信息处理方法以及信息处理系统技术方案

提供能够高效地决定满足所要求的硬件性能要件的机器学习模型的信息处理方法以及信息处理系统等。在信息处理方法中，使用处理器，决定机器学习模型的构成，执行所决定的构成的机器学习模型是否满足对硬件性能的第1性能要件的第1判定，使用判定为满足第1性能要件的构成的机器学习模型执行学习，执行通过学习得到的学习完成模型是否满足对机器学习模型的输出的评价值的第2性能要件的第2判定，在第2判定中判定为学习完成模型满足第2性能要件的情况下，输出表示满足第1性能要件及第2性能要件的信息，在第1判定中判定为不满足第1性能要件的情况下，改变机器学习模型的构成，执行改变后的构成的机器学习模型是否满足第1性能要件的第1判定。

Information Processing Method and Information Processing System

Provides information processing methods and information processing systems for machine learning models that can efficiently determine the required hardware performance requirements. In the information processing method, the processor is used to determine the composition of the machine learning model, to execute the first judgment of whether the machine learning model that is determined satisfies the first performance requirement of the hardware performance, to execute the learning using the machine learning model that satisfies the first performance requirement, and to execute the learning completion model that is obtained by learning whether it satisfies the machine learning model. The second judgment of the second performance requirement of the evaluation value of the output is that when the learning completion model satisfies the second performance requirement, the information representing the first performance requirement and the second performance requirement is output. In the first judgment, when the first performance requirement is not satisfied, the composition of the machine learning model is changed and the machine learning model formed after the change is executed. The first judgment of whether the first performance requirement is satisfied or not.

【技术实现步骤摘要】
信息处理方法以及信息处理系统
本公开涉及决定机器学习中使用的机器学习模型的信息处理方法以及信息处理系统。
技术介绍
专利文献1公开了一种学习方法，在使用了神经网络的学习中，通过使用遗传算法，进行使神经网络的单元数变化的处理，并且，进行该学习的中止。在先技术文献专利文献1：日本特开2017－97807号公报
技术实现思路
专利技术要解决的技术问题但是，在专利文献1中，未考虑利用机器学习结果的硬件的性能，因此，难以高效地决定满足该硬件的性能要件的机器学习模型。因此，在本公开中，目的在于提供一种能够高效地决定满足所要求的硬件的性能要件的机器学习模型的信息处理方法以及信息处理系统。用于解决技术问题的技术方案本公开的一技术方案涉及的信息处理方法，包括：使用处理器，决定机器学习模型的构成，执行所决定的所述构成的所述机器学习模型是否满足第1性能要件的第1判定，所述第1性能要件是对硬件性能的要件，在所述第1判定中判定为满足所述第1性能要件的情况下，使用判定为满足所述第1性能要件的构成的机器学习模型来执行学习，执行由学习得到的学习完成模型是否满足第2性能要件的第2判定，所述第2性能要件是对机器学习模型的输出的评价值的要件，在所述第2判定中判定为所述学习完成模型满足所述第2性能要件的情况下，输出表示满足所述第1性能要件及所述第2性能要件的信息，在所述第1判定中判定为不满足所述第1性能要件的情况下，改变所述机器学习模型的构成，执行改变后的所述构成的所述机器学习模型是否满足所述第1性能要件的所述第1判定。此外，这是总括的或者具体的技术方案既可以由系统、装置、集成电路、计算机程序或计算机能够读取的CD－ROM等记录介质来实现，也可以由系统、装置、集成电路、计算机程序以及记录介质的任意组合来实现。专利技术的效果本公开涉及的信息处理方法等能够高效地决定满足所要求的硬件的性能要件的机器学习模型。附图说明图1是用于说明实施方式涉及的信息处理系统的概略的图。图2是表示实施方式涉及的信息处理装置的硬件构成的一例的框图。图3是表示输入输出装置的硬件构成的一例的框图。图4是表示信息处理系统的功能构成的一例的框图。图5是表示信息处理系统中的信息处理方法的一例的流程图。图6是表示实施方式涉及的决定处理的详细的一例的流程图。图7是表示实施方式涉及的决定处理的详细的一例的流程图。标号说明1信息处理系统；100信息处理装置；101CPU；102主存储器(mainmemory)；103储存器(storage)；104通信IF；105GPU；111显示部；112输入受理部；120控制部；130决定部；131模型构成要件DB；140判定部；141检查要件DB；150学习部；151中断部；160轻量化部；200输入输出装置；201CPU；202主存储器；203储存器；204显示器；205输入IF；206通信IF；300处理器。具体实施方式(成为本公开的基础的见解)本专利技术的专利技术人关于在“
技术介绍
”一栏中记载的学习方法发现了会产生以下的问题。近年来，为了保证ADAS(AdvancedDriverAssistanceSystem：先进驾驶辅助系统)或者自动驾驶系统的安全性，例如需要将使用了如深度学习的机器学习的处理应用于车载系统。另外，对于执行使用了这样的机器学习的处理的处理器，为了作为车载ECU(ElectronicControlUnit：电子控制单元)进行利用，被要求满足严格的功耗、处理速度以及识别精度的制约。但是，车载ECU根据汽车的车种、等级等而可使用许多不同性能的处理器。因此，对于不同的处理器，存在难以有效地决定满足上述的制约的机器学习模型这一问题。为了解决这样的问题，本公开的一技术方案涉及的信息处理方法，包括：使用处理器，决定机器学习模型的构成，执行所决定的所述构成的所述机器学习模型是否满足第1性能要件的第1判定，所述第1性能要件是对硬件性能的要件，在所述第1判定中判定为满足所述第1性能要件的情况下，使用判定为满足所述第1性能要件的构成的机器学习模型来执行学习，执行由学习得到的学习完成模型是否满足第2性能要件的第2判定，所述第2性能要件是对机器学习模型的输出的评价值的要件，在所述第2判定中判定为所述学习完成模型满足所述第2性能要件的情况下，输出表示满足所述第1性能要件及所述第2性能要件的信息，在所述第1判定中判定为不满足所述第1性能要件的情况下，改变所述机器学习模型的构成，执行改变后的所述构成的所述机器学习模型是否满足所述第1性能要件的所述第1判定。由此，不执行第2判定而改变机器学习模型的构成，直到在第1判定中满足第1性能要件为止，因此，能够减少执行第2判定的次数。因此，能够高效地决定满足所要求的硬件的性能要件的机器学习模型。另外，能够减少处理器涉及的处理量以及能耗。另外，也可以为，在所述第2判定中判定为不满足所述第2性能要件的情况下，以与前次执行的学习不同的参数执行所述学习，执行通过以所述不同的参数的所述学习得到的学习完成模型是否满足所述第2性能要件的所述第2判定，在判定为不满足所述第2性能要件的次数为第1次数以上的情况下，改变所述机器学习模型的构成，执行改变后的所述构成的所述机器学习模型是否满足所述第1性能要件的所述第1判定。由此，当第1次数以上判定为不满足第2性能要件时，改变机器学习模型的构成，因此，能减少使之学习的次数。因此，能够高效地决定机器学习模型。另外，也可以为，还包括：对在所述第2判定中判定为满足所述第2性能要件的所述学习完成模型执行轻量化处理，执行通过轻量化处理得到的轻量化模型是否满足第3性能要件的第3判定，所述第3性能要件是对硬件性能的要件，在所述第3判定中判定为满足所述第3性能要件的情况下，输出表示满足所述第3性能要件的信息。由此，不执行第2判定、轻量化处理以及第3判定而改变机器学习模型的构成，直到在第1判定中满足第1性能要件为止。因此，能够减小执行第2判定、轻量化处理以及第3判定的次数。另外，由所述第3性能要件规定的硬件性能的条件也可以比由所述第1性能要件规定的硬件性能的条件严格。因此，能够减少判定为不满足第1性能要件而执行机器学习模型的构成的决定和第1判定的次数。另外，通过在第3判定中进行更严格的判定，例如能够减少执行接着第3判定进行的处理的次数。另外，也可以为，在所述第3判定中判定为不满足所述第3性能要件的所述轻量化模型的硬件性能满足第1条件的情况下，以与前次执行的轻量化处理不同的参数执行所述轻量化处理，执行通过以所述不同的参数的所述轻量化处理得到的轻量化模型是否满足所述第3性能要件的所述第3判定。由此，即使是在不满足第3性能要件的情况下，也在接近第3性能要件时改变参数来执行轻量化处理。因此，能够高效地找到满足第3性能要件的轻量化模型。另外，也可以为，(i)在所述第3判定中判定为不满足所述第3性能要件的所述轻量化模型的硬件性能不满足第1条件的情况下、或者(ii)在判定为不满足所述第3性能要件的次数为第2次数以上的情况下，改变所述机器学习模型的构成，执行改变后的所述构成的所述机器学习模型是否满足所述第1性能要件的所述第1判定。由此，在不满足第3性能要件的情况下，当第2次数以上地判定为不满足第3性能要件时，改变机器学习模型的构成本文档来自技高网...

【技术保护点】
1.一种信息处理方法，包括：使用处理器，决定机器学习模型的构成，执行所决定的所述构成的所述机器学习模型是否满足第1性能要件的第1判定，所述第1性能要件是对硬件性能的要件，在所述第1判定中判定为满足所述第1性能要件的情况下，使用判定为满足所述第1性能要件的构成的机器学习模型来执行学习，执行由学习得到的学习完成模型是否满足第2性能要件的第2判定，所述第2性能要件是对机器学习模型的输出的评价值的要件，在所述第2判定中判定为所述学习完成模型满足所述第2性能要件的情况下，输出表示满足所述第1性能要件及所述第2性能要件的信息，在所述第1判定中判定为不满足所述第1性能要件的情况下，改变所述机器学习模型的构成，执行改变后的所述构成的所述机器学习模型是否满足所述第1性能要件的所述第1判定。

【技术特征摘要】
2017.11.17 JP 2017-221690;2018.06.11 JP 2018-111071.一种信息处理方法，包括：使用处理器，决定机器学习模型的构成，执行所决定的所述构成的所述机器学习模型是否满足第1性能要件的第1判定，所述第1性能要件是对硬件性能的要件，在所述第1判定中判定为满足所述第1性能要件的情况下，使用判定为满足所述第1性能要件的构成的机器学习模型来执行学习，执行由学习得到的学习完成模型是否满足第2性能要件的第2判定，所述第2性能要件是对机器学习模型的输出的评价值的要件，在所述第2判定中判定为所述学习完成模型满足所述第2性能要件的情况下，输出表示满足所述第1性能要件及所述第2性能要件的信息，在所述第1判定中判定为不满足所述第1性能要件的情况下，改变所述机器学习模型的构成，执行改变后的所述构成的所述机器学习模型是否满足所述第1性能要件的所述第1判定。2.根据权利要求1所述的信息处理方法，在所述第2判定中判定为不满足所述第2性能要件的情况下，以与前次执行的学习不同的参数执行所述学习，执行通过以所述不同的参数的所述学习得到的学习完成模型是否满足所述第2性能要件的所述第2判定，在判定为不满足所述第2性能要件的次数为第1次数以上的情况下，改变所述机器学习模型的构成，执行改变后的所述构成的所述机器学习模型是否满足所述第1性能要件的所述第1判定。3.根据权利要求1或者2所述的信息处理方法，还包括：对在所述第2判定中判定为满足所述第2性能要件的所述学习完成模型执行轻量化处理，执行通过轻量化处理得到的轻量化模型是否满足第3性能要件的第3判定，所述第3性能要件是对硬件性能的要件，在所述第3判定中判定为满足所述第3性能要件的情况下，输出表示满足所述第3性能要件的信息。4.根据权利要求3所述的信息处理方法，由所述第3性能要件规定的硬件性能的条件比由所述第1性能要件规定的硬件性能的条件严格。5.根据权利要求3或者4所述的信息处理方法，在所述第3判定中判定为不满足所述第3性能要件的所述轻量化模型的硬件性能满足第1条件的情况下，以与前次执行的轻量化处理不同的参数执行所述轻量化处理，执行通过以所述不同的参数的所述轻量化处理得到的轻量化模型是否满足所述第3性能要件的所述第3判定。6.根据权利要求3～5中任一项所述的信息处理方法，(i)在所述第3判定中判定为不满足所述第3性能要件的所述轻量化模型的硬件性能不满足第1条件的情况下、或者(ii)在判定为不满足所述第3性能要件的次数为第2次数以上的情况下，改变所述机器学习模型的构成，执行改变后的所述构成的所述机器学...

【专利技术属性】
技术研发人员：中田洋平，
申请(专利权)人：松下知识产权经营株式会社，
类型：发明
国别省市：日本,JP