[發明專利]模型參數處理方法、裝置、電子設備及存儲介質

有效

• 申請號: 201810001153.6
• 申請日: 2018-01-02
• 公開（公告）號: CN108053034B
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 李亮;張文明;陳少杰
• 申請（專利權）人: 武漢斗魚網絡科技有限公司
• 主分類號: G06N20/00
• 分類號: G06N20/00
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 郭新娟

本發明實施例提供了一種模型參數處理方法、裝置、電子設備及存儲介質。其中，所述方法包括獲取所述待處理模型對應的待壓縮參數集合，所述待壓縮參數集合包括多個模型參數，根據所述待壓縮參數集合內的模型參數，確定壓縮策略。再將所述待壓縮參數集合內的每個所述模型參數，按照所述壓縮策略進行壓縮處理，獲得與所述壓縮策略對應的數據類型的存儲參數。通過本方案實現根據模型參數的具體情況靈活地選擇壓縮策略，轉換模型參數對應的數據類型以降低模型的大小，實現簡單高效。同時，通過選擇適用的壓縮策略避免了壓縮過程造成模型參數失真。

技術領域

本發明涉及機器學習技術領域，具體而言，涉及一種模型參數處理方法、裝置、電子設備及存儲介質。

背景技術

機器學習(Machine Learning，ML)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等多門學科。它是人工智能的核心，是使電子設備具有智能的根本途徑，其應用遍及人工智能的各個領域。

機器學習算法是機器學習的核心。而機器學習算法的精準性取決于對應的模型參數。模型參數由大量的樣本訓練獲得，數量多，所占存儲空間也大。若將機器學習模型部署在服務端，那么模型的大小對服務器的影響不大。若將機器學習模型部署在移動終端，例如Android手機或者iphone手機，那么模型的大小對移動終端性能的影響較大，也會直接影響用戶體驗。進而限制了機器學習在移動終端上的應用。

發明內容

本發明的目的在于提供一種模型參數處理方法、裝置、電子設備及存儲介質，用以解決機器學習模型應用于電子設備時，模型的大小對電子設備產生影響的問題。

為了實現上述目的，本發明實施例采用的技術方案如下：

第一方面，本發明實施例提供了一種模型參數處理方法，所述方法包括：根據待處理模型，獲取所述待處理模型對應的待壓縮參數集合，所述待壓縮參數集合包括多個模型參數；根據所述待壓縮參數集合內的模型參數，確定壓縮策略；將所述待壓縮參數集合內的每個所述模型參數，按照所述壓縮策略進行壓縮處理，獲得與所述壓縮策略對應的數據類型的存儲參數。

第二方面，本發明實施例提供了一種模型參數處理裝置，所述裝置包括：獲取模塊，用于根據待處理模型，獲取所述待處理模型對應的待壓縮參數集合，所述待壓縮參數集合包括多個模型參數；確定模塊，用于根據所述待壓縮參數集合內的模型參數，確定壓縮策略；壓縮模塊，用于將所述待壓縮參數集合內的每個所述模型參數，按照所述壓縮策略進行壓縮處理，獲得與所述壓縮策略對應的數據類型的存儲參數。

第三方面，本發明實施例提供了一種電子設備，所述電子設備包括：存儲器；處理器；以及模型參數處理裝置，所述模型參數處理裝置存儲于所述存儲器中并包括一個或多個由所述處理器執行的軟件功能模組，其包括：獲取模塊，用于根據待處理模型，獲取所述待處理模型對應的待壓縮參數集合，所述待壓縮參數集合包括多個模型參數；確定模塊，用于根據所述待壓縮參數集合內的模型參數，確定壓縮策略；壓縮模塊，用于將所述待壓縮參數集合內的每個所述模型參數，按照所述壓縮策略進行壓縮處理，獲得與所述壓縮策略對應的數據類型的存儲參數。

第四方面，本發明實施例提供了一種存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現如上述的模型參數處理方法。

與現有技術相比，本發明提供的模型參數處理方，通過獲取所述待處理模型對應的待壓縮參數集合，再利用在根據待壓縮參數集合內的模型參數確定的壓縮策略將所述待壓縮參數集合內的每個所述模型參數進行壓縮處理，獲得與所述壓縮策略對應的數據類型的存儲參數。從而通過根據模型參數的具體情況靈活地選擇壓縮策略，轉換模型參數對應的數據類型以降低模型的大小，實現簡單高效。同時，通過選擇適用的壓縮策略避免了壓縮過程造成模型參數失真。克服了機器學習模型應用于移動的電子設備的限制。

為使本發明的上述目的、特征和優點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。