技术特征:
1.一种深度学习模型的模型转换优化方法,其特征在于,所述方法包括:对第一深度学习模型进行模型转换,得到第二深度学习模型,其中所述第一深度学习模型与所述第二深度学习模型具有不同的深度学习框架;根据所述第一深度学习模型的深度学习框架得到所述第一深度学习模型的权重排列方式及根据所述第二深度学习模型的深度学习框架得到所述第二深度学习模型的权重排列方式;对所述第一深度学习模型及所述第二深度学习模型进行模型量化;基于所述第一深度学习模型的权重排列方式与模型量化结果,及所述第二深度学习模型的权重排列方式与模型量化结果分析得到所述第一深度学习模型与所述第二深度学习模型之间的权重相似度,以构建权重分析报告;根据预设测试集分别对所述第一深度学习模型与所述第二深度学习模型进行测试,以构建模型性能估测报告;根据所述权重分析报告及所述模型性能估测报告得到所述第二深度学习模型的优化建议,以对所述第二深度学习模型进行模型优化;及利用优化后的第二深度学习模型对待处理数据进行处理。2.如权利要求1所述的方法,其特征在于,所述对所述第一深度学习模型及所述第二深度学习模型进行模型量化的步骤包括:基于所述第一深度学习模型的权重排列方式统计得到所述第一深度学习模型的权重分布信息,及根据所述第一深度学习模型的权重分布信息对所述第一深度学习模型进行模型量化;及基于所述第二深度学习模型的权重排列方式统计得到所述第二深度学习模型的权重分布信息,及根据所述第二深度学习模型的权重分布信息对所述第二深度学习模型进行模型量化。3.如权利要求2所述的方法,其特征在于,所述权重分析报告还包括所述第一深度学习模型的权重分布信息及所述第二深度学习模型的权重分布信息。4.如权利要求2所述的方法,其特征在于,所述根据所述第一深度学习模型的权重分布信息对所述第一深度学习模型进行模型量化的步骤包括:根据所述第一深度学习模型的权重分布信息确定对所述第一深度学习模型进行模型量化的位元数与精度,以基于所确定的位元数与精度对所述第一深度学习模型进行模型量化。5.如权利要求2所述的方法,其特征在于,所述根据所述第二深度学习模型的权重分布信息对所述第二深度学习模型进行模型量化的步骤包括:根据所述第二深度学习模型的权重分布信息确定对所述第二深度学习模型进行模型量化的位元数与精度,以基于所确定的位元数与精度对所述第二深度学习模型进行模型量化。6.如权利要求1所述的方法,其特征在于,所述预设测试集的数据包括用于对所述第一深度学习模型及所述第二深度学习模型进行模型训练的训练样本库,所述训练样本库的样本被划分为训练集与验证集。7.如权利要求6所述的方法,其特征在于,所述预设测试集的数据还包括未包含在所述
训练样本库中的现场样本集和/或对所述验证集进行扩增而生成的扩增样本集。8.如权利要求7所述的方法,其特征在于,所述根据预设测试集分别对所述第一深度学习模型与所述第二深度学习模型进行测试,以构建模型性能估测报告的步骤包括:利用所述训练样本库、所述现场样本集及所述扩增样本集对所述第一深度学习模型与所述第二深度学习模型进行测试;及根据所述训练样本库得到的第一测试结果、所述现场样本集得到的第二测试结果及所述扩增样本集得到的第三测试结果构建所述模型性能估测报告。9.一种深度学习模型的模型转换优化装置,所述装置包括处理器及存储器,所述存储器上存储有若干计算机程序,其特征在于,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1-8任一项所述的深度学习模型的模型转换优化方法的步骤。10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有多条指令,多条所述指令可被一个或者多个处理器执行,以实现如权利要求1-8任一项所述的深度学习模型的模型转换优化方法的步骤。
技术总结
一种深度学习模型的模型转换优化装置、方法及计算机可读存储介质,所述方法包括:对第一深度学习模型进行模型转换得到第二深度学习模型;根据第一、第二深度学习模型的深度学习框架分别得到该两个模型的权重排列方式;对第一、第二深度学习模型进行模型量化;基于第一、第二深度学习模型的权重排列方式与模型量化结果分析得到该两个模型的权重相似度,以构建权重分析报告;根据预设测试集对第一、第二深度学习模型进行测试,以构建模型性能估测报告;根据权重、模型性能报告得到第二深度学习模型的优化建议;及利用优化后的第二深度学习模型对待处理数据进行处理。本发明可实现对模型转换之前和之后进行深入分析,避免出现模型转换后性能不佳。转换后性能不佳。转换后性能不佳。
技术研发人员:林子甄 孙国钦 卢志德 蔡东佐 杨荣浩 吴宗祐 李宛真
受保护的技术使用者:鸿海精密工业股份有限公司
技术研发日:2020.08.20
技术公布日:2022/2/23
再多了解一些
本文用于企业家、创业者技术爱好者查询,结果仅供参考。