[發明專利]深度學習框架確定方法、設備及可讀存儲介質

在審

• 申請號: 202011498964.5
• 申請日: 2020-12-18
• 公開（公告）號: CN112257856A
• 公開（公告）日: 2021-01-22
• 發明（設計）人: 任智祥;傅海裕;周閱
• 申請（專利權）人: 鵬城實驗室
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/063;G06N3/08
• 代理公司: 深圳市世紀恒程知識產權代理事務所 44287
• 代理人: 關向蘭

本發明公開了一種深度學習框架確定方法、設備及可讀存儲介質，該方法包括步驟：獲取應用場景，并建立與所述應用場景對應的至少兩個深度學習框架對應的深度學習仿真實驗任務；基于預設硬件處理各所述深度學習仿真實驗任務，得到深度學習框架評分結果；基于所述深度學習框架評分結果，選取評分最高的深度學習框架作為目標深度學習框架。本發明實現了根據深度學習框架評分結果確定最適合該應用場景的目標深度學習框架，從而使得使用深度學習框架的應用所使用的深度學習框架為最適合該應用的深度學習框架，進而提高了使用深度學習框架的應用的穩定性和效率。

技術領域

本發明涉及深度學習技術領域，尤其涉及一種深度學習框架確定方法、設備及可讀存儲介質。

背景技術

近年來，隨著海量數據的積累和計算機硬件計算能力的提升，深度學習越來越廣泛應用在各個方面。現在市面上已有很多深度學習的開源框架，常見的有TensorFlow,Mxnet, Pytorch, Caffe等等，這些深度學習框架已被廣泛應用于計算機視覺、語音識別、自然語言處理與生物信息學等領域，每一類框架都以不同的方式進行構建，具有不同的特點。

但是，在不同的各類應用、業務場景下，訓練加速器（GPU）用不同的深度學習框架會有不同效果，而根據各種框架的開發團隊提供的介紹說明也并不能全面了解某深度學習框架在什么情景下使用可以達到最優的效果。例如Tensorflow支持多環境與集群、分布式訓練，跨平臺運行能力強，Pytorch擁有動態的編程環境和用戶友好的界面更適合小項目和原型設計等等。從而由于所使用的深度學習框架與特定應用場景不適配，導致使用該深度學習框架的應用的穩定性低、效率低。

由此可知，目前存在使用深度學習框架的應用的穩定性低和效率低的問題。

發明內容

本發明的主要目的在于提供一種深度學習框架確定方法、設備及可讀存儲介質，旨在解決現有的使用深度學習框架的應用的穩定性低和效率低的技術問題。

為實現上述目的，本發明提供一種深度學習框架確定方法，所述深度學習框架確定方法包括步驟：

獲取應用場景，并建立與所述應用場景對應的至少兩個深度學習框架對應的深度學習仿真實驗任務；

處理各所述深度學習仿真實驗任務，得到深度學習框架評分結果；

基于所述深度學習框架評分結果，選取評分最高的深度學習框架作為目標深度學習框架。

可選地，所述建立與所述應用場景對應的至少兩個深度學習框架對應的深度學習仿真實驗任務，包括：

獲取所述應用場景對應的至少兩個神經網絡模型的唯一標識；

遍歷各所述神經網絡模型的唯一標識，并基于所述至少兩個深度學習框架實現各所述神經網絡模型；

建立與各所述神經網絡模型對應的所述深度學習仿真實驗任務。

可選地，所述獲取應用場景，包括：

獲取至少兩個應用場景，并遍歷所述至少兩個應用場景。

可選地，所述處理各所述深度學習仿真實驗任務，得到深度學習框架評分結果，包括：

處理各所述深度學習仿真實驗任務，得到各所述深度學習仿真實驗任務的得分；

基于各所述深度學習仿真實驗任務的得分計算所述至少兩個深度學習框架的得分，得到所述深度學習框架評分結果。

可選地，所述處理各所述深度學習仿真實驗任務，得到各所述深度學習仿真實驗任務的得分，包括：

基于預設訓練數據集，訓練各所述深度學習仿真實驗任務對應的神經網絡模型；

記錄各所述神經網絡模型達到預設準確率的時間；