[發明專利]神經網絡模型部署方法、裝置及設備

在審

• 申請號: 201980039593.3
• 申請日: 2019-11-13
• 公開（公告）號: CN112313674A
• 公開（公告）日: 2021-02-02
• 發明（設計）人: 聶谷洪;施澤浩;孫揚
• 申請（專利權）人: 深圳市大疆創新科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06F17/16
• 代理公司: 北京太合九思知識產權代理有限公司 11610
• 代理人: 劉戈

一種神經網絡模型部署方法、裝置及設備，該方法包括：獲得已訓練好的卷積神經網絡模型(201)；對所述卷積神經網絡模型中卷積層的權重參數進行矩陣分解，獲得所述卷積層的矩陣分解結果(202)；根據所述知陣分解結果，調整所述卷積神經網絡模型的結構，以對所述卷積神經網絡模型進行壓縮，得到所述卷積神經網絡模型的壓縮后模型(203)；對所述壓縮后模型進行部署(204)。本方法減少了對原始訓練數據的依賴。

技術領域

本申請涉及神經網絡技術領域，尤其涉及一種神經網絡模型部署方法、裝置及設備。

背景技術

隨著神經網絡技術的不斷發展，卷積神經網絡模型的應用越來越廣泛。

通常，在對訓練好的卷積神經網絡模型進行部署之前可以通過如下兩種方式對已訓練好的卷積神經網絡模型進行壓縮，以減少已訓練好的卷積神經網絡模型的大小、降低計算量。一種方式，可以通過減少已訓練好的卷積神經網絡模型的通道數的方式進行模型壓縮。另一種方式，可以通過將已訓練好的神經網絡模型的權重參數由浮點型權重參數轉換為定點型權重參數的方式進行模型壓縮。

然而，上述模型部署方式存在對原始訓練數據依賴性較大的問題。

發明內容

本申請實施例提供一種神經網絡模型部署方法、裝置及設備，用以解決現有技術中模型部署方式存在對原始訓練數據依賴性較大的問題。

第一方面，本申請實施例提供一種神經網絡模型部署方法，包括：獲得已訓練好的卷積神經網絡模型；所述卷積神經網絡模型中卷積層的權重參數進行矩陣分解，獲得所述卷積層的矩陣分解結果；根據所述矩陣分解結果，調整所述卷積神經網絡模型的結構，以對所述卷積神經網絡模型進行壓縮，得到所述卷積神經網絡模型的壓縮后模型；對所述壓縮后模型進行部署。

第二方面，本申請實施例提供一種神經網絡模型部署裝置，包括：處理器和存儲器；所述存儲器，用于存儲程序代碼；所述處理器，調用所述程序代碼，當程序代碼被執行時，用于執行以下操作：

獲得已訓練好的卷積神經網絡模型；對所述卷積神經網絡模型中卷積層的權重參數進行矩陣分解，獲得所述卷積層的矩陣分解結果；根據所述矩陣分解結果，調整所述卷積神經網絡模型的結構，以對所述卷積神經網絡模型進行壓縮，得到所述卷積神經網絡模型的壓縮后模型；對所述壓縮后模型進行部署。

第三方面，本申請實施例提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，所述計算機程序包含至少一段代碼，所述至少一段代碼可由計算機執行，以控制所述計算機執行上述第一方面任一項所述的方法。

第四方面，本申請實施例提供一種計算機程序，當所述計算機程序被計算機執行時，用于實現上述第一方面任一項所述的方法。

第五方面，本申請實施例提供一種移動平臺，包括存儲器和處理器，所述存儲器中存儲有根據第一方面任一項所述方法部署的卷積神經網絡模型；

當所述卷積神經網絡模型被所述處理器調用并加載時，用于處理所述移動平臺獲得的傳感器數據。

第六方面，本申請實施例提供一種云臺設備，包括存儲器和處理器，所述存儲器中存儲有根據第一方面任一項所述方法部署的卷積神經網絡模型；

當所述卷積神經網絡模型被所述處理器調用并加載時，用于處理所述云臺設備獲得的傳感器數據。

第七方面，本申請實施例提供一種移動終端，包括存儲器和處理器，所述存儲器中存儲有根據第一方面任一項所述方法部署的卷積神經網絡模型；

當所述卷積神經網絡模型被所述處理器調用并加載時，用于處理所述移動終端獲得的傳感器數據。