【技术实现步骤摘要】
转换方法、装置、计算机设备和存储介质
本申请涉及计算机
,特别是涉及一种模型转换方法、装置、计算机设备和存储介质。
技术介绍
随着人工智能技术的发展,如今深度学习已无处不在且必不可少,并随之产生了许多可扩展的深度学习系统,例如,TensorFlow、MXNet、Caffe和PyTorch等等,上述深度学习系统可以用于提供各种能够在CPU或GPU等处理器上运行的神经网络模型或其他机器学习模型。当神经网络模型等机器学习模型需在不同的处理器上运行上,往往需要对神经网络模型等机器学习模型进行转换。传统的转换方法是:开发者可以为同一神经网络模型配置有多个不同的转换模型,多个转换模型可以适用于不同的处理器,在实际使用中,计算机设备需同时接收该神经网络模型及其对应的多个转换模型,用户需要根据当前计算机设备的类型从上述的多种模型中选择一个模型,从而使得该神经网络模型能够在当前计算机设备上运行。但上述转换方法的数据输入量及数据处理量均较大,上述超大的数据输入量及数据处理量容易超出计算机设备的存储容量及处理极限,导致计算机设备的处理速度较低甚至无法正常工作。
技术实现思路
基于此,有必要针对上述技术问题,提供一种模型转换方法、装置、计算机设备和存储介质,能够减小计算机设备的数据输入量及数据处理量,提高计算机设备的处理速度。本申请提供了一种模型转换方法,所述方法包括如下步骤:获取初始离线模型及计算机设备的硬件属性信息;根据所述初始离线模型和所述计算机设备的硬件属性信息,判断所述初始 ...
【技术保护点】
1.一种模型转换方法,其特征在于,所述方法包括如下步骤:/n获取原始神经网络对应的初始离线模型;/n若所述计算机设备不能够支持所述初始离线模型的运行时,则将所述初始离线模型转换所述计算机设备能够运行的目标离线模型;/n其中,所述初始离线模型和所述目标离线模型均包含所述原始神经网络中各个计算节点经编译后获得指令。/n
【技术特征摘要】
1.一种模型转换方法,其特征在于,所述方法包括如下步骤:
获取原始神经网络对应的初始离线模型;
若所述计算机设备不能够支持所述初始离线模型的运行时,则将所述初始离线模型转换所述计算机设备能够运行的目标离线模型;
其中,所述初始离线模型和所述目标离线模型均包含所述原始神经网络中各个计算节点经编译后获得指令。
2.根据权利要求1所述的方法,其特征在于,若所述计算机设备不能够支持所述初始离线模型的运行时,则将所述初始离线模型转换所述计算机设备能够运行的目标离线模型,包括:
若所述计算机设备不能够支持所述初始离线模型的运行时,则根据获取的计算机设备的硬件属性信息和预设的模型转换规则,将所述初始离线模型转换所述目标离线模型;
其中,所述初始离线模型的模型属性信息与所述计算机设备的硬件属性信息不匹配,所述目标离线模型的模型属性信息与所述计算机设备的硬件属性信息匹配。
3.根据权利要求2所述的方法,其特征在于,根据获取的计算机设备的硬件属性信息和预设的模型转换规则,将所述初始离线模型转换所述计算机设备能够运行的目标离线模型,包括:
根据所述计算机设备的硬件属性信息确定所述目标离线模型的模型属性信息;
根据所述初始离线模型的模型属性信息、所述目标离线模型的模型属性信息和预设的模型转换规则,将所述初始离线模型转换为所述目标离线模型;
其中,所述模型转换规则与所述初始离线模型的模型属性信息及所述目标离线模型的模型属性信息对应存储。
4.根据权利要求3所述的方法,其特征在于,所述的根据所述初始离线模型的模型属性信息、所述目标离线模型的模型属性信息和预设的模型转换规则,将所述初始离线模型转换为与所述计算机设备的硬件属性信息匹配的目标离线模型的步骤,包括:
根据所述初始离线模型的模型属性信息和所述目标离线模型的模型属性信息,从所述一个以上的预设的模型转换规则中选择一个所述模型转换规则作为目标模型转换规则;
根据所述初始离线模型的模型属性信息和所述目标模型转换规则,将所述初始离线模型转换为所述目标离线模型。
5.根据权利要求4所述的方法,其特征在于,所述的根据所述初始离线模型的模型属性信息和所述目标离线模型的模型属性信息,从多个所述预设的模型转换规则中选择一个所述模型转换规则作为目标模型转换规则的步骤,还包括:
根据所述初始离线模型的模型属性信息和所述目标离线模型的模型属性信息,从所述一个以上的预设的模型转换规则中选择出一个以上的可用模型转换规则;
对所述一个以上的可用模型转换规则进行优先级排序,并将优先级最高的可用模型转换规则作为目标转换规则。
6.根据权利要求5所述的方法,其特征在于,所述的对一个以上的可用模型转换规则进行优先级排序的步骤,还包括如下步骤:
分别获取采用各个所...
【专利技术属性】
技术研发人员:不公告发明人,
申请(专利权)人:中科寒武纪科技股份有限公司,
类型:发明
国别省市:北京;11
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。