[發明專利]一種部署到HTML5的模型壓縮方法

有效

• 申請號: 202011191931.6
• 申請日: 2020-10-30
• 公開（公告）號: CN112434725B
• 公開（公告）日: 2023-06-09
• 發明（設計）人: 周成
• 申請（專利權）人: 四川新網銀行股份有限公司
• 主分類號: G06F18/2415
• 分類號: G06F18/2415;G06F16/957
• 代理公司: 成都智言知識產權代理有限公司 51282
• 代理人: 蔣秀清

1.一種部署到?HTML5?的模型壓縮方法，其特征在于，包括：

A.使用常規模型訓練方法，在訓練集上訓練模型，驗證集?Val?上評估模型，達到預定的評估效果后，獲得原始的未經壓縮的模型?M_A?和模型?M_A?對應的網絡權重W_A；

B.從模型的輸入到輸出的處理過程，逐層檢驗模型每層運算單元去除后的預測能力，確認運算單元的重要性，給出運算單元去除后，剩余網絡在驗證集上的準確率?Acc_A；

C.設定一個初始準確率閾值，并根據這個初始準確率閾值、步驟?B?中的準確率?Acc_A，構建輔助壓縮模型?M_C來提升準確率；輔助壓縮模型?M_C?在第一次使用模型時未構建，輔助壓縮模型M_C?的提升準確率此時為?0；構建主要壓縮模型?M_B?及對應的模型參數?W_B，將重要性低的運算單元構成新的通路網絡，并通過新的通路網絡構建輔助壓縮模型?M_C及對應的模型參數?W_C，主要壓縮模型?M_B?和輔助壓縮模型?M_C?為初始壓縮模型；輔助壓縮模型?M_C?的提升準確率為使用模型?M_C?后帶來的準確率提升值，即：輔助壓縮模型M_C?的提升準確率?=主要壓縮模型?M_B、輔助壓縮模型?M_C一起使用的準確率?主要壓縮模型?M_B的準確率；

D.在驗證集?Val?上評估主要壓縮模型?M_B，輸入分類任務并預測分類任務的概率，形成驗證子集和其余驗證子集并計算出驗證子集的預測概率、其余驗證子集的預測概率，最終獲取驗證集?Val?總準確率；

E.若步驟?D?中的驗證集?Val?總準確率步驟?B?中的初始準確率閾值，則停止壓縮，并使用上一版本的主要壓縮模型?M_B?和輔助壓縮模型?M_C；若步驟?D?中的最后準確率≥步驟B?中的初始準確率閾值，則重復步驟?C?和步驟?D，直至滿足停止壓縮的條件成立；

F.將步驟?E?中的兩個壓縮模型通過?TensorFlow.js?轉換為?HTML5?可用的模型,部署在HTML5?上，使用壓縮模型時，優先使用主要壓縮模型?M_B?并預測分類任務的概率，根據分類任務的概率選擇是否加入輔助壓縮模型?M_C。

2.如權利要求?1?所述的一種部署到?HTML5?的模型壓縮方法，其特征在于，步驟?D?包括：

D1.在驗證集?Val?上評估主要壓縮模型?M_B，獲得主要壓縮模型?M_B?的權重和輔助壓縮

模型?M_C?的權重；

D2.根據分類任務創建具體的分類，且主要壓縮模型?M_B?預測具體分類的概率、輔助壓縮模型?M_C?預測具體分類的概率；

D3.形成驗證子集和其余驗證子集，利用主要壓縮模型?M_B?的權重和?M_B?預測具體分類的概率計算在驗證子集上的預測概率，利用主要壓縮模型?M_C?的權重和?M_C?預測具體分類的概率計算在其余驗證子集上的預測概率；

D4.通過步驟D3?獲得的驗證子集預測概率和其余驗證子集預測概率獲取驗證集?Val總準確率。

3.如權利要求?1?所述的一種部署到?HTML5?的模型壓縮方法，其特征在于，步驟?F?包

括：

F1.將步驟?E?中的兩個壓縮模型通過?TensorFlow.js?轉換為?HTML5?可用的模型,部署在

HTML5?上；

F2.使用壓縮模型時，優先使用主要壓縮模型?M_B?并預測分類任務的概率；

F3.若步驟?F2?預測的分類任務的概率指定分類的閾值，則只使用主要壓縮模型?M_B并將主要壓縮模型?M_B?的預測結果作為最終輸出結果；否則，則加入輔助壓縮模型?M_C，使用主要壓縮模型?M_B?和輔助壓縮模型?M_C?對具體分類進行預測，并將預測結果作為最終輸出結果。