[發(fā)明專利]基于算法集成平臺(tái)的模型處理方法、裝置和計(jì)算機(jī)設(shè)備

在審

• 申請(qǐng)?zhí)枺?/td>: 202010915750.7
• 申請(qǐng)日: 2020-09-03
• 公開(kāi)（公告）號(hào): CN114139696A
• 公開(kāi)（公告）日: 2022-03-04
• 發(fā)明（設(shè)計(jì)）人: 韓演
• 申請(qǐng)（專利權(quán)）人: 順豐科技有限公司
• 主分類號(hào): G06N3/08
• 分類號(hào): G06N3/08
• 代理公司: 華進(jìn)聯(lián)合專利商標(biāo)代理有限公司 44224
• 代理人: 方高明

1.一種基于算法集成平臺(tái)的模型處理方法，其特征在于，所述方法包括：

獲取目標(biāo)算法的配置文件；

從算法集成平臺(tái)中調(diào)用訓(xùn)練腳本對(duì)所述配置文件進(jìn)行解析，得到解析結(jié)果；所述解析結(jié)果包括網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)和訓(xùn)練超參數(shù)數(shù)據(jù)；

基于所述算法集成平臺(tái)，根據(jù)所述網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)和訓(xùn)練超參數(shù)數(shù)據(jù)生成待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)獲取的樣本數(shù)據(jù)集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述基于算法集成平臺(tái)，根據(jù)所述網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)和訓(xùn)練超參數(shù)數(shù)據(jù)生成待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型，包括：

根據(jù)所述網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)和訓(xùn)練超參數(shù)數(shù)據(jù)從所述算法集成平臺(tái)中確定對(duì)應(yīng)的特征提取網(wǎng)絡(luò)和結(jié)果輸出網(wǎng)絡(luò)；

根據(jù)所述特征提取網(wǎng)絡(luò)和結(jié)果輸出網(wǎng)絡(luò)生成待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述解析結(jié)果包括樣本數(shù)據(jù)集路徑信息；所述根據(jù)獲取的樣本數(shù)據(jù)集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型，包括：

根據(jù)所述樣本數(shù)據(jù)集路徑信息獲取樣本數(shù)據(jù)集；所述樣本數(shù)據(jù)集包括訓(xùn)練數(shù)據(jù)集和驗(yàn)證數(shù)據(jù)集；

通過(guò)所述訓(xùn)練數(shù)據(jù)集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，更新所述神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和學(xué)習(xí)率；以及

通過(guò)所述驗(yàn)證數(shù)據(jù)集對(duì)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型進(jìn)行驗(yàn)證，根據(jù)驗(yàn)證結(jié)果確定訓(xùn)練好的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，在所述通過(guò)所述訓(xùn)練數(shù)據(jù)集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，更新所述神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和學(xué)習(xí)率之前，所述方法還包括：

獲取所述樣本數(shù)據(jù)集的數(shù)據(jù)格式；

當(dāng)所述數(shù)據(jù)格式不為所述神經(jīng)網(wǎng)絡(luò)模型支持的預(yù)設(shè)數(shù)據(jù)格式時(shí)，從所述算法集成平臺(tái)中調(diào)用格式轉(zhuǎn)換腳本，將所述樣本數(shù)據(jù)集的數(shù)據(jù)格式轉(zhuǎn)換為預(yù)設(shè)數(shù)據(jù)格式；執(zhí)行所述通過(guò)所述訓(xùn)練數(shù)據(jù)集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行迭代訓(xùn)練，更新所述神經(jīng)網(wǎng)絡(luò)模型的權(quán)重和學(xué)習(xí)率步驟。

5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述方法還包括：

獲取所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型中每個(gè)卷積層之后的批量歸一化層的權(quán)重值，得到權(quán)重值集；

從算法集成平臺(tái)中調(diào)用模型裁剪腳本，根據(jù)所述權(quán)重值集和裁剪比例對(duì)所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行裁剪，得到裁剪后的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)獲取的樣本數(shù)據(jù)集對(duì)所述裁剪后的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到最優(yōu)神經(jīng)網(wǎng)絡(luò)模型。

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，根據(jù)所述權(quán)重值集和裁剪比例對(duì)所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行裁剪，得到裁剪后的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型，包括：

對(duì)所述權(quán)重值集中的權(quán)重值按照從大到小的順序進(jìn)行排序，根據(jù)所述裁剪比例從排序的權(quán)重值集中確定權(quán)重閾值；

根據(jù)所述權(quán)重閾值對(duì)所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行裁剪，得到裁剪后的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型。

7.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述方法還包括：

從算法集成平臺(tái)中調(diào)用模型量化腳本對(duì)所述目標(biāo)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行量化處理，得到量化后的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型。

8.一種基于算法集成平臺(tái)的模型處理裝置，其特征在于，所述裝置包括：

配置文件模塊，用于獲取目標(biāo)算法的配置文件；

從算法集成平臺(tái)中調(diào)用訓(xùn)練腳本對(duì)所述配置文件進(jìn)行解析，得到解析結(jié)果；所述解析結(jié)果包括網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)和訓(xùn)練超參數(shù)數(shù)據(jù)；

基于所述算法集成平臺(tái)，根據(jù)所述網(wǎng)絡(luò)結(jié)構(gòu)數(shù)據(jù)和訓(xùn)練超參數(shù)數(shù)據(jù)生成待訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型；

根據(jù)獲取的樣本數(shù)據(jù)集對(duì)所述神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，得到訓(xùn)練好的目標(biāo)神經(jīng)網(wǎng)絡(luò)模型。

9.一種計(jì)算機(jī)設(shè)備，包括存儲(chǔ)器和處理器，所述存儲(chǔ)器存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的方法的步驟。

10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至7中任一項(xiàng)所述的方法的步驟。