模型量化结果的分析方法、装置、电子设备及存储介质与流程

本申请涉及模型优化，尤其涉及一种模型量化结果的分析方法、装置、电子设备及存储介质。

背景技术：

1、随着深度学习技术的发展和普及，神经网络模型已被广泛地应用到金融、医疗、教育、工业等各大领域中，例如对目标的检测和识别。为了提升神经网络模型对目标的检测和识别效果，所使用的神经网络模型层数越来越深，结构也越来越复杂，相应地，神经网络模型的参数规模也大幅度增加，这使得训练好的神经网络模型在设备端进行部署时容易受到制约，导致部署难度大。模型量化是一种模型压缩技术，目前常采用模型量化处理的方式来解决神经网络模型部署难度大的问题，而模型量化的效果，通常是根据模型中通道的输出结果来主观判断模型量化结果的好坏，不够直观，难以得到准确地分析模型量化结果。由于难以客观且准确地分析模型量化结果，在对神经网络模型进行迭代优化时难以快速定位问题所在，优化效率低。

技术实现思路

1、有鉴于此，本申请实施例提供了一种模型量化结果的分析方法、装置、电子设备及存储介质，可以客观且准确地分析模型的量化结果。

2、本申请实施例的第一方面提供了一种模型量化结果的分析方法，包括：

3、分别采用浮点数数据类型和整数数据类型对训练好的神经网络模型进行模型量化处理，获得第一量化结果文件和第二量化结果文件；

4、根据所述第一量化结果文件和第二量化结果文件构建量化结果对比图；

5、对所述量化结果对比图进行图形分析，判断所述神经网络模型的模型量化结果是否满足模型量化要求。

6、结合第一方面，在第一方面的第一种可能实现方式中，所述第一量化结果文件和所述第二量化结果文件表示为二进制格式的张量数据文件。

7、结合第一方面的第一种可能实现方式，在第一方面的第二种可能实现方式中，所述根据所述第一量化结果文件和第二量化结果文件构建量化结果对比图的步骤，包括：

8、将所述第一量化结果文件中记载的所有数组各自对应的张量数据按照由小到大进行排序，并根据排序先后对所述所有数组进行由小到大的标号处理，其中，每个数组对应一个标号信息；

9、以张量为纵向数轴和以数组的标号为横向数轴构建所述量化结果对比图，所述量化结果对比图中包含有由所述第一量化结果文件中所有张量数据对应的坐标点组成的第一量化结果图形和由所述第二量化结果文件中所有张量数据对应的坐标点组成的第二量化结果图形。

10、结合第一方面的第二种可能实现方式，在第一方面的第三种可能实现方式中，所述对所述量化结果对比图进行图形分析，判断所述神经网络模型的模型量化结果是否满足模型量化要求的步骤，包括：

11、根据所述第二量化结果图形和所述第二量化结果图形各自在所述量化结果对比图的位置，判断所述第二量化结果图形是否在所述第一量化结果图形的上下波动；

12、若所述第二量化结果图形在所述第一量化结果图形的上下波动，则判断所述神经网络模型的模型量化结果满足模型量化要求。

13、结合第一方面的第二种可能实现方式，在第一方面的第四种可能实现方式中，所述对所述量化结果对比图进行图形分析，判断所述神经网络模型的模型量化结果是否满足模型量化要求的步骤，包括：

14、根据所述量化结果对比图，逐一将每个数组作为目标数组，获取所述一量化结果图形中与所述目标数组对应的张量数据值所在的第一位置和所述第二量化结果图形中与所述目标数组对应的张量数据值所在的第二位置；

15、计算所述第一位置与第二位置之间的位置距离；

16、将所述位置距离与预设的距离阈值进行比较，若所述位置距离小于预设的距离阈值，则判断所述神经网络模型中目标数组所对应的通道的模型量化结果满足模型量化要求。

17、结合第一方面的第四种可能实现方式，在第一方面的第五种可能实现方式中，所述第二量化结果图形中与所述目标数组对应的张量数据值多于一个时，还包括：

18、将所述第二量化结果图形中与所述目标数组对应的所有张量数据值进行大小比较，确定最大张量数据值和最小张量数据值；

19、获取所述第二量化结果图形中与所述目标数组对应的最大张量数据值所在的第三位置和最小张量数据值所在的第四位置，以将所述第三位置和所述第四位置共同作为第二位置。

20、结合第一方面的第五种可能实现方式，在第一方面的第六种可能实现方式中，所述第三位置和所述第四位置共同作为第二位置时，所述对所述量化结果对比图进行图形分析，判断所述神经网络模型的模型量化结果是否满足模型量化要求的步骤，包括：

21、计算所述第一位置与所述第三位置之间的第一位置距离和所述第一位置与所述第四位置之间的第二位置距离；

22、将所述第一位置距离和所述第二位置距离分别与预设的距离阈值进行比较，若所述第一位置距离和所述第二位置距离均小于预设的距离阈值且所述第一位置处于所述第三位置和所述第四位置之间，则判断所述神经网络模型中目标数组所对应的通道的模型量化结果满足模型量化要求。

23、本申请实施例的第二方面提供了一种模型量化结果的分析装置，所述模型量化结果的分析装置包括：

24、量化处理模块，用于分别采用浮点数数据类型和整数数据类型对训练好的神经网络模型进行模型量化处理，获得第一量化结果文件和第二量化结果文件；

25、对比图构建模块，用于根据所述第一量化结果文件和第二量化结果文件构建可视化的量化结果对比图；

26、量化结果分析模块，用于对所述量化结果对比图进行图形分析，判断所述神经网络模型的模型量化结果是否满足模型量化要求。

27、本申请实施例的第三方面提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在电子设备上运行的计算机程序，所述处理器执行所述计算机程序时实现第一方面提供的模型量化结果的分析方法的各步骤。

28、本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现第一方面提供的模型量化结果的分析方法的各步骤。

29、本申请实施例提供的一种模型量化结果的分析方法、装置、电子设备及存储介质，具有以下有益效果：

30、本申请通过分别采用浮点数数据类型和整数数据类型对训练好的神经网络模型进行模型量化处理，获得第一量化结果文件和第二量化结果文件；根据所述第一量化结果文件和第二量化结果文件构建量化结果对比图；对所述量化结果对比图进行图形分析，判断所述神经网络模型的模型量化结果是否满足模型量化要求。该方法可以通过构建量化结果对比图可视化展示模型的量化结果，通过量化结果对比图直观地分析神经网络模型的模型量化结果是否满足模型量化要求，客观且准确地分析模型的量化结果。

技术特征：

1.一种模型量化结果的分析方法，其特征在于，包括：

2.根据权利要求1所述的模型量化结果的分析方法，其特征在于，所述第一量化结果文件和所述第二量化结果文件表示为二进制格式的张量数据文件。

3.根据权利要求2所述的模型量化结果的分析方法，其特征在于，所述根据所述第一量化结果文件和第二量化结果文件构建量化结果对比图的步骤，包括：

4.根据权利要求3所述的模型量化结果的分析方法，其特征在于，所述对所述量化结果对比图进行图形分析，判断所述神经网络模型的模型量化结果是否满足模型量化要求的步骤，包括：

5.根据权利要求3所述的模型量化结果的分析方法，其特征在于，所述对所述量化结果对比图进行图形分析，判断所述神经网络模型的模型量化结果是否满足模型量化要求的步骤，包括：

6.根据权利要求5所述的模型量化结果的分析方法，其特征在于，所述第二量化结果图形中与所述目标数组对应的张量数据值多于一个时，还包括：

7.根据权利要求6所述的模型量化结果的分析方法，其特征在于，所述第三位置和所述第四位置共同作为第二位置时，所述对所述量化结果对比图进行图形分析，判断所述神经网络模型的模型量化结果是否满足模型量化要求的步骤，包括：

8.一种模型量化结果的分析装置，其特征在于，所述模型量化结果的分析装置包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。

技术总结本申请提供一种模型量化结果的分析方法、装置、电子设备及存储介质，其方法包括：分别采用浮点数数据类型和整数数据类型对训练好的神经网络模型进行模型量化处理，获得第一量化结果文件和第二量化结果文件；根据所述第一量化结果文件和第二量化结果文件构建量化结果对比图；对所述量化结果对比图进行图形分析，判断所述神经网络模型的模型量化结果是否满足模型量化要求。该方法可以通过构建量化结果对比图可视化地展示模型量化结果，通过量化结果对比图直观地分析出神经网络模型的模型量化结果是否满足模型量化要求，分析结果客观且准确。技术研发人员：翟芳受保护的技术使用者：毫末智行科技有限公司技术研发日：技术公布日：2024/10/10