【技术实现步骤摘要】
深度学习的资源调度方法、装置及终端设备
本专利技术属于机器学习
，特别是涉及一种深度学习的资源调度方法、一种深度学习的资源调度装置、一种终端设备及一种计算机可读存储介质。
技术介绍
增强现实(AugmentedReality，简称AR)技术是一种将虚拟信息与真实世界巧妙融合的技术，通过广泛运用多媒体、三维建模、实时跟踪及注册、智能交互、传感等多种技术手段，可以将计算机生成的文字、图像、三维模型、音乐、视频等虚拟信息模拟仿真后，应用到真实世界中，两种信息互为补充，从而实现对真实世界的“增强”。通常，在智能手机、无人机以及AR头戴等设备上对虚拟信息进行模拟仿真需要通过运行深度学习模型来实现，运行深度学习模型需要消耗大量的资源。为使设备端的深度学习成为可能，现有技术中主要是通过压缩深度学习模型来降低其资源需求的。但是，这种处理方式会降低深度学习的准确率。并且，更为重要的是，各种深度学习模型都是独立开发的，不同压缩率的学习模型在开发时设定的资源占用情况及准确率通常是不一样且固定不变的。如果设备分配的资源无法满足压缩后的...
【技术保护点】
1.一种深度学习的资源调度方法，应用于终端设备，其特征在于，所述方法包括：/n确定用于深度学习的基础配置信息，基于所述基础配置信息生成执行所述深度学习的基准模型；/n通过在所述基准模型中增加多个卷积层组成多个派生模型并将所述多个派生模型配置于终端设备中，各个派生模型共享模型参数并分别提供不同的资源-准确率权衡方案；/n当接收到深度学习指令时，获取所述终端设备当前的可用资源数量；/n根据所述可用资源数量和所述各个派生模型对应的资源-准确率权衡方案，确定进行深度学习的目标派生模型；/n为所述目标派生模型分配匹配所述终端设备当前的可用资源数量的资源。/n
【技术特征摘要】
1.一种深度学习的资源调度方法，应用于终端设备，其特征在于，所述方法包括：
确定用于深度学习的基础配置信息，基于所述基础配置信息生成执行所述深度学习的基准模型；
通过在所述基准模型中增加多个卷积层组成多个派生模型并将所述多个派生模型配置于终端设备中，各个派生模型共享模型参数并分别提供不同的资源-准确率权衡方案；
当接收到深度学习指令时，获取所述终端设备当前的可用资源数量；
根据所述可用资源数量和所述各个派生模型对应的资源-准确率权衡方案，确定进行深度学习的目标派生模型；
为所述目标派生模型分配匹配所述终端设备当前的可用资源数量的资源。
2.根据权利要求1所述的方法，其特征在于，所述各个派生模型提供的资源-准确率权衡方案通过在逐一采用所述各个派生模型进行深度学习试验时，对所述各个派生模型占用的资源和试验结果的准确率进行统计得到。
3.根据权利要求1所述的方法，其特征在于，所述获取所述终端设备当前的可用资源数量的步骤包括：
分别确定所述终端设备中各个程序的优先级；
统计所述优先级大于深度学习对应优先级的必要程序所需的资源数量；
确定所述终端设备的资源总量，以所述资源总量与所述必要程序所需的资源数量的差值，作为所述终端设备当前的可用资源数量。
4.根据权利要求3所述的方法，其特征在于，还包括：
识别所述终端设备中当前正在运行且所述优先级小于所述深度学习对应优先级的目标程序；
终止所述目标程序的运行。
5.根据权利要求1所述的方法，其特征在于，所述根据所述可用资源数量和所述各个派生模型对应的资源-准确率权衡方案，确定进行深度学习的目标派生模型的步骤包括：
根据所述各个派生模型对应的资源-准确率权衡方案，确定分别采用所述各个派生模型进行深度学习占用的资源数量；
识别所述占用的资源数量小于所述可用资源数量的多个待筛选派生模型；
确定所述待筛选派生模型中占用的资源数量最大值对应的模型为所述目标派生模型。
6.一种深度学习的资源调度装置，应用于终端设备，其特征在于，所述装置包括：...
【专利技术属性】
技术研发人员：张国辉，李佼，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。