CN116777943A - 一种图像处理网络模型参数裁剪的应用方法、装置及介质 - Google Patents
一种图像处理网络模型参数裁剪的应用方法、装置及介质 Download PDFInfo
- Publication number
- CN116777943A CN116777943A CN202310736993.8A CN202310736993A CN116777943A CN 116777943 A CN116777943 A CN 116777943A CN 202310736993 A CN202310736993 A CN 202310736993A CN 116777943 A CN116777943 A CN 116777943A
- Authority
- CN
- China
- Prior art keywords
- model
- parameter
- image processing
- processing network
- clipping
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 291
- 238000000034 method Methods 0.000 title claims abstract description 78
- 230000006870 function Effects 0.000 claims description 65
- 238000004364 calculation method Methods 0.000 claims description 40
- 238000001514 detection method Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 abstract description 8
- 238000004891 communication Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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 Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种图像处理网络模型参数裁剪的应用方法、装置及介质。通过获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到图像模型描述信息；获取目标嵌入式终端设备对应的标准计算存储量，如果与图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则确定出待参数裁剪的图像处理网络模型，并将其按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型。解决了安装于目标嵌入式终端设备应用软件中的图像处理网络模型由于计算存储量太大而造成安装失败的问题，通过对图像处理网络模型的参数进行裁剪，实现了图像处理网络模型在目标嵌入式终端设备的正确安装。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种图像处理网络模型参数裁剪的应用方法、装置及介质。
背景技术
随着深度学习技术的广泛发展，深度神经网络(Deep Neural Networks，DNN)在众多领域中都展现出了卓越的性能，包括计算机视觉、自然语言处理、语音识别及图像处理等技术领域。然而，由于图像处理神经网络中包含大量的神经元(卷积核中包含很多参数)，这导致了图像处理神经网络本身结构较为复杂且参数数量较大，导致在模型训练及推理过程中需要大量的计算资源、存储资源及时间成本。
发明人在实现本发明的过程中，发现现有技术存在如下缺陷：目前，一般通过权重裁剪、通道裁剪、或者结构裁剪等方式来对图像处理神经网络进行裁剪处理，但是会导致丢失权重较高的参数、以及参数的维度丢失从而导致图像处理神经网络出现偏差，准确率较低的问题。
发明内容
本发明提供了一种图像处理网络模型参数裁剪的应用方法、装置及介质，以实现对图像处理网络模型的参数进行裁剪，以及实现图像处理网络模型在目标嵌入式终端设备的正确安装。
根据本发明的一方面，提供了一种图像处理网络模型参数裁剪的应用方法，其中，包括：
获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与所述图像处理网络模型对应的图像模型描述信息；
获取所述目标嵌入式终端设备对应的标准计算存储量，如果与所述图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将所述图像处理网络模型确定为待参数裁剪的图像处理网络模型；
将所述待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现所述图像处理网络裁剪模型在目标嵌入式终端设备正确安装。
根据本发明的另一方面，提供了一种图像处理网络模型参数裁剪的应用装置，其中，包括：
图像模型描述信息解析模块，用于获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与所述图像处理网络模型对应的图像模型描述信息；
待参数裁剪的图像处理网络模型确定模块，用于获取所述目标嵌入式终端设备对应的标准计算存储量，如果与所述图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将所述图像处理网络模型确定为待参数裁剪的图像处理网络模型；
图像处理网络裁剪模型确定模块，用于将所述待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现所述图像处理网络裁剪模型在目标嵌入式终端设备正确安装。
根据本发明的另一方面，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，其中，所述处理器执行所述计算机程序时实现本发明任一实施例所述的图像处理网络模型参数裁剪的应用方法。
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图像处理网络模型参数裁剪的应用方法。
本发明实施例的技术方案，通过获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与图像处理网络模型对应的图像模型描述信息；获取目标嵌入式终端设备对应的标准计算存储量，如果与图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将图像处理网络模型确定为待参数裁剪的图像处理网络模型；将待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现图像处理网络裁剪模型在目标嵌入式终端设备正确安装。解决了安装于目标嵌入式终端设备应用软件中的图像处理网络模型由于计算存储量太大而造成安装失败的问题，通过对图像处理网络模型的参数进行裁剪，实现了图像处理网络模型在目标嵌入式终端设备的正确安装。
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1a是根据本发明实施例一提供的一种图像处理网络模型参数裁剪的应用方法的流程图；
图1b是根据本发明实施例一提供的方法中的参数裁剪函数的结构示意图；
图2是根据本发明实施例二提供的一种图像处理网络模型参数裁剪的应用装置的结构示意图；
图3是根据本发明实施例三提供的一种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“目标”、“当前”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。
实施例一
图1a为本发明实施例一提供了一种图像处理网络模型参数裁剪的应用方法的流程图，本实施例可适用于对计算存储量太大的图像处理网络模型进行参数裁剪的情况，该方法可以由图像处理网络模型参数裁剪的应用装置来执行，该图像处理网络模型参数裁剪的应用装置可以采用硬件和/或软件的形式实现。
相应的，如图1a所示，该方法包括：
S110、获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与所述图像处理网络模型对应的图像模型描述信息。
其中，图像处理网络模型可以是能够进行图像处理的网络模型。一般不同的图像处理网络模型具有不同的数量的卷积层，并且每个卷积层中的参数的数量也是不相同的。比如说，对于图像处理网络模型的全连接层中参数比较多，对于图像处理网络模型的第一层或者第二层，相对全连接层的参数较少。
具体的，对于参数数量较多的全连接层，可以适应性地进行大量参数的裁剪；对于参数数量较小的卷积层，可以适应性地进行小范围参数的裁剪。但是，参数裁剪均需要确保在图像处理网络模型的准确率。
其中，图像模型描述信息可以是对图像处理网络模型进行参数描述的信息。比如说，图像模型描述信息可以包括图像模型运行计算存储量、图像模型收敛阈值和图像模型精度。
在本实施例中，可以应用于嵌入式终端设备。一般来说，嵌入式终端设备的计算量较小、并且存储量较小。比如说，嵌入式终端设备为手机，当需要在手机上安装应用于某个APP的图像处理网络模型，由于手机的计算量和存储量有限，需要将该图形处理网络模型在保证准确率的同时进行各层参数裁剪。又因为图形处理网络模型中的每一层的参数数量有所不同，需要对不同层的参数数量匹配相应的稀疏度值。
S120、获取所述目标嵌入式终端设备对应的标准计算存储量，如果与所述图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将所述图像处理网络模型确定为待参数裁剪的图像处理网络模型。
其中，标准计算存储量可以是与目标嵌入式终端设备对应的计算量和存储量的阈值的大小。图像模型运行计算存储量可以是与待安装的图像处理网络模型匹配的计算量和存储量的大小。
在本实施例中，需要获取目标嵌入式终端设备对应的标准计算存储量，以及与图像模型描述信息中的图像模型运行计算存储量。在获取标准计算存储量和图像模型运行计算存储量之后，需要将两者进行大小的比较。如果图像模型运行计算存储量大于标准计算存储量，说明当前图像处理网络模型的计算存储量比较大，不能较好地安装于目标嵌入式终端设备里。因此，需要对当前图像处理网络模型进行参数裁剪处理，因此将图像处理网络模型确定为待参数裁剪的图像处理网络模型。
进一步的，如果图像模型运行计算存储量不大于标准计算存储量，说明当前图像处理网络模型的计算存储量能够较好地安装于目标嵌入式终端设备里。因此，该当前图像处理网络模型不需要进行裁剪处理，能够直接安装于目标嵌入式终端设备中。
S130、将所述待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现所述图像处理网络裁剪模型在目标嵌入式终端设备正确安装。
其中，图像模型参数裁剪方法可以是对图像处理网络模型进行参数裁剪的方法，具体的，能够对图像处理网络模型的每一个卷积层进行参数裁剪操作。图像处理网络裁剪模型可以是对待参数裁剪的图像处理网络模型进行参数裁剪之后得到的模型。
在本实施例中，需要对待参数裁剪的图像处理网络模型按照预设的图像模型参数裁剪方法进行参数裁剪，从而能够实现对图像处理网络模型的裁剪，也即得到图像处理网络裁剪模型，并且该图像处理网络裁剪模型对应的计算量和存储量相对于待参数裁剪的图像处理网络模型会变小。从而，可以实现所述图像处理网络裁剪模型在目标嵌入式终端设备正确安装，也即图像处理网络裁剪模型对应的图像模型运行计算存储量不大于标准计算存储量。
可选的，所述图像模型描述信息还包括图像模型收敛阈值和图像模型精度；所述将所述待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，包括：对所述待参数裁剪的图像处理网络模型进行解析，解析得到各层参数的数量；根据所述图像模型收敛阈值和图像模型精度确定出图像模型最终稀疏度和参数裁剪次数，并根据各层参数的数量分别确定出稀疏度值；根据所述图像模型最终稀疏度、参数裁剪次数和稀疏度值，来确定出参数裁剪函数；根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，得到所述图像处理网络裁剪模型。
其中，图像模型收敛阈值可以是描述图像处理网络模型的最终收敛的阈值的大小。图像模型精度可以是描述图像处理网络模型的精细程度的大小。图像模型最终稀疏度可以是与图像模型收敛阈值对应的稀疏度的大小，具体的，图像模型最终稀疏度可以对应于参数裁剪函数的收敛阈值的大小。
其中，参数裁剪次数可以是待参数裁剪的图像处理网络模型对应的参数裁剪的次数。另外的，可以通过图像模型精度来确定参数裁剪次数的大小。稀疏度值可以是根据各卷积层的参数数量的大小来确定出稀疏度值的大小。
具体的，一般来说，各卷积层的参数数量越大，对应的稀疏度值越大；反之，各卷积层的参数数量越小，对应的稀疏度值越小。因为对于卷积层参数数量较大的卷积层来说，能够进行参数裁剪的参数的数量也比较大，所以对应较大的稀疏度值。但是，需要在确保各卷积层的关键特征参数进行保留，从而能够保证图像处理网络模型对应的准确度。
其中，参数裁剪函数可以是对图像处理网络模型进行参数裁剪的函数，并且该参数裁剪函数是根据图像模型最终稀疏度、参数裁剪次数和稀疏度值来进行确定出的函数。一般来说，参数裁剪函数是类幂指函数。
这样设置的好处，通过获取与图像处理网络模型对应的图像模型描述信息，来确定出图像模型最终稀疏度、参数裁剪次数和稀疏度值，进一步地确定出参数裁剪函数，进而对图像处理网络模型进行参数裁剪，从而得到的图像处理网络裁剪模型能够更好地适配于目标嵌入式终端设备，实现了图像处理网络裁剪模型在目标嵌入式终端设备正确安装。
可选的，所述根据各层参数的数量分别确定出稀疏度值，包括：获取所述图像处理网络模型对应的各层参数的数量；依次将每一层参数的数量与预先构建的参数数量稀疏度值映射表进行匹配，分别确定与各层参数的数量对应的稀疏度值。
其中，参数数量稀疏度值映射表可以是描述各卷积层中的参数数量和稀疏度值的匹配关系的映射表。
在本实施例中，需要预先获取不同卷积层的历史参数数量，以及与历史参数数量匹配的历史稀疏度值，根据所述历史参数数量和历史稀疏度值进行参数数量稀疏度值映射表的构建。
进一步的，在构建完成参数数量稀疏度值映射表之后，当获取每一个卷积层对应的参数数量时，可以确定出与所述参数数量匹配的稀疏度值的大小。
这样设置的好处在于：通过每个卷积层对应的参数数量的不同来匹配不同的稀疏度值，这样确定出的稀疏度值更加准确，从而能够保障更加合理化地对图像处理网络模型进行裁剪处理。
可选的，所述参数裁剪函数为类幂指函数；所述根据所述图像模型最终稀疏度、参数裁剪次数和稀疏度值，来确定出参数裁剪函数，包括：根据所述图像模型最终稀疏度、参数裁剪次数和稀疏度值，与预设的裁剪描述参数幂指函数匹配表进行匹配，确定出目标幂指函数，并将所述目标幂指函数确定为所述参数裁剪函数。
其中，裁剪描述参数幂指函数匹配表可以是描述图像处理网络模型的裁剪描述参数和幂指函数的匹配关系的表格。目标幂指函数可以是明确幂指数的函数。
在本实施例中，需要预先获取历史图像处理网络模型的历史裁剪描述参数，也即为历史图像模型最终稀疏度、历史参数裁剪次数和历史稀疏度值，以及历史幂指函数，根据上述历史参数进行裁剪描述参数幂指函数匹配表的构建。
具体的，幂指函数为y＝xn，这里的n为正数。需要根据图像模型最终稀疏度、参数裁剪次数和稀疏度值的大小，与预设的裁剪描述参数幂指函数匹配表进行匹配，来进一步确定n的取值的大小，从而来确定出目标幂指函数。
如图1b所示，为参数裁剪函数的结构示意图。其中，0.9表示所述参数裁剪函数的收敛值，也即历史图像模型最终稀疏度。在图1b中，历史参数裁剪次数为17次。在图1b中参数裁剪函数对应的n的取值为2，也即
这样设置的好处在于：确定出的幂指函数能更好地对图像处理网络模型的各卷积层参数进行裁剪处理，从而能实现图像处理网络模型的计算存储量变小，从而更好地适配于嵌入式终端设备中。
可选的，所述根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，得到所述图像处理网络裁剪模型，包括：根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，并统计当前参数裁剪次数；判断所述当前裁剪次数是否达到参数裁剪次数，若是，则对当前图像处理网络模型对应的准确度进行检测，并根据准确度检测结果来确定出所述图像处理网络裁剪模型；若否，则返回执行所述根据所述参数裁剪函数对所述图像处理网络模型进行参数裁剪的操作，直至遍历完成参数裁剪次数。
其中，准确度检测结果可以是与参数裁剪之后的图像处理网络模型相匹配的准确度的检测结果的大小。
在本实施例中，对图像处理网络模型进行参数裁剪之后，还需要统计当前参数裁剪次数，判断是否遍历完成参数裁剪次数，如果遍历完成之后，需要对当前图像处理网络模型对应的准确度进行验证，当准确度检测结果满足要求，可以确定已经完成对图像处理网络模型的裁剪。如果没有遍历完成参数裁剪次数，需要再继续对图像处理网络模型进行参数再裁剪。
可选的，所述对当前图像处理网络模型对应的准确度进行检测，并根据准确度检测结果来确定出所述图像处理网络裁剪模型，包括：对当前图像处理网络模型对应的准确度进行检测，得到所述准确度检测结果；获取待参数裁剪的图像处理网络模型对应的标准准确度检测结果；判断所述准确度检测结果是否在所述标准准确度检测结果对应的误差允许范围阈值之内，若是，则将所述当前图像处理网络模型确定为所述图像处理网络裁剪模型；若否，则对所述当前图像处理网络模型进行丢弃处理，并反馈图像处理网络模型参数裁剪失败的指令。
其中，标准准确度检测结果可以是预先设置的图像处理网络模型的准确度的大小。
在本实施例中，需要将准确度检测结果和标准准确度检测结果进行比较。假设准确度检测结果为94％；标准准确度检测结果为95％，并且误差允许范围阈值为0～0.5％，也即准确度检测结果需要位于94.5％～95.5％。由于准确度检测结果为94％，所以对当前图像处理网络模型进行丢弃处理，并反馈图像处理网络模型参数裁剪失败的指令。
可选的，在所述根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，并统计当前参数裁剪次数之后，还包括：获取所述图像处理网络模型对应的模型再训练频率，并根据所述参数裁剪次数，计算得到模型再训练次数以及与模型再训练次数匹配的参数裁剪次数排序序号；判断当前参数裁剪次数是否命中所述参数裁剪次数排序序号，若是，则将获取到的训练参数数据集对当前参数裁剪后的图像处理网络模型进行再训练，并更新所述模型再训练次数；当所述图像处理网络模型再训练完成之后，根据所述参数裁剪函数对再训练完成之后的图像处理网络模型进行参数裁剪，并统计当前参数裁剪次数，并返回执行判断当前参数裁剪次数是否命中所述参数裁剪次数排序序号的操作，直至遍历完成所述模型再训练次数。
其中，模型再训练频率可以是预先设置的模型再训练的频率的大小。模型再训练次数可以是需要进行模型再训练的次数的大小。参数裁剪次数排序序号可以是与模型再训练次数对应的次数排序序号。
在本实施例中，需要根据获取到的当前参数裁剪次数来与参数裁剪次数排序序号进行匹配操作，如果命中，则需要对当前图像处理网络模型进行再训练，再训练之后再进行参数裁剪的处理，直至遍历完模型再训练次数。
可选的，所述获取所述图像处理网络模型对应的模型再训练频率，并根据所述参数裁剪次数，计算得到模型再训练次数以及与模型再训练次数匹配的参数裁剪次数排序序号，包括：获取所述模型再训练频率和所述参数裁剪次数，并根据公式计算得到模型再训练次数M；其中，N表示参数裁剪次数；f表示模型再训练频率；M为正整数，取(N-1)/f的商；根据所述模型再训练次数和所述参数裁剪次数，确定出所述参数裁剪次数排序序号。
在本实施例中，假设模型再训练频率为3次/回(也即每参数裁剪次数3次，模型训练一回)。假设参数裁剪次数为17次。
具体的，可以计算出模型再训练次数为5次，也即对应的当参数裁剪次数排序序号为4、7、10、13、16，如果当前参数裁剪次数命中当参数裁剪次数排序序号之后，需要对图像处理参数模型进行模型再训练之后，再进行参数裁剪处理。
这样设置的好处在于：通过对图像处理网络模型进行参数裁剪之后，再进行模型再训练，之后再进行参数裁剪，这样可以更好地确保图像处理网络模型的准确率，不是一味地进行裁剪而导致图像处理网络模型准确率低下。
优选的，一种图像处理方法，由按照有图像处理网络模型的目标嵌入式终端设备执行，包括：将待处理的图像输入至所述目标嵌入式终端设备中的图像处理网络模型，所述图像处理网络模型对所述待处理的图像进行图像处理，得到目标处理图像，可以将所述目标处理图像在所述目标嵌入式终端设备中进行展示，以反馈给用户，或者传输至所述目标嵌入式终端设备中的存储设备中。
在本实施例中，图像处理网络模型的输入为待处理的图像，输出为目标处理图像，并且该图像处理网络模型通过图像处理网络模型参数裁剪的应用方法得到的模型。
本发明实施例的技术方案，通过获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与图像处理网络模型对应的图像模型描述信息；获取目标嵌入式终端设备对应的标准计算存储量，如果与图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将图像处理网络模型确定为待参数裁剪的图像处理网络模型；将待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现图像处理网络裁剪模型在目标嵌入式终端设备正确安装。解决了安装于目标嵌入式终端设备应用软件中的图像处理网络模型由于计算存储量太大而造成安装失败的问题，通过对图像处理网络模型的参数进行裁剪，实现了图像处理网络模型在目标嵌入式终端设备的正确安装。
实施例二
图2为本发明实施例二提供的一种图像处理网络模型参数裁剪的应用装置的结构示意图。本实施例所提供的一种图像处理网络模型参数裁剪的应用装置可以通过软件和/或硬件来实现，可配置于终端设备中，尤其是嵌入式终端设备，来实现本发明实施例中的一种图像处理网络模型参数裁剪的应用方法。如图2所示，该装置包括：图像模型描述信息解析模块210、待参数裁剪的图像处理网络模型确定模块220和图像处理网络裁剪模型确定模块230。
其中，图像模型描述信息解析模块210，用于获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与所述图像处理网络模型对应的图像模型描述信息；
待参数裁剪的图像处理网络模型确定模块220，用于获取所述目标嵌入式终端设备对应的标准计算存储量，如果与所述图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将所述图像处理网络模型确定为待参数裁剪的图像处理网络模型；
图像处理网络裁剪模型确定模块230，用于将所述待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现所述图像处理网络裁剪模型在目标嵌入式终端设备正确安装。
本发明实施例的技术方案，通过获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与图像处理网络模型对应的图像模型描述信息；获取目标嵌入式终端设备对应的标准计算存储量，如果与图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将图像处理网络模型确定为待参数裁剪的图像处理网络模型；将待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现图像处理网络裁剪模型在目标嵌入式终端设备正确安装。解决了安装于目标嵌入式终端设备应用软件中的图像处理网络模型由于计算存储量太大而造成安装失败的问题，通过对图像处理网络模型的参数进行裁剪，实现了图像处理网络模型在目标嵌入式终端设备的正确安装。
可选的，所述图像模型描述信息还包括图像模型收敛阈值和图像模型精度。
可选的，所述图像处理网络裁剪模型确定模块230，可以具体用于：对所述待参数裁剪的图像处理网络模型进行解析，解析得到各层参数的数量；根据所述图像模型收敛阈值和图像模型精度确定出图像模型最终稀疏度和参数裁剪次数，并根据各层参数的数量分别确定出稀疏度值；根据所述图像模型最终稀疏度、参数裁剪次数和稀疏度值，来确定出参数裁剪函数；根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，得到所述图像处理网络裁剪模型。
可选的，所述图像处理网络裁剪模型确定模块230，还可以具体用于：获取所述图像处理网络模型对应的各层参数的数量；依次将每一层参数的数量与预先构建的参数数量稀疏度值映射表进行匹配，分别确定与各层参数的数量对应的稀疏度值。
可选的，所述参数裁剪函数为类幂指函数。
可选的，所述图像处理网络裁剪模型确定模块230，还可以具体用于：根据所述图像模型最终稀疏度、参数裁剪次数和稀疏度值，与预设的裁剪描述参数幂指函数匹配表进行匹配，确定出目标幂指函数，并将所述目标幂指函数确定为所述参数裁剪函数。
可选的，所述图像处理网络裁剪模型确定模块230，还可以具体用于：根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，并统计当前参数裁剪次数；判断所述当前裁剪次数是否达到参数裁剪次数，若是，则对当前图像处理网络模型对应的准确度进行检测，并根据准确度检测结果来确定出所述图像处理网络裁剪模型；若否，则返回执行所述根据所述参数裁剪函数对所述图像处理网络模型进行参数裁剪的操作，直至遍历完成参数裁剪次数。
可选的，所述图像处理网络裁剪模型确定模块230，还可以具体用于：对当前图像处理网络模型对应的准确度进行检测，得到所述准确度检测结果；获取待参数裁剪的图像处理网络模型对应的标准准确度检测结果；判断所述准确度检测结果是否在所述标准准确度检测结果对应的误差允许范围阈值之内，若是，则将所述当前图像处理网络模型确定为所述图像处理网络裁剪模型；若否，则对所述当前图像处理网络模型进行丢弃处理，并反馈图像处理网络模型参数裁剪失败的指令。
可选的，所述图像处理网络裁剪模型确定模块230，还可以具体用于：在所述根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，并统计当前参数裁剪次数之后，获取所述图像处理网络模型对应的模型再训练频率，并根据所述参数裁剪次数，计算得到模型再训练次数以及与模型再训练次数匹配的参数裁剪次数排序序号；判断当前参数裁剪次数是否命中所述参数裁剪次数排序序号，若是，则将获取到的训练参数数据集对当前参数裁剪后的图像处理网络模型进行再训练，并更新所述模型再训练次数；当所述图像处理网络模型再训练完成之后，根据所述参数裁剪函数对再训练完成之后的图像处理网络模型进行参数裁剪，并统计当前参数裁剪次数，并返回执行判断当前参数裁剪次数是否命中所述参数裁剪次数排序序号的操作，直至遍历完成所述模型再训练次数。
可选的，所述图像处理网络裁剪模型确定模块230，还可以具体用于：获取所述模型再训练频率和所述参数裁剪次数，并根据公式计算得到模型再训练次数M；其中，N表示参数裁剪次数；f表示模型再训练频率；M为正整数，取(N-1)/f的商；根据所述模型再训练次数和所述参数裁剪次数，确定出所述参数裁剪次数排序序号。
本发明实施例所提供的图像处理网络模型参数裁剪的应用装置可执行本发明任意实施例所提供的图像处理网络模型参数裁剪的应用方法，具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例三的电子设备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3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，例如图像处理网络模型参数裁剪的应用方法。
在一些实施例中，图像处理网络模型参数裁剪的应用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图像处理网络模型参数裁剪的应用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)而被配置为执行图像处理网络模型参数裁剪的应用方法。
该方法包括：获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与所述图像处理网络模型对应的图像模型描述信息；获取所述目标嵌入式终端设备对应的标准计算存储量，如果与所述图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将所述图像处理网络模型确定为待参数裁剪的图像处理网络模型；将所述待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现所述图像处理网络裁剪模型在目标嵌入式终端设备正确安装。
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。
实施例四
本发明实施例四还提供一种包含计算机可读存储介质，所述计算机可读指令在由计算机处理器执行时用于执行一种图像处理网络模型参数裁剪的应用方法，该方法包括：获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与所述图像处理网络模型对应的图像模型描述信息；获取所述目标嵌入式终端设备对应的标准计算存储量，如果与所述图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将所述图像处理网络模型确定为待参数裁剪的图像处理网络模型；将所述待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现所述图像处理网络裁剪模型在目标嵌入式终端设备正确安装。
或者该方法包括：接收从机控制指令和指令转换坐标；将所述指令转换坐标通过预设的坐标映射方法进行映射，得到与所述指令转换坐标对应的指令响应内容；将所述指令响应内容发送至主机系统中，以实现所述从机系统反馈的指令响应内容在所述从机显示窗口中进行更新展示。
当然，本发明实施例所提供的一种包含计算机可读存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的图像处理网络模型参数裁剪的应用方法中的相关操作。
通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是，上述图像处理网络模型参数裁剪的应用装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。
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 (11)
1.一种图像处理网络模型参数裁剪的应用方法，其特征在于，包括：
获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与所述图像处理网络模型对应的图像模型描述信息；
获取所述目标嵌入式终端设备对应的标准计算存储量，如果与所述图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将所述图像处理网络模型确定为待参数裁剪的图像处理网络模型；
将所述待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现所述图像处理网络裁剪模型在目标嵌入式终端设备正确安装。
2.根据权利要求1所述的方法，其特征在于，所述图像模型描述信息还包括图像模型收敛阈值和图像模型精度；
所述将所述待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，包括：
对所述待参数裁剪的图像处理网络模型进行解析，解析得到各层参数的数量；
根据所述图像模型收敛阈值和图像模型精度确定出图像模型最终稀疏度和参数裁剪次数，并根据各层参数的数量分别确定出稀疏度值；
根据所述图像模型最终稀疏度、参数裁剪次数和稀疏度值，来确定出参数裁剪函数；
根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，得到所述图像处理网络裁剪模型。
3.根据权利要求2所述的方法，其特征在于，所述根据各层参数的数量分别确定出稀疏度值，包括：
获取所述图像处理网络模型对应的各层参数的数量；
依次将每一层参数的数量与预先构建的参数数量稀疏度值映射表进行匹配，分别确定与各层参数的数量对应的稀疏度值。
4.根据权利要求3所述的方法，其特征在于，所述参数裁剪函数为类幂指函数；
所述根据所述图像模型最终稀疏度、参数裁剪次数和稀疏度值，来确定出参数裁剪函数，包括：
根据所述图像模型最终稀疏度、参数裁剪次数和稀疏度值，与预设的裁剪描述参数幂指函数匹配表进行匹配，确定出目标幂指函数，并将所述目标幂指函数确定为所述参数裁剪函数。
5.根据权利要求4所述的方法，其特征在于，所述根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，得到所述图像处理网络裁剪模型，包括：
根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，并统计当前参数裁剪次数；
判断所述当前裁剪次数是否达到参数裁剪次数，若是，则对当前图像处理网络模型对应的准确度进行检测，并根据准确度检测结果来确定出所述图像处理网络裁剪模型；
若否，则返回执行所述根据所述参数裁剪函数对所述图像处理网络模型进行参数裁剪的操作，直至遍历完成参数裁剪次数。
6.根据权利要求5所述的方法，其特征在于，所述对当前图像处理网络模型对应的准确度进行检测，并根据准确度检测结果来确定出所述图像处理网络裁剪模型，包括：
对当前图像处理网络模型对应的准确度进行检测，得到所述准确度检测结果；
获取待参数裁剪的图像处理网络模型对应的标准准确度检测结果；
判断所述准确度检测结果是否在所述标准准确度检测结果对应的误差允许范围阈值之内，若是，则将所述当前图像处理网络模型确定为所述图像处理网络裁剪模型；
若否，则对所述当前图像处理网络模型进行丢弃处理，并反馈图像处理网络模型参数裁剪失败的指令。
7.根据权利要求5所述的方法，其特征在于，在所述根据所述参数裁剪函数对所述待参数裁剪的图像处理网络模型进行参数裁剪，并统计当前参数裁剪次数之后，还包括：
获取所述图像处理网络模型对应的模型再训练频率，并根据所述参数裁剪次数，计算得到模型再训练次数以及与模型再训练次数匹配的参数裁剪次数排序序号；
判断当前参数裁剪次数是否命中所述参数裁剪次数排序序号，若是，则将获取到的训练参数数据集对当前参数裁剪后的图像处理网络模型进行再训练，并更新所述模型再训练次数；
当所述图像处理网络模型再训练完成之后，根据所述参数裁剪函数对再训练完成之后的图像处理网络模型进行参数裁剪，并统计当前参数裁剪次数，并返回执行判断当前参数裁剪次数是否命中所述参数裁剪次数排序序号的操作，直至遍历完成所述模型再训练次数。
8.根据权利要求7所述的方法，其特征在于，所述获取所述图像处理网络模型对应的模型再训练频率，并根据所述参数裁剪次数，计算得到模型再训练次数以及与模型再训练次数匹配的参数裁剪次数排序序号，包括：
获取所述模型再训练频率和所述参数裁剪次数，并根据公式M＝(N-1)/f，计算得到模型再训练次数M；
其中，N表示参数裁剪次数；f表示模型再训练频率；M为正整数，取(N-1)/f的商；
根据所述模型再训练次数和所述参数裁剪次数，确定出所述参数裁剪次数排序序号。
9.一种图像处理网络模型参数裁剪的应用装置，其特征在于，包括：
图像模型描述信息解析模块，用于获取并解析待安装于目标嵌入式终端设备应用软件对应的图像处理网络模型，解析得到与所述图像处理网络模型对应的图像模型描述信息；
待参数裁剪的图像处理网络模型确定模块，用于获取所述目标嵌入式终端设备对应的标准计算存储量，如果与所述图像模型描述信息中的图像模型运行计算存储量大于标准计算存储量，则将所述图像处理网络模型确定为待参数裁剪的图像处理网络模型；
图像处理网络裁剪模型确定模块，用于将所述待参数裁剪的图像处理网络模型按照预先构建的图像模型参数裁剪方法进行参数裁剪，确定得到图像处理网络裁剪模型，以实现所述图像处理网络裁剪模型在目标嵌入式终端设备正确安装。
10.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述的图像处理网络模型参数裁剪的应用方法。
11.一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如权利要求1-8中任一项所述的图像处理网络模型参数裁剪的应用方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310736993.8A CN116777943A (zh) | 2023-06-20 | 2023-06-20 | 一种图像处理网络模型参数裁剪的应用方法、装置及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310736993.8A CN116777943A (zh) | 2023-06-20 | 2023-06-20 | 一种图像处理网络模型参数裁剪的应用方法、装置及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116777943A true CN116777943A (zh) | 2023-09-19 |
Family
ID=88012884
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310736993.8A Pending CN116777943A (zh) | 2023-06-20 | 2023-06-20 | 一种图像处理网络模型参数裁剪的应用方法、装置及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116777943A (zh) |
-
2023
- 2023-06-20 CN CN202310736993.8A patent/CN116777943A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN112966744A (zh) | 模型训练方法、图像处理方法、装置和电子设备 | |
| CN114861059A (zh) | 资源推荐方法、装置、电子设备及存储介质 | |
| CN112784102A (zh) | 视频检索方法、装置和电子设备 | |
| CN116363444A (zh) | 模糊分类模型训练方法、识别模糊图像的方法及装置 | |
| CN113449062B (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
| CN116777943A (zh) | 一种图像处理网络模型参数裁剪的应用方法、装置及介质 | |
| CN113010571B (zh) | 数据检测方法、装置、电子设备、存储介质和程序产品 | |
| CN113807413A (zh) | 对象的识别方法、装置、电子设备 | |
| CN113032071A (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
| CN113361575A (zh) | 模型训练方法、装置和电子设备 | |
| CN117827710B (zh) | 基于ai芯片的dma带宽确定方法、装置、设备及介质 | |
| CN117746069B (zh) | 以图搜图的模型训练方法、和以图搜图方法 | |
| CN115034388B (zh) | 排序模型的量化参数的确定方法、装置及电子设备 | |
| CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
| CN118657773B (zh) | 违禁品检测及模型的训练方法、装置、设备、介质和产品 | |
| CN115578583B (zh) | 图像处理方法、装置、电子设备和存储介质 | |
| CN117590239A (zh) | 电池异常检测方法、装置、电子设备及存储介质 | |
| CN116703963A (zh) | 一种ar跟踪方法、装置、ar设备及存储介质 | |
| CN116090437A (zh) | 完型填空题目的处理方法、装置、设备及存储介质 | |
| CN114863207A (zh) | 目标检测模型的预训练方法、装置及电子设备 | |
| CN117421402A (zh) | 对话处理方法、装置及电子设备 | |
| CN117421400A (zh) | 对话交互方法、装置及电子设备 | |
| CN118245676A (zh) | 一种操作对象的推荐方法、装置、电子设备及存储介质 |
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 |