[發明專利]圖像處理方法、裝置、設備

在審

• 申請號: 201811459626.3
• 申請日: 2018-11-30
• 公開（公告）號: CN111260052A
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 竇則勝;李昊;朱勝火
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08
• 代理公司: 北京太合九思知識產權代理有限公司 11610
• 代理人: 孫明子

本發明實施例提供一種圖像處理方法、裝置、設備，該圖像處理方法通過使用一模型對圖像進行處理，該模型可以通過如下步驟獲得：獲取初始的模型；確定模型對應的壓縮策略，壓縮策略中包括壓縮方法以及壓縮方法對應的目標壓縮率；采用壓縮方法，按照逐步增加壓縮率的方式，迭代地對模型進行壓縮，直至滿足截止條件，截止條件包括模型被壓縮至目標壓縮率或者模型精度滿足設定條件。從而，通過逐步壓縮的方式，既使得模型得到有效壓縮，又保證模型的精度，從而得到用于圖像處理的壓縮后的模型。

技術領域

本發明涉及數據處理技術領域，尤其涉及一種圖像處理方法、裝置、設備。

背景技術

深度神經網絡作為目前人工智能的基石之一，其復雜性及可移植性將直接影響人工智能在生活中的應用。

近年來，深度神經網絡模型層數越來越多，計算復雜度越來越高，而過高的計算復雜度通常要求使用GPU或者高性能的CPU對深度神經網絡模型進行運算。而在深度學習的實際應用中，諸如移動設備、嵌入式設備等計算、體積、功耗等方面受限的設備，也需要應用深度學習技術。

由于這些設備存在的約束，導致現有的高性能深度神經網絡模型無法在這些設備上進行有效的計算和應用。比如，當需要使用訓練好的模型對圖像進行分類識別，或者需要使用訓練好的模型進行自然語言翻譯、詞性標注，或者需要使用訓練好的模型進行語音數據識別時，如果訓練好的模型的尺寸過大，一方面會占用設備的存儲資源，另一方面，模型運行時也將占用設備過大的計算資源，影響設備中其他應用的正常運行。

發明內容

本發明實施例提供一種圖像處理方法、裝置、設備，用以實現通過壓縮后的模型對圖像進行處理。

第一方面，本發明實施例提供一種圖像處理方法，該圖像處理方法通過使用模型對圖像進行處理，其中，該模型可以通過以下步驟獲得：

獲取初始的模型；

確定所述模型對應的壓縮策略，所述壓縮策略中包括壓縮方法以及所述壓縮方法對應的目標壓縮率；

采用所述壓縮方法，按照逐步增加壓縮率的方式，迭代地對所述模型進行壓縮，直至滿足截止條件，所述截止條件包括所述模型被壓縮至所述目標壓縮率或者模型精度滿足設定條件。

第二方面，本發明實施例提供一種圖像處理裝置，使用模型對圖像進行處理，包括：

獲取模塊，用于獲取初始的模型；

確定模塊，用于確定所述模型對應的壓縮策略，所述壓縮策略中包括壓縮方法以及所述壓縮方法對應的目標壓縮率；

處理模塊，用于采用所述壓縮方法，按照逐步增加壓縮率的方式，迭代地對所述模型進行壓縮，直至滿足截止條件，所述截止條件包括所述模型被壓縮至所述目標壓縮率或者模型精度滿足設定條件。

第三方面，本發明實施例提供一種電子設備，該電子設備包括第一處理器和第一存儲器，所述第一存儲器用于存儲一條或多條計算機指令，其中，所述一條或多條計算機指令被所述第一處理器執行時實現上述第一方面中的圖像處理方法。

本發明實施例提供了一種計算機存儲介質，用于儲存計算機程序，所述計算機程序使計算機執行時實現上述第一方面中的圖像處理方法。

第四方面，本發明實施例提供一種語音處理方法，使用模型對語音數據進行識別，所述模型通過如下步驟獲得：

獲取初始的模型；

確定所述模型對應的壓縮策略，所述壓縮策略中包括壓縮方法以及所述壓縮方法對應的目標壓縮率；

采用所述壓縮方法，按照逐步增加壓縮率的方式，迭代地對所述模型進行壓縮，直至滿足截止條件，所述截止條件包括所述模型被壓縮至所述目標壓縮率或者模型精度滿足設定條件。