并根据多种参数组合对应的性能结果，以及动态参数取值与性能结果之间的线性关系，确定动态参数对应的模长。

在一个具体的实施例中，以动态参数k为例，获取到备选卷积算法针对各参数组合得到的性能结果后，可以将每种参数组合中的k值与对应的性能结果存储至数据表中，如表1所示(表1中仅示出部分k值与对应的性能结果)。

表1

具体的，通过上述数据表获取到多个k值与性能结果之间的映射关系后，可以判断k值与性能结果之间是否存在线性关系，若是，则将该线性关系中对应的最小k值，作为动态参数k的模长。以表1为例，当k等于32、64、96、128、160、192时，k值与性能结果之间存在线性关系，因此可以确定动态参数k的模长为32。

步骤214、判断是否完成对全部卷积参数的处理，若是，则执行步骤215，若否，则返回执行步骤211，直至完成对全部卷积参数的处理。

步骤215、根据各卷积参数对应的模长，确定与备选卷积算法对应的模向量。

这样设置的好处在于，通过固定备选卷积算法中几个卷积参数的取值，并对某一卷积参数的取值进行不断更新，最后根据多种参数组合对应的性能结果确定参数的模长，可以有效确定备选卷积算法对应的模向量，以提高后续卷积算法推荐结果的鲁棒性。

在本实施例的另一个实施方式中，根据备选卷积算法对应的卷积过程，确定与备选卷积算法对应的模向量，包括：根据所述备选卷积算法在每个卷积参数下的分块方式，确定与各卷积参数对应的模长，并根据各卷积参数对应的模长，确定与备选卷积算法对应的模向量。

在本实施例中，如果备选卷积算法在每个卷积参数下的分块方式已知，则可以直接根据所述分块方式确定各卷积参数的模长，由此可以快速确定备选卷积算法对应的模向量。

具体的，假设备选卷积算法中的分块在卷积参数n下需要处理1个数据，则可以确定所述卷积参数n的模长为1。

在一个具体的实施例中，根据所述备选卷积算法在每个卷积参数下的分块方式，确定与各卷积参数对应的模长，包括：如果根据所述备选卷积算法在每个卷积参数下的分块方式，确定多个卷积参数之间存在关联关系时，则将所述多个卷积参数进行合并，得到合并卷积参数；根据所述备选卷积算法在合并卷积参数下的分块方式，确定与所述合并卷积参数对应的模长。

在一个具体的实施例中，假设备选卷积算法中的分块在卷积参数h和卷积参数w下一共需要处理256个数据，则可以确定卷积参数h和卷积参数w存在关联关系，然后将卷积参数h和卷积参数w进行合并，得到合并卷积参数hw，并确定与该合并卷积参数hw对应的模长为256。

在本实施例中，假设备选卷积算法n的模长为1，k的模长为32，hw的模长为256，c的模长为16，则与该备选卷积算法对应的模向量为(1，32，256，16)。

这样设置的好处在于，通过将具有关联关系的卷积参数进行合并，可以提高模向量的准确性，由此可以提高后续卷积算法推荐结果的鲁棒性。

步骤220、根据各所述备选卷积算法对应的模向量，以及预设的多个倍数，得到与各备选卷积算法对应的多个备选参数向量。

在此步骤中，可以将备选卷积算法对应的模向量，与预设的多个倍数相乘，得到备选卷积算法对应的多个备选参数向量。

在一个具体的实施例中，假设备选卷积算法对应的模向量为(1，32，256，16)，预设的倍数为5，则可以得到备选参数向量(5，160，1280，80)；假设预设倍数为10，则可以得到备选参数向量(10，320，2560，160)。

步骤230、根据各所述备选卷积算法对应的模向量，以及多个备选参数向量，确定与各所述备选卷积算法对应的多个特征向量。

在此步骤中，可以计算备选参数向量中各分量，与备选卷积算法模向量中各分量的商，得到备选卷积算法对应的特征向量。

在一个具体的实施例中，假设备选卷积算法对应的备选参数向量为(5，160，1280，80)，模向量为(1，32，256，16)，则该备选卷积算法对应的特征向量为(5，5，5，5)。

步骤240、获取各备选卷积算法针对各特征向量得到的性能结果，根据所述性能结果构建得到与各备选卷积算法对应的性能刻度表。

在此步骤中，可以获取卷积加速器根据所述备选卷积算法，对各特征向量处理结束后所消耗的时间(也即性能结果)，并根据所述性能结果与特征向量之间的映射关系，构建得到性能刻度表。

在本实施例中，为了减少性能刻度表的存储空间，便于对性能刻度表进行维护，可以根据各特征向量关联的倍数，以及各特征向量对应的性能结果，构建性能刻度表，如表2所示。

表2

m	Time
		5	0.0467
10	0.4271
		15	1.8938
20	5.7316
		25	13.896
30	29.149
		35	55.192
40	96.816

其中，表2中的m表示刻度向量，也即特征向量关联的倍数。当m为5时，则表示与该m对应的特征向量为(5，5，5，5)，也即该特征向量是由对模向量放大5倍的备选参数向量进行确定的。

这样设置的好处在于，通过将特征向量关联的倍数，以及特征向量对应的性能结果存储至性能刻度表中，可以保证性能刻度表的量级稳定在两位数，大大优化了性能刻度表的查询流程、查询效率以及存储开销，降低了性能刻度表的维护成本。

在本实施例中，可以采用上述方式，得到每个备选卷积算法分别对应的性能刻度表。

步骤250、获取待处理的目标参数组向量，确定所述目标参数组向量在不同备选卷积算法下对应的目标特征向量。

步骤260、获取与各所述备选卷积算法对应的性能刻度表，根据所述目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能。

在本实施例的一个实施方式中，根据所述目标特征向量与性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在备选卷积算法下对应的目标性能，包括：计算所述目标特征向量与性能刻度表中存储的各特征向量之间的欧式距离；将欧式距离最小时对应的特征向量作为参考特征向量，并根据所述参考特征向量在备选卷积算法下对应的性能结果，确定目标参数组向量在备选卷积算法下对应的目标性能。

在一个具体的实施例中，假设目标参数组向量为(2，160，12，256，160)，某一备选卷积算法的模向量为(1，16，256，32)，则所述目标参数组向量在该备选卷积算法下的目标特征向量为(2，10，12，5)。以表2中的性能刻度表为例，可以得到目标特征向量与各特征向量之间的欧式距离，如表3所示。

表3

m	Distance
		5	9.1104336
10	9.6436508
		15	17.406895
20	26.70206
		25	36.373067
30	46.184413
		35	56.062465
40	65.977269

通过表3可以发现，欧式距离最小时对应的刻度向量为5，特征向量为(5，5，5，5)。因此，可以将该特征向量(5，5，5，5)作为参考特征向量。

在一个具体的实施例中，确定目标参数组向量在备选卷积算法下的目标性能时，可以计算目标特征向量与参考特征向量之间的比值，然后将此比值与参考特征向量性能结果相乘，得到目标性能。

具体的，以上述目标特征向量和参考特征向量为例，可以根据下述公式得到目标性能time_pre：

(2，10，12，5)/(5，5，5，5)*0.0467＝0.4*2*2.4*1*0.0467＝0.089653632。

步骤270、根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与所述目标参数组向量对应的卷积算法推荐结果。

在本实施例的一个实施方式中，根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与所述目标参数组向量对应的卷积算法推荐结果，包括：将目标参数组向量在不同备选卷积算法下对应的目标性能，按照由大到小的顺序进行排列；将目标性能最小时对应的备选卷积算法，作为与所述目标参数组向量对应的卷积算法推荐结果。

这样设置的好处在于，通过比较目标参数组向量在不同备选卷积算法下对应的目标性能，可以快速确定最优的卷积算法，提高卷积算法推荐结果的鲁棒性。

本发明实施例提供的技术方案，通过根据每个备选卷积算法对应的卷积过程，确定与各备选卷积算法对应的模向量，根据各备选卷积算法对应的模向量以及预设的多个倍数，得到与各备选卷积算法对应的多个备选参数向量，根据各备选卷积算法对应的模向量以及多个备选参数向量，确定与各备选卷积算法对应的多个特征向量，获取各备选卷积算法针对各特征向量得到的性能结果，根据性能结果构建得到与各备选卷积算法对应的性能刻度表，获取待处理的目标参数组向量，确定目标参数组向量在不同备选卷积算法下对应的目标特征向量，获取与各备选卷积算法对应的性能刻度表，根据目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能，根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与目标参数组向量对应的卷积算法推荐结果的技术手段，可以提高卷积算法的推荐效率，以及卷积算法推荐结果的鲁棒性。

图3为本发明实施例提供的一种卷积算法的推荐装置的结构示意图，如图3所示，该装置包括：参数获取模块310、刻度表获取模块320和推荐结果确定模块330。

其中，参数获取模块310，用于获取待处理的目标参数组向量，确定所述目标参数组向量在不同备选卷积算法下对应的目标特征向量；

刻度表获取模块320，用于获取与各所述备选卷积算法对应的性能刻度表，根据所述目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能；

其中，所述性能刻度表中预先存储了不同特征向量在所述备选卷积算法下对应的性能结果；

推荐结果确定模块330，用于根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与所述目标参数组向量对应的卷积算法推荐结果。

本发明实施例提供的技术方案，通过获取待处理的目标参数组向量，确定目标参数组向量在不同备选卷积算法下对应的目标特征向量，获取与各备选卷积算法对应的性能刻度表，根据目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能，从而确定与目标参数组向量对应的卷积算法推荐结果的技术手段，可以提高卷积算法的推荐效率，以及卷积算法推荐结果的鲁棒性。

在上述实施例的基础上，所述装置还包括：

模向量确定模块，用于根据每个备选卷积算法对应的卷积过程，确定与各所述备选卷积算法对应的模向量；

参数向量生成模块，用于根据各所述备选卷积算法对应的模向量，以及预设的多个倍数，得到与各备选卷积算法对应的多个备选参数向量；

特征向量确定模块，用于根据各所述备选卷积算法对应的模向量，以及多个备选参数向量，确定与各所述备选卷积算法对应的多个特征向量；

刻度表构建模块，用于获取各备选卷积算法针对各特征向量得到的性能结果，根据所述性能结果构建得到与各备选卷积算法对应的性能刻度表。

所述模向量确定模块，包括：

动态参数获取单元，用于在预设的卷积参数组中，依次获取一个卷积参数作为动态参数，并将剩余的卷积参数作为静态参数；

参数递增单元，用于对各所述静态参数取预设值，并对所述动态参数以预设初始值进行递增，得到多种参数组合；

参数组合性能获取单元，用于获取所述备选卷积算法针对各参数组合得到的性能结果，根据所述性能结果确定与所述动态参数对应的模长；

全部参数处理单元，用于返回执行在预设的卷积参数组中，依次获取一个卷积参数作为动态参数的操作，直至完成对全部卷积参数的处理，并根据各卷积参数对应的模长，确定与备选卷积算法对应的模向量；

模长确定单元，用于根据所述备选卷积算法在每个卷积参数下的分块方式，确定与各卷积参数对应的模长，并根据各卷积参数对应的模长，确定与备选卷积算法对应的模向量；

参数合并单元，用于如果根据所述备选卷积算法在每个卷积参数下的分块方式，确定多个卷积参数之间存在关联关系时，则将所述多个卷积参数进行合并，得到合并卷积参数；

合并参数模长确定单元，用于根据所述备选卷积算法在合并卷积参数下的分块方式，确定与所述合并卷积参数对应的模长。

所述刻度表获取模块320包括：

欧氏距离计算单元，用于计算所述目标特征向量与性能刻度表中存储的各特征向量之间的欧式距离；

目标性能确定单元，用于将欧式距离最小时对应的特征向量作为参考特征向量，并根据所述参考特征向量在备选卷积算法下对应的性能结果，确定目标参数组向量在备选卷积算法下对应的目标性能。

所述推荐结果确定模块330包括：

目标性能排列单元，用于将目标参数组向量在不同备选卷积算法下对应的目标性能，按照由大到小的顺序进行排列；

卷积算法处理单元，用于将目标性能最小时对应的备选卷积算法，作为与所述目标参数组向量对应的卷积算法推荐结果。

上述装置可执行本发明前述所有实施例所提供的方法，具备执行上述方法相应的功能模块和有益效果。未在本发明实施例中详尽描述的技术细节，可参见本发明前述所有实施例所提供的方法。

图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。

如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。

电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。

处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如卷积算法的推荐方法。

在一些实施例中，卷积算法的推荐方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的卷积算法的推荐方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行卷积算法的推荐方法。

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。

用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。

在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。

计算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服务中，存在的管理难度大，业务扩展性弱的缺陷。

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，本发明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，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种卷积算法的推荐方法，其特征在于，包括：

获取待处理的目标参数组向量，确定所述目标参数组向量在不同备选卷积算法下对应的目标特征向量；

获取与各所述备选卷积算法对应的性能刻度表，根据所述目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能；

其中，所述性能刻度表中预先存储了不同特征向量在所述备选卷积算法下对应的性能结果；

根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与所述目标参数组向量对应的卷积算法推荐结果。

2.根据权利要求1所述的方法，其特征在于，在获取待处理的目标参数组向量之前，还包括：

根据每个备选卷积算法对应的卷积过程，确定与各所述备选卷积算法对应的模向量；

根据各所述备选卷积算法对应的模向量，以及预设的多个倍数，得到与各备选卷积算法对应的多个备选参数向量；

根据各所述备选卷积算法对应的模向量，以及多个备选参数向量，确定与各所述备选卷积算法对应的多个特征向量；

获取各备选卷积算法针对各特征向量得到的性能结果，根据所述性能结果构建得到与各备选卷积算法对应的性能刻度表。

3.根据权利要求2所述的方法，其特征在于，根据备选卷积算法对应的卷积过程，确定与备选卷积算法对应的模向量，包括：

在预设的卷积参数组中，依次获取一个卷积参数作为动态参数，并将剩余的卷积参数作为静态参数；

对各所述静态参数取预设值，并对所述动态参数以预设初始值进行递增，得到多种参数组合；

获取所述备选卷积算法针对各参数组合得到的性能结果，根据所述性能结果确定与所述动态参数对应的模长；

返回执行在预设的卷积参数组中，依次获取一个卷积参数作为动态参数的操作，直至完成对全部卷积参数的处理，并根据各卷积参数对应的模长，确定与备选卷积算法对应的模向量。

4.根据权利要求2所述的方法，其特征在于，根据备选卷积算法对应的卷积过程，确定与备选卷积算法对应的模向量，包括：

根据所述备选卷积算法在每个卷积参数下的分块方式，确定与各卷积参数对应的模长，并根据各卷积参数对应的模长，确定与备选卷积算法对应的模向量。

5.根据权利要求4所述的方法，其特征在于，根据所述备选卷积算法在每个卷积参数下的分块方式，确定与各卷积参数对应的模长，包括：

如果根据所述备选卷积算法在每个卷积参数下的分块方式，确定多个卷积参数之间存在关联关系时，则将所述多个卷积参数进行合并，得到合并卷积参数；

根据所述备选卷积算法在合并卷积参数下的分块方式，确定与所述合并卷积参数对应的模长。

6.根据权利要求1所述的方法，其特征在于，根据所述目标特征向量与性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在备选卷积算法下对应的目标性能，包括：

计算所述目标特征向量与性能刻度表中存储的各特征向量之间的欧式距离；

将欧式距离最小时对应的特征向量作为参考特征向量，并根据所述参考特征向量在备选卷积算法下对应的性能结果，确定目标参数组向量在备选卷积算法下对应的目标性能。

7.根据权利要求1所述的方法，其特征在于，根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与所述目标参数组向量对应的卷积算法推荐结果，包括：

将目标参数组向量在不同备选卷积算法下对应的目标性能，按照由大到小的顺序进行排列；

将目标性能最小时对应的备选卷积算法，作为与所述目标参数组向量对应的卷积算法推荐结果。

8.一种卷积算法的推荐装置，其特征在于，包括：

参数获取模块，用于获取待处理的目标参数组向量，确定所述目标参数组向量在不同备选卷积算法下对应的目标特征向量；

刻度表获取模块，用于获取与各所述备选卷积算法对应的性能刻度表，根据所述目标特征向量与各性能刻度表中存储的各特征向量之间的相似度，确定目标参数组向量在不同备选卷积算法下对应的目标性能；

其中，所述性能刻度表中预先存储了不同特征向量在所述备选卷积算法下对应的性能结果；

推荐结果确定模块，用于根据目标参数组向量在不同备选卷积算法下对应的目标性能，确定与所述目标参数组向量对应的卷积算法推荐结果。

9.一种电子设备，其特征在于，所述电子设备包括：

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计算机程序，所述计算机程序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1-7中任一项所述的卷积算法的推荐方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的卷积算法的推荐方法。

Images