神经网络模型生成方法、装置、电子设备及存储介质制造方法及图纸

一种神经网络模型生成方法，包括获取待生成完整神经网络模型的参数，所述参数包括所述待生成完整神经网络模型的总层数以及指定层及对应所述指定层的约束；根据所述总层数、所述指定层及对应所述指定层的约束，通过神经网络引擎生成所述指定层的神经网络模型；根据所述指定层的神经网络模型生成完整的神经网络模型。本发明专利技术还提供一种神经网络模型生成装置、电子设备及存储介质。本发明专利技术能够根据用户的需求及对感兴趣层的指定先生成指定层的神经网络模型，再根据所生成的指定层的神经网络模型生成完整的神经网络模型。

Neural network model generation method, device, electronic equipment and storage medium

【技术实现步骤摘要】
神经网络模型生成方法、装置、电子设备及存储介质
本专利技术涉及人工智能
，具体涉及一种神经网络模型生成方法、装置、电子设备及存储介质。
技术介绍
人工智能处理器即AI(artificialintelligence)芯片，在引入人工智能的深度学习能力后，可实现系统内部资源智能分配以及用户行为预测，进而实现从UI、应用启动、系统响应、图像识别等方面，进行全面升级。而目前的AI芯片大多基于已知的神经网络模型，例如，卷积神经网络、暂态混沌神经网络、残差神经网络、反向传播神经网络等，对于这些数量有限的已知的神经网络模型，AI芯片具有较好的处理能力。但是，对于未知的神经网络模型，AI芯片也应当具备相应的处理能力且达到较好的效果。因而，有必要提供一种随机生成神经网络模型的技术方案，增加AI芯片中的神经网络模型的数量和种类。
技术实现思路
鉴于以上内容，有必要提出一种神经网络模型生成方法、装置、电子设备及存储介质，能够根据用户的需求及对感兴趣层的指定先生成指定层的神经网络模型，再根据所生成的指定层的神经网络模型生成完整的神经网络模型。本专利技术的第一方面提供一种神经网络模型生成方法，应用于电子设备中，所述方法包括：获取待生成完整神经网络模型的参数，所述参数包括所述待生成完整神经网络模型的总层数以及指定层及对应所述指定层的约束；根据所述总层数、所述指定层及对应所述指定层的约束，通过神经网络引擎生成所述指定层的神经网络模型；根据所述指定层的神经网络模型生成完整的神经网络模型。优选的，所述根据所述指定层的神经网络模型生成完整的神经网络模型包括：判断所述指定层是否为中间层；当所述指定层为中间层时，根据预设第一规则及所述指定层的神经网络模型生成完整的神经网络模型；当所述指定层不为中间层时，根据预设第二规则及所述指定层的神经网络模型生成完整的神经网络模型。优选的，所述根据预设第二规则及所述指定层的神经网络模型生成完整的神经网络模型包括：根据所述指定层的神经网络模型生成位于所述指定层之前的层的神经网络模型直至得到第一层神经网络模型；根据所述指定层的神经网络模型生成位于所述指定层之后的层的神经网络模型直至得到最后一层神经网络模型。优选的，所述判断所述指定层是否为中间层包括：判断所述指定层是否为第一层；当确定所述指定层不为所述第一层时，判断所述指定层是否为最后一层；当确定所述指定层不为所述最后一层时，则确定所述指定层为中间层。优选的，当确定所述指定层不为所述中间层时，所述指定层包括：所述指定层为第一层但不为最后一层；所述指定层不为第一层但为最后一层；所述指定层为第一层且为最后一层。优选的，当所述指定层为第一层但不为最后一层时，则所述根据预设第一规则及所述指定层的神经网络模型生成完整的神经网络模型包括：根据所述指定层的神经网络模型逐步生成下一层神经网络模型直至生成最后一层神经网络模型，得到所述完整的神经网络模型；当所述指定层不为第一层但为最后一层时，则所述根据预设第一规则及所述指定层的神经网络模型生成完整的神经网络模型包括：根据所述指定层的神经网络模型逐步生成上一层神经网络模型直至生成第一层神经网络模型，得到所述完整的神经网络模型；当所述指定层为第一层且为最后一层时，则所述根据预设第一规则及所述指定层的神经网络模型生成完整的神经网络模型包括：将所述指定层的神经网络模型确定为所述完整的神经网络模型。优选的，所述获取待生成完整神经网络模型的参数包括以下一种或者多种的组合：获取显示界面上显示的参数输入框中的参数；获取命令行中的参数；获取预设文件并解析所述预设文件得到参数。本专利技术的第二方面提供一种神经网络模型生成装置，安装于电子设备中，所述装置包括：获取模块，用于获取待生成完整神经网络模型的参数，所述参数包括所述待生成完整神经网络模型的总层数以及指定层及对应所述指定层的约束；第一生成模块，用于根据所述总层数、所述指定层及对应所述指定层的约束，通过神经网络引擎生成所述指定层的神经网络模型；第二生成模块，用于根据所述指定层的神经网络模型生成完整的神经网络模型。本专利技术的第三方面提供一种电子设备，所述电子设备包括处理器，所述处理器用于执行存储器中存储的计算机程序时实现神经网络模型生成方法。本专利技术的第四方面提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现神经网络模型生成方法。本专利技术运用所述的神经网络模型生成方法，装置，电子设备及存储介质，获取待生成完整神经网络模型的总层数以及指定层及对应所述指定层的约束，根据所述总层数、所述指定层及对应所述指定层的约束，通过神经网络引擎生成所述指定层的神经网络模型，根据所述指定层的神经网络模型生成完整的神经网络模型。如果对某一层特别感兴趣，通过指定感兴趣的层并对指定的层进行约束从而对感兴趣的层进行有效的控制；获取到总层数、指定层及控制指定层的神经网络的输入来自其它多个指定层的神经网络的输出或者控制指定层的神经网络的输出为其他多个指定层的神经网络的输入等等，先生成指定层的神经网络模型，最后根据所生成的指定层的神经网络模型产生更加复杂的神经网络模型。生成的完整的神经网络模型能够根据用户的需求做到精细的控制。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1是现有神经网络模型的结构示意图。图2是本专利技术实施例一提供的神经网络模型生成方法的流程图。图3是本专利技术生成的两大类神经网络模型的示意图。图4是本专利技术实施例二提供的神经网络模型生成装置的结构图。图5是本专利技术实施例三提供的电子设备的示意图。如下具体实施方式将结合上述附图进一步说明本专利技术。具体实施方式为了能够更清楚地理解本专利技术的上述目的、特征和优点，下面结合附图和具体实施例对本专利技术进行详细描述。需要说明的是，在不冲突的情况下，本专利技术的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本较佳实施例中，所述神经网络模型生成方法应用于具备拍照或摄像功能的移动电子设备或者固定电子本文档来自技高网...

【技术保护点】
1.一种神经网络模型生成方法，应用于电子设备中，其特征在于，所述方法包括：/n获取待生成完整神经网络模型的参数，所述参数包括所述待生成完整神经网络模型的总层数以及指定层及对应所述指定层的约束；/n根据所述总层数、所述指定层及对应所述指定层的约束，通过神经网络引擎生成所述指定层的神经网络模型；/n根据所述指定层的神经网络模型生成完整的神经网络模型。/n

【技术特征摘要】
1.一种神经网络模型生成方法，应用于电子设备中，其特征在于，所述方法包括：
获取待生成完整神经网络模型的参数，所述参数包括所述待生成完整神经网络模型的总层数以及指定层及对应所述指定层的约束；
根据所述总层数、所述指定层及对应所述指定层的约束，通过神经网络引擎生成所述指定层的神经网络模型；
根据所述指定层的神经网络模型生成完整的神经网络模型。


2.如权利要求1所述的神经网络模型生成方法，其特征在于，所述根据所述指定层的神经网络模型生成完整的神经网络模型包括：
判断所述指定层是否为中间层；
当所述指定层为中间层时，根据预设第一规则及所述指定层的神经网络模型生成完整的神经网络模型；
当所述指定层不为中间层时，根据预设第二规则及所述指定层的神经网络模型生成完整的神经网络模型。


3.如权利要求2所述的神经网络模型生成方法，其特征在于，所述根据预设第二规则及所述指定层的神经网络模型生成完整的神经网络模型包括：
根据所述指定层的神经网络模型生成位于所述指定层之前的层的神经网络模型直至得到第一层神经网络模型；
根据所述指定层的神经网络模型生成位于所述指定层之后的层的神经网络模型直至得到最后一层神经网络模型。


4.如权利要求2所述的神经网络模型生成方法，其特征在于，所述判断所述指定层是否为中间层包括：
判断所述指定层是否为第一层；
当确定所述指定层不为所述第一层时，判断所述指定层是否为最后一层；
当确定所述指定层不为所述最后一层时，则确定所述指定层为中间层。


5.如权利要求4所述的神经网络模型生成方法，其特征在于，当确定所述指定层不为所述中间层时，所述指定层包括：
所述指定层为第一层但不为最后一层；
所述指定层不为第一层但为最后一层；
所述指定层为第一层且为最后一层。


6.如权利要求5所述的神经网络模型生成方...

【专利技术属性】
技术研发人员：田守政，
申请(专利权)人：深圳云天励飞技术有限公司，
类型：发明
国别省市：广东;44