一种状态检测模型训练方法及装置、状态检测方法及装置制造方法及图纸

本申请提供了一种状态检测模型训练方法及装置、状态检测方法及装置，该状态检测模型训练方法包括：获取多个已完成订单对应的服务提供方在服务过程中的样本数据；每个样本数据包括浮点型图像数据以及该浮点型图像数据对应的状态检测结果；将每一个浮点型图像数据作为状态检测模型的输入，将该浮点型图像数据对应的状态检测结果作为状态检测模型的输出，训练状态检测模型的模型参数，得到训练好的浮点型模型参数；基于目标量化系数对浮点型模型参数进行量化处理，得到包括整型模型参数和目标量化系数的状态检测模型,该整型模型参数的存储空间小于浮点型模型参数的存储空间。本申请减少了模型的占用资源，提高了模型的计算速度及模型的处理效率。

【技术实现步骤摘要】
一种状态检测模型训练方法及装置、状态检测方法及装置
本申请涉及数据处理
，具体而言，涉及一种状态检测模型训练方法及装置、状态检测方法及装置。
技术介绍
目前，随着互联网的快速发展，越来越多的互联网产品被人们使用，比如网约车产品。网约车平台能够为乘客提供多种出行服务，具体由司机提供服务，在服务过程中，司机的服务状态很重要，比如，当司机疲劳驾驶会影响乘客和司机的人身安全。因此，网约车平台预先训练司机的开车过程中的状态检测模型，即驾驶员监控系统(DMS，drivermonitorsystem)，通过获取司机在订单服务过程中的图像数据，并基于图像数据和状态检测模型，检测该司机在服务过程中的状态。但是，现有技术中的状态检测模型会占用较多的处理资源，进而导致处理效率低。
技术实现思路
有鉴于此，本申请的目的在于提供一种状态检测模型训练方法及装置、状态检测方法及装置，能够减少状态检测模型占用的服务处理资源，提高了状态检测模型的处理效率。第一方面，本申请实施例提供了一种状态检测模型训练方法，所述方法包括：获取多个已完成订单对应的服务提供方在服务过程中的样本数据；其中，每个所述样本数据包括浮点型图像数据以及该浮点型图像数据对应的状态检测结果；将每一个所述浮点型图像数据作为状态检测模型的输入，将该浮点型图像数据对应的状态检测结果作为所述状态检测模型的输出，训练所述状态检测模型的模型参数，得到训练好的浮点型模型参数；基于目标量化系数对所述浮点型模型参数进行量化处理，得到包括整型模型参数和所述目标量化系数的状态检测模型；其中，所述整型模型参数对应的存储空间小于所述浮点型模型参数对应的存储空间。在一种可能的实施方式中，确定所述浮点型模型参数对应的目标量化系数，包括：获取所述浮点型模型参数的最大参数值和最小参数值；获取目标整型存储范围的最大存储值和最小存储值；根据所述浮点型模型参数的最大数值和最小数值、所述目标整型存储范围的最大数值和最小数值，确定目标量化系数；其中，基于所述目标量化系数分别对所述最大参数值和最小参数值的处理结果位于所述目标整型存储范围内。在一种可能的实施方式中，所述根据所述浮点型模型参数的最大数值和最小数值、所述目标整型存储范围的最大数值和最小数值，确定目标量化系数，包括：基于所述浮点型模型参数的最小参数值、待确定目标量化系数、待确定偏置系数和所述目标整型存储范围的最小存储值，生成第一运算式；基于所述浮点型模型参数的最大参数值、待确定目标量化系数、待确定偏置系数和所述目标整型存储范围的最大存储值，生成第二运算式；基于所述第一运算式和所述第二运算式，确定所述目标量化系数。在一种可能的实施方式中，所述方法还包括：根据所述状态检测模型的模型层数和参数量，确定所述目标整型存储范围。本申请实施例提供的状态检测模型训练方法，在通过对状态检测模型进行训练，得到训练好的包括高精度浮点型模型参数的状态检测模型后，对该状态检测模型的高精度浮点型模型参数进行量化处理，得到该状态检测模型的整型模型参数，减少了模型占用的存储资源，并且，在模型应用的过程中，通过整型模型参数进行处理，提高了模型的计算速度，减少模型计算过程中消耗的处理资源，提高了处理效率。第二方面，本申请实施例还提供了一种状态检测模型训练方法，所述方法包括：获取多个已完成订单对应的服务提供方在服务过程中的样本数据；其中，每个所述样本数据包括浮点型图像数据以及该浮点型图像数据对应的状态检测结果；基于第一量化系数对所述浮点型图像数据进行量化处理，得到整型图像数据，以及，基于第二量化系数对状态检测模型的浮点型模型参数进行量化处理，得到整型模型参数；将每一个所述整型图像数据和所述第一量化系数作为所述状态检测模型的输入，将该整型图像数据对应的状态检测结果作为所述状态检测模型的输出，并基于所述整型模型参数和所述第二量化系数，训练所述状态检测模型的模型参数，得到训练好的包括目标整型模型参数和目标第二量化参数的状态检测模型。在一种可能的实施方式中，确定所述浮点型图像数据对应的第一量化系数，包括：获取所述浮点型图像数据的最大图像数据和最小图像数据；获取第一整型存储范围的最大存储值和最小存储值；根据所述最大图像数据、所述最小图像数据、所述最大存储值和所述最小存储值，确定第一量化系数；其中，基于所述第一量化系数分别对所述最大图像数据和所述最小图像数据的处理结果位于所述第一整型存储范围内。在一种可能的实施方式中，所述根据所述最大图像数据、所述最小图像数据、所述最大存储值和所述最小存储值，确定第一量化系数，包括：基于所述最小图像数据、待确定第一量化系数、待确定偏置系数和所述第一整型存储范围的最小存储值，生成第一运算式；基于所述最大图像数据、待确定第一量化系数、待确定偏置系数和所述第一整型存储范围的最大存储值，生成第二运算式；基于所述第一运算式和所述第二运算式，确定所述第一量化系数。在一种可能的实施方式中，所述方法还包括：根据所述状态检测模型的模型层数和参数量，确定所述第一整型存储范围。在一种可能的实施方式中，所述状态检测模型包括输入层、多个中间层和输出层；其中，每一个中间层对应一个浮点型模型参数，该浮点型模型参数对应一个整型模型参数和一个第二量化系数；在对所述状态检测模型的模型参数进行训练的过程中，所述方法还包括：针对每一个中间层，获取该中间层的输入数据，若所述输入数据位于第二整型存储范围内，则确定所述输入数据对应的第三量化系数，并基于所述第三量化系数对所述输入数据进行量化处理，得到量化输入数据和第四量化系数；基于所述量化输入数据、所述第四量化系数、该中间层对应的整型模型参数以及所述整型模型参数对应的第二量化系数，确定该中间层的输出结果；其中，所述输入数据包括所述整型图像数据和所述第一量化系数，或者包括基于该中间层的上一层的输入数据、所述上一层对应的整型模型参数、该整型模型参数对应的第二量化系数确定的数据；所述第二整型存储范围大于所述第一整型存储范围。在一种可能的实施方式中，在对所述状态检测模型的模型参数进行训练的过程中，所述方法还包括：获取对所述状态检测模型的模型参数进行训练所应用的运算式；若所述运算式中存在第三运算式，则基于目标展开公式对所述第三运算式进行展开，得到展开后的第四运算式；基于对展开后的第四运算式的计算结果，训练所述状态检测模型的模型参数。本申请实施例提供的状态检测模型训练方法，在对状态检测模型进行训练的过程中，对状态检测模型的高精度浮点型模型参数和训练模型所用的浮点型图像数据进行量化处理，基于量化后的整型模型参数和整型图像数据以及相应的量化系数训练状态检测模型，得到训练好的包括目标整型模型参数和目标第二量化参数的状态检测模型；这样，通过在对状态检测模型进行训练的量化处理，减少了模型训练过程中消耗的处理资源，也减少本文档来自技高网...

【技术保护点】
1.一种状态检测模型训练方法，其特征在于，所述方法包括：/n获取多个已完成订单对应的服务提供方在服务过程中的样本数据；其中，每个所述样本数据包括浮点型图像数据以及该浮点型图像数据对应的状态检测结果；/n将每一个所述浮点型图像数据作为状态检测模型的输入，将该浮点型图像数据对应的状态检测结果作为所述状态检测模型的输出，训练所述状态检测模型的模型参数，得到训练好的浮点型模型参数；/n基于目标量化系数对所述浮点型模型参数进行量化处理，得到包括整型模型参数和所述目标量化系数的状态检测模型；其中，所述整型模型参数对应的存储空间小于所述浮点型模型参数对应的存储空间。/n

【技术特征摘要】
1.一种状态检测模型训练方法，其特征在于，所述方法包括：
获取多个已完成订单对应的服务提供方在服务过程中的样本数据；其中，每个所述样本数据包括浮点型图像数据以及该浮点型图像数据对应的状态检测结果；
将每一个所述浮点型图像数据作为状态检测模型的输入，将该浮点型图像数据对应的状态检测结果作为所述状态检测模型的输出，训练所述状态检测模型的模型参数，得到训练好的浮点型模型参数；
基于目标量化系数对所述浮点型模型参数进行量化处理，得到包括整型模型参数和所述目标量化系数的状态检测模型；其中，所述整型模型参数对应的存储空间小于所述浮点型模型参数对应的存储空间。


2.根据权利要求1所述的状态检测模型训练方法，其特征在于，确定所述浮点型模型参数对应的目标量化系数，包括：
获取所述浮点型模型参数的最大参数值和最小参数值；
获取目标整型存储范围的最大存储值和最小存储值；
根据所述浮点型模型参数的最大数值和最小数值、所述目标整型存储范围的最大数值和最小数值，确定目标量化系数；其中，基于所述目标量化系数分别对所述最大参数值和最小参数值的处理结果位于所述目标整型存储范围内。


3.根据权利要求2所述的状态检测模型训练方法，其特征在于，所述根据所述浮点型模型参数的最大数值和最小数值、所述目标整型存储范围的最大数值和最小数值，确定目标量化系数，包括：
基于所述浮点型模型参数的最小参数值、待确定目标量化系数、待确定偏置系数和所述目标整型存储范围的最小存储值，生成第一运算式；
基于所述浮点型模型参数的最大参数值、待确定目标量化系数、待确定偏置系数和所述目标整型存储范围的最大存储值，生成第二运算式；
基于所述第一运算式和所述第二运算式，确定所述目标量化系数。


4.根据权利要求2所述的状态检测模型训练方法，其特征在于，所述方法还包括：
根据所述状态检测模型的模型层数和参数量，确定所述目标整型存储范围。


5.一种状态检测模型训练方法，其特征在于，所述方法包括：
获取多个已完成订单对应的服务提供方在服务过程中的样本数据；其中，每个所述样本数据包括浮点型图像数据以及该浮点型图像数据对应的状态检测结果；
基于第一量化系数对所述浮点型图像数据进行量化处理，得到整型图像数据，以及，基于第二量化系数对状态检测模型的浮点型模型参数进行量化处理，得到整型模型参数；
将每一个所述整型图像数据和所述第一量化系数作为所述状态检测模型的输入，将该整型图像数据对应的状态检测结果作为所述状态检测模型的输出，并基于所述整型模型参数和所述第二量化系数，训练所述状态检测模型的模型参数，得到训练好的包括目标整型模型参数和目标第二量化参数的状态检测模型。


6.根据权利要求5所述的状态检测模型训练方法，其特征在于，确定所述浮点型图像数据对应的第一量化系数，包括：
获取所述浮点型图像数据的最大图像数据和最小图像数据；
获取第一整型存储范围的最大存储值和最小存储值；
根据所述最大图像数据、所述最小图像数据、所述最大存储值和所述最小存储值，确定第一量化系数；其中，基于所述第一量化系数分别对所述最大图像数据和所述最小图像数据的处理结果位于所述第一整型存储范围内。


7.根据权利要求6所述的状态检测模型训练方法，其特征在于，所述根据所述最大图像数据、所述最小图像数据、所述最大存储值和所述最小存储值，确定第一量化系数，包括：
基于所述最小图像数据、待确定第一量化系数、待确定偏置系数和所述第一整型存储范围的最小存储值，生成第一运算式；
基于所述最大图像数据、待确定第一量化系数、待确定偏置系数和所述第一整型存储范围的最大存储值，生成第二运算式；
基于所述第一运算式和所述第二运算式，确定所述第一量化系数。


8.根据权利要求6所述的状态检测模型训练方法，其特征在于，所述方法还包括：
根据所述状态检测模型的模型层数和参数量，确定所述第一整型存储范围。


9.根据权利要求6所述的状态检测模型训练方法，其特征在于，所述状态检测模型包括输入层、多个中间层和输出层；其中，每一个中间层对应一个浮点型模型参数，该浮点型模型参数对应一个整型模型参数和一个第二量化系数；在对所述状态检测模型的模型参数进行训练的过程中，所述方法还包括：
针对每一个中间层，获取该中间层的输入数据，若所述输入数据位于第二整型存储范围内，则确定所述输入数据对应的第三量化系数，并基于所述第三量化系数对所述输入数据进行量化处理，得到量化输入数据和第四量化系数；基于所述量化输入数据、所述第四量化系数、该中间层对应的整型模型参数以及所述整型模型参数对应的第二量化系数，确定该中间层的输出结果；其中，所述输入数据包括所述整型图像数据和所述第一量化系数，或者包括基于该中间层的上一层的输入数据、所述上一层对应的整型模型参数、该整型模型参数对应的第二量化系数确定的数据；所述第二整型存储范围大于所述第一整型存储范围。


10.根据权利要求5所述的状态检测模型训练方法，其特征在于，在对所述状态检测模型的模型参数进行训练的过程中，所述方法还包括：
获取对所述状态检测模型的模型参数进行训练所应用的运算式；
若所述运算式中存在第三运算式，则基于目标展开公式对所述第三运算式进行展开，得到展开后的第四运算式；
基于对展开后的第四运算式的计算结果，训练所述状态检测模型的模型参数。


11.一种状态检测方法，其特征在于，应用于状态检测模型，所述状态检测模型是基于权利要求1-4任一项所述的状态检测模型训练方法训练得到的，或者，是基于权利要求5-10任一项所述的状态检测模型训练方法训练得到的，所述方法包括：
获取目标订单对应的服务提供方的待处理浮点型图像数据；
根据第一量化系数对所述待处理浮点型图像数据进行量化处理，得到待处理整型图像数据；
将所述待处理整型图像数据输入到预先训练好的所述状态检测模型中，得到所述状态检测模型的输出结果；
基于所述状态检测模型的输出结果，确定所述目标订单对应的服务提供方的状态信息。


12.根据权利要求11所述的状态检测方法，其特征在于，确定所述待处理浮点型图像数据对应的所述第一量化系数，包括：
获取所述待处理浮点型图像数据的最大图像数据和最小图像数据；
获取第一整型存储范围的最大存储值和...

【专利技术属性】
技术研发人员：林航东，张法朝，徐志远，唐剑，
申请(专利权)人：北京嘀嘀无限科技发展有限公司，
类型：发明
国别省市：北京;11