神经网络模型的构建方法、图像处理方法、设备及介质技术

本申请涉及人工智能技术领域，具体涉及一种神经网络模型的构建方法、图像处理方法、设备及介质。在本申请方法中，利用具有与特定目标硬件平台上的某应用，例如手机人脸识别解锁应用所需的目标神经网络模型相同或相似用途的神经网络模型所采用的算子构建目标算子候选集，然后从目标算子候选集中选取至少部分算子构建满足层数要求的多个神经网络模型，再基于测试数据对上述多个神经网络模型进行测试，得到各神经网络模型的测试结果，并将测试结果满足预设条件的神经网络模型确定为目标神经网络模型。如此，即可得到适应手机硬件条件，且符合手机人脸识别解锁应用所需目标神经网络模型，充分利用手机的硬件资源，例如处理器资源、存储空间等。存储空间等。存储空间等。

【技术实现步骤摘要】
神经网络模型的构建方法、图像处理方法、设备及介质


[0001]本申请涉及人工智能
，具体涉及一种神经网络模型的构建方法、图像处理方法、设备及介质。

技术介绍

[0002]神经网络模型是由算子(operator)组成的一个计算网络。其中，算子指的是神经网络模型中各层所做的各种运算，例如神经网络模型的卷积层对神经网络模型的输入数据所做的卷积运算即为卷积算子。
[0003]在实际的神经网络模型的应用中，可以采用不同的硬件来实现神经网络模型的算子，比如对于上述卷积算子，便可以采用图像处理单元(graphics processing unit，GPU)、中央处理器(central processing unit，CPU)、机器学习单元(machine learning unit)或者现场可编程阵列(field programmable gate array，FPGA)等硬件实现神经网络模型中的算子。
[0004]但是不同的硬件的处理能力、可支持带宽等性能以及存储空间不同，为了更大程度发挥硬件的性能，需要针对特定的硬件，为其选择更适合的神经网络模型。

技术实现思路

[0005]有鉴于此，本申请提供了一种神经网络模型的构建方法、图像处理方法、设备及介质。通过本申请一些实施例提供的一种神经网络模型的构建方法，可得到适应目标硬件平台约束条件，且符合目标硬件平台上特定应用所需目标神经网络模型，充分利用手机的硬件资源，例如处理器资源、存储空间等。
[0006]第一方面，本申请实施例提供了一种神经网络模型的构建方法，该方法可应用于电子设备，方法包括：确定目标算子候选集，目标算子候选集中包括至少一个算子；基于预设的功能需求，从目标算子候选集中选取算子和/或算子的组合，以构建多个第一神经网络模型，利用测试数据和运行目标神经网络模型的电子设备的硬件约束条件，分别对多个第一神经网络模型进行测试，以获得对应于各个第一神经网络模型的性能测试结果；基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从多个第一神经网络模型中确定目标神经网络模型。
[0007]其中，在一些实施例中，确定目标算子候选集指的是，利用满足预设的功能需求的神经网络模型所使用的算子，来构建或是更新目标算子候选集。其中，在一些实施例中，预设的功能需求是根据安装在电子设备上的第一应用所需的神经网络模型的功能或用途确定的。
[0008]示例性地，安装在电子设备上的第一应用包括目标电子设备的系统应用，其中，系统应用包括人脸识别解锁应用。那么根据人脸识别解锁应用的所需的神经网络模型的功能可以确定预设的功能需求为“图像识别”，那么在确定目标算子候选集时，就利用功能与“图像识别”相同或相似的神经网络模型所使用的算子，来构建目标算子候选集。
[0009]可以理解，上述安装在目标电子设备上的第一应用还可以是其他第三方应用，例如视频应用、聊天应用等等，本申请对此不作限制。
[0010]在确定目标算子候选集后，在利用目标算子候选中的算子或算子的组合，来构建多个第一神经网络模型，可以理解，由于第一神经网络模型使用的算子为满足预设的功能需求的神经网络模型所使用的算子，故第一神经网络模型的功能也满足预设的功能需求。
[0011]其中，在一些实施例中，上述电子设备的硬件约束条件包括目标电子设备的处理能力以及存储空间。可以理解，电子设备的处理能力越弱、存储空间越小，目标电子设备的硬件约束条件越严格，则目标神经网络模型的网络层数也会越少。
[0012]故，利用测试数据和上述硬件约束条件，对第一神经网络模型进行测试得到各个第一神经网络模型的性能测试结果，可以从各个第一神经网络模型的性能测试结果，确定出比较适应上述电子设备的第一神经网络模型，并从中根据各第一神经网络模型的性能测试结果与第一预设条件的比较结果，进一步确定出目标神经网络模型。
[0013]通过上述方法，即可得到适应电子设备的硬件约束条件，且功能满足预设的功能需求的神经网络模型。
[0014]结合第一方面，在第一方面的一种可能的实现方式中，基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从多个第一神经网络模型中确定目标神经网络模型，包括：基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从多个第一神经网络模型中，确定性能测试结果满足第一预设条件的至少一个第二神经网络模型；基于第二预设条件，从至少一个第二神经网络模型中确定目标神经网络模型。
[0015]也即是，从第一神经网络模型中选择出性能测试结果满足第一预设条件的第二神经网络模型，然后在从第二神经网络模型中，选择出性能测试结果满足第二预设条件的目标神经网络模型。其中，在一些实施例中，性能测试结果包括性能综合评分，基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从多个第一神经网络模型中，确定性能测试结果满足第一预设条件的至少一个第二神经网络模型包括：将性能综合评分大于作为第一预设条件的第一阈值的神经网络模型作为第二神经网络模型，以及基于第二预设条件，从至少一个第二神经网络模型中确定目标神经网络模型包括：将第二神经网络模型中，性能综合评分最高的神经网络模型作为目标神经网络模型。
[0016]也即是，将第一神经网络模型中性能综合评分大于第一阈值(例如是50分)的第一神经网络模型作为第二神经网络模型，然后从第二神经网络模型中，将性能综合评分最高的神经网络模型作为目标神经网络模型。其中，在一些实施例中，性能综合评分指的是神经网络模型的精确度指标、运行神经网络模型时所消耗的带宽、运行神经网络模型所耗费的时长等因素综合决定的评分。
[0017]在一些实施例中，如果第二神经网络模型中性能综合评分最高的神经网络模型有多个，则从这些神经网络模型中，根据具体的需求，选择神经网络模型的精确度指标最高、或者运行神经网络模型时所消耗的带宽最小，或者运行神经网络模型所耗费的时长最短的审计净网络模型作为目标神经网络模型，本申请对此不作限制。
[0018]结合第一方面及上述可能的实现方式，在第一方面的一种可能的实现方式中，基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从多个第一神经网络模型中确定目标神经网络模型，包括：基于每个第一神经网络模型的性能测试结果与第
一预设条件的比较结果，从多个第一神经网络模型中确定目标神经网络模型，包括基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从性能测试结果不满足第一预设条件的至少一个第一神经网络模型中，基于该至少一个第一神经网络模型的性能测试结果与第三预设条件的比较结果，确定至少一个第三神经网络模型；从至少一个第三神经网络模型中，确定目标神经网络模型。
[0019]也即是，当第一神经网络模型的性能测试结果均不满足第一预设条件，则从第一神经网络模型中，选择性能测试结果满足第三预设条件的第三神经网络模型。
[0020]在一些实施例中，基于每个第一神经网络模型的性能测试结果与第一预设条件的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络模型的构建方法，应用于电子设备，其特征在于，所述方法包括：确定目标算子候选集，所述目标算子候选集中包括至少一个算子；基于预设的功能需求，从所述目标算子候选集中选取算子和/或算子的组合，以构建多个第一神经网络模型，利用测试数据和运行目标神经网络模型的电子设备的硬件约束条件，分别对所述多个第一神经网络模型进行测试，以获得对应于各个第一神经网络模型的性能测试结果；基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从多个所述第一神经网络模型中确定目标神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从多个所述第一神经网络模型中确定目标神经网络模型，包括：基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从所述多个第一神经网络模型中，确定性能测试结果满足第一预设条件的至少一个第二神经网络模型；基于第二预设条件，从至少一个所述第二神经网络模型中确定所述目标神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述性能测试结果包括性能综合评分，所述基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从所述多个第一神经网络模型中，确定性能测试结果满足第一预设条件的至少一个第二神经网络模型包括：将性能综合评分大于作为第一预设条件的第一阈值的神经网络模型作为所述第二神经网络模型，以及所述基于第二预设条件，从至少一个所述第二神经网络模型中确定所述目标神经网络模型包括：将所述第二神经网络模型中，性能综合评分最高的神经网络模型作为所述目标神经网络模型。4.根据权利要求1所述的方法，其特征在于，所述基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从多个所述第一神经网络模型中确定目标神经网络模型，包括：基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从多个所述第一神经网络模型中确定目标神经网络模型，包括基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从性能测试结果不满足第一预设条件的至少一个第一神经网络模型中，基于该至少一个第一神经网络模型的性能测试结果与第三预设条件的比较结果，确定至少一个第三神经网络模型；从所述至少一个第三神经网络模型中，确定目标神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述基于每个第一神经网络模型的性能测试结果与第一预设条件的比较结果，从性能测试结果不满足第一预设条件的至少一个第一神经网络模型中，基于该至少一个第一神经网络模型的性能测试结果与第三预设条件的比较结果，确定至少一个第三神经网络模型包括：在所述第一神经网络模型的性能综合评分均小于作为第一预设条件的第一阈值的的
情况下，从所述第一神经网络模型中选择性能综合评分大于预设性能测试结果阈值的神经网络模型作为所述第三神经网络模型。6.根据...

【专利技术属性】
技术研发人员：刘超，袁文宇，
申请(专利权)人：安谋科技中国有限公司，
类型：发明
国别省市：