模型转换方法、装置和设备制造方法及图纸

本申请提供一种模型转换方法、装置和设备，该方法包括：获取原始模型文件、量化图像集、模型转换配置信息；在接收到用户录入的自动转换指令时，获取所述用户在参数配置页面录入的多种量化精度；基于所述配置信息和所述量化图像集分别在每一种所述量化精度下创建多个针对所述原始模型文件的模型转换子任务；执行每个所述模型转换子任务，生成转换后模型集合，并从所述转换后模型集合中选取出目标模型。本申请节省了算法人员的时间，也避免了在多次操作过程中的所产生的误操作导致结果失败或者没有达到理想结果的问题，实现了最优模型的转换。型的转换。型的转换。

【技术实现步骤摘要】
模型转换方法、装置和设备


[0001]本申请涉及计算机
，具体而言，涉及一种模型转换方法、装置和设备。

技术介绍

[0002]模型转换是指将同一个神经网络模型移植到在不同芯片平台，以使算法模型适用于不同的平台。
[0003]当前，算法人员在进行模型转换时，往往需要一次一次的选择不同的模型量化精度、上传量化图像去进行多次模型转换，然后拿到转换后的几个模型再跑测试服务，然后才能根据测试结果中的相关指标挑选出最优的模型。
[0004]上述方案中，操作繁琐，如果开发人员对模型优化之后的结果不理想，想要再次进行转换时，仍然需要开发人员对同一个操作执行多次，浪费了大量时间成本。

技术实现思路

[0005]本申请实施例的目的在于提供一种模型转换方法、装置和设备，实现了最优模型的转换，同时节省了算法人员的时间，也避免了在多次操作过程中的所产生的误操作导致结果失败或者没有达到理想结果的问题。
[0006]本申请实施例第一方面提供了一种模型转换方法，包括：获取原始模型文件、量化图像集、模型转换配置信息；在接收到用户录入的自动转换指令时，获取所述用户在参数配置页面录入的多种量化精度；基于所述配置信息和所述量化图像集分别在每一种所述量化精度下创建多个针对所述原始模型文件的模型转换子任务；执行每个所述模型转换子任务，生成转换后模型集合，并从所述转换后模型集合中选取出目标模型。
[0007]于一实施例中，所述基于所述配置信息和所述量化图像集分别在每一种所述量化精度下创建多个针对所述原始模型文件模型转换子任务，包括：针对每种所述量化精度，采用所述量化精度对所述原始模型文件进行压缩处理，生成压缩后得模型文件；从所述量化图像集中分别为每种所述量化精度随机选取多个量化图像子集；基于所述配置信息和所述多个量化图像子集，创建针对所述压缩后模型文件得多个所述模型转换子任务。
[0008]于一实施例中，所述执行每个所述模型转换子任务，生成转换后模型集合，包括：针对每个所述模型转换子任务，将一个所述量化图像子集输入所述压缩后模型文件，对所述压缩后模型文件进行调参处理，得到一个转换后模型，所述转换后模型集合中包括每个所述模型转换子任务生成的所述转换后模型。
[0009]于一实施例中，所述配置信息中还包括：测试参数；所述从所述转换后模型集合中选取出目标模型，包括：采用预设的测试集和所述测试参数对所述转换后模型集合中的每个模型进行测试，输出测试结果；根据所述测试结果，从所述转换后模型集合中选取出测试指标得分最高的所述目标模型。
[0010]于一实施例中，在所述获取原始模型文件、量化图像集、模型转换配置信息之后，还包括：在没有接收到所述自动转换指令时，获取所述用户在参数配置页面录入的一种量
化精度；采用所述一种量化精度对所述原始模型文件进行压缩处理，生成压缩后模型文件；基于所述配置信息和所述量化图像集，创建针对所述压缩后模型文件的模型转换任务，并执行所述模型转换任务，生成转换后的模型。
[0011]本申请实施例第二方面提供了一种模型转换装置，包括：第一获取模块，用于获取原始模型文件、量化图像集、模型转换配置信息；第二获取模块，用于在接收到用户录入的自动转换指令时，获取所述用户在参数配置页面录入的多种量化精度；第一创建模块，用于基于所述配置信息和所述量化图像集分别在每一种所述量化精度下创建多个针对所述原始模型文件的模型转换子任务；执行模块，用于执行每个所述模型转换子任务，生成转换后模型集合，并从所述转换后模型集合中选取出目标模型。
[0012]于一实施例中，所述第一创建模块用于：针对每种所述量化精度，采用所述量化精度对所述原始模型文件进行压缩处理，生成压缩后模型文件；从所述量化图像集中分别为每种所述量化精度随机选取多个量化图像子集；基于所述配置信息和所述多个量化图像子集，创建针对所述压缩后模型文件的多个所述模型转换子任务。
[0013]于一实施例中，所述执行模块用于：针对每个所述模型转换子任务，将一个所述量化图像子集输入所述压缩后模型文件，对所述压缩后模型文件进行调参处理，得到一个转换后模型，所述转换后模型集合中包括每个所述模型转换子任务生成的所述转换后模型；以及所述配置信息中还包括：测试参数；所述执行模块还用于：采用预设的测试集和所述测试参数对所述转换后模型集合中的每个模型进行测试，输出测试结果；根据所述测试结果，从所述转换后模型集合中选取出测试指标得分最高的所述目标模型。
[0014]于一实施例中，第三获取模块，用于在所述获取原始模型文件、量化图像集、模型转换配置信息之后，在没有接收到所述自动转换指令时，获取所述用户在参数配置页面录入的一种量化精度；量化模块，用于采用所述一种量化精度对所述原始模型文件进行压缩处理，生成压缩后模型文件；第二创建模块，用于基于所述配置信息和所述量化图像集，创建针对所述压缩后模型文件的模型转换任务，并执行所述模型转换任务，生成转换后的模型。
[0015]本申请实施例第三方面提供了一种电子设备，包括：存储器，用以存储计算机程序；处理器，用以执行所述计算机程序，以实现本申请实施例第一方面及其任一实施例的方法。
[0016]本申请提供的模型转换方法、装置和设备，首先通过获取原始模型文件、量化图像集、模型转换配置信息，然后在接收到用户录入的自动转换指令时，获取用户在参数配置页面录入的多种量化精度，之后，基于配置信息和量化图像集分别在每一种量化精度下创建多个针对原始模型文件的模型转换子任务，最后，执行每个模型转换子任务，生成转换后模型集合，并从转换后模型集合中选取出目标模型，如此，节省了算法人员的时间，也避免了在多次操作过程中的所产生的误操作导致结果失败或者没有达到理想结果的问题，实现了最优模型的转换。
附图说明
[0017]为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看
作是对范围的限定，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，还可以根据这些附图获得其他相关的附图。
[0018]图1为本申请一实施例的电子设备的结构示意图；
[0019]图2为本申请一实施例的模型转换方法的流程示意图；
[0020]图3为本申请一实施例的模型转换方法的流程示意图；
[0021]图4为本申请一实施例的模型转换装置的结构示意图。
具体实施方式
[0022]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0023]如图1所示，本实施例提供一种电子设备1，包括：至少一个处理器11和存储器12，图1中以一个处理器为例。处理器11和存储器12通过总线10连接。存储器12存储有可被处理器11执行的指令，指令被处理器11执行，以使电子设备1可执行下述的实施例中方法的全部或部本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型转换方法，其特征在于，包括：获取原始模型文件、量化图像集、模型转换配置信息；在接收到用户录入的自动转换指令时，获取所述用户在参数配置页面录入的多种量化精度；基于所述配置信息和所述量化图像集分别在每一种所述量化精度下创建多个针对所述原始模型文件的模型转换子任务；执行每个所述模型转换子任务，生成转换后模型集合，并从所述转换后模型集合中选取出目标模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述配置信息和所述量化图像集分别在每一种所述量化精度下创建多个针对所述原始模型文件的模型转换子任务，包括：针对每种所述量化精度，采用所述量化精度对所述原始模型文件进行压缩处理，生成压缩后模型文件；从所述量化图像集中分别为每种所述量化精度随机选取多个量化图像子集；基于所述配置信息和所述多个量化图像子集，创建针对所述压缩后模型文件的多个所述模型转换子任务。3.根据权利要求2所述的方法，其特征在于，所述执行每个所述模型转换子任务，生成转换后模型集合，包括：针对每个所述模型转换子任务，将一个所述量化图像子集输入所述压缩后模型文件，对所述压缩后模型文件进行调参处理，得到一个转换后模型，所述转换后模型集合中包括每个所述模型转换子任务生成的所述转换后模型。4.根据权利要求1所述的方法，其特征在于，所述配置信息中还包括：测试参数；所述从所述转换后模型集合中选取出目标模型，包括：采用预设的测试集和所述测试参数对所述转换后模型集合中的每个模型进行测试，输出测试结果；根据所述测试结果，从所述转换后模型集合中选取出测试指标得分最高的所述目标模型。5.根据权利要求1所述的方法，其特征在于，在所述获取原始模型文件、量化图像集、模型转换配置信息之后，还包括：在没有接收到所述自动转换指令时，获取所述用户在参数配置页面录入的一种量化精度；采用所述一种量化精度对所述原始模型文件进行压缩处理，生成压缩后模型文件；基于所述述配置信息和所述量化图像集，创建针对所述压缩后模型文件的模型转换任务，并执行所述模型转换任务，生成转换后的模型。6.一种模型转换装置，其特征在于，包括：第...

【专利技术属性】
技术研发人员：雷翔，张发恩，刘亚萍，丁昂，周江涛，
申请(专利权)人：重庆赛迪奇智人工智能科技有限公司，
类型：发明
国别省市：