构建神经网络模型的方法和装置制造方法及图纸

本申请公开了一种构建神经网络模型的方法和装置，属于人工智能技术领域。所述方法包括：在神经网络模型中除卷积层以外的网络层中，确定目标非卷积层，基于存储的非卷积层的类型和卷积层的属性参数之间的对应关系，获取用于替换所述目标非卷积层的目标卷积层的属性参数，基于目标卷积层的属性参数构建所述目标卷积层，将目标非卷积层替换为所述目标卷积层，得到替换后的神经网络模型。采用本申请，可以提高神经网络模型的整体计算效率。以提高神经网络模型的整体计算效率。以提高神经网络模型的整体计算效率。

【技术实现步骤摘要】
构建神经网络模型的方法和装置


[0001]本申请涉及人工智能
，特别涉及一种构建神经网络模型的方法和装置。

技术介绍

[0002]随着人工智能的不断发展，各行各业对神经网络模型的计算效率也有越来越高的要求。
[0003]目前，为了提高对神经网络模型的计算效率，通常将计算芯片的架构设计成专用计算核和通用计算核的组合。其中，专用计算核的计算性能要强于通用计算核。专用计算核用于执行神经网络模型中特定算法的网络层，如卷积层，通用计算核用于执行神经网络模型中的其他网络层。
[0004]在上述的计算芯片的架构下，通用计算核对于神经网络模型中除上述特定算法的网络层外的其他网络层的计算效率，要低于专用计算核对于神经网络模型中的上述特定算法的网络层的计算效率。这就导致计算芯片对于神经网络模型的整体计算效率受到通用计算核对上述其他网络层的计算效率的限制，无法提升。

技术实现思路

[0005]本申请实施例提供了一种构建神经网络模型的方法和装置，可以提高神经网络模型的整体计算效率。所述技术方案如下：
[0006]第一方面，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种构建神经网络模型的方法，其特征在于，所述方法包括：在神经网络模型中除卷积层以外的网络层中，确定目标非卷积层；基于存储的非卷积层的类型和卷积层的属性参数之间的对应关系，获取用于替换所述目标非卷积层的目标卷积层的属性参数；基于所述目标卷积层的属性参数构建所述目标卷积层，将所述目标非卷积层替换为所述目标卷积层，得到替换后的神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述卷积层的属性参数包括卷积核输入通道数、卷积核个数、卷积核滑窗尺寸、卷积核滑窗大小、卷积核计算时的补边大小以及卷积核的权重值。3.根据权利要求2所述的方法，其特征在于，所述目标非卷积层的类型包括转移passthrough层和/或平均池化average pooling层。4.根据权利要求3所述的方法，其特征在于，所述目标非卷积层的类型为passthrough层，所述基于存储的非卷积层的类型和卷积层的属性参数之间的对应关系，获取用于替换所述目标非卷积层的目标卷积层的属性参数，包括：将所述目标非卷积层的输入特征图像的通道数，作为所述目标卷积层的卷积核输入通道个数；将4倍的所述目标非卷积层的输入特征图像的通道数，作为所述目标卷积层的卷积核个数；获取存储的passthrough层对应的卷积层的卷积核滑窗尺寸、卷积核滑窗大小、卷积核计算时的补边大小以及卷积核的权重值，分别作为所述目标卷积层的卷积核滑窗尺寸、卷积核滑窗大小、卷积核计算时的补边大小以及卷积核的权重值。5.根据权利要求3所述的方法，其特征在于，所述目标非卷积层的类型为average pooling层，所述基于存储的非卷积层的类型和卷积层的属性参数之间的对应关系，获取用于替换所述目标非卷积层的目标卷积层的属性参数，包括：将所述目标非卷积层的输入特征图像的通道数，作为所述目标卷积层的卷积核个数；获取存储的average pooling层对应的卷积层的卷积核输入通道个数，作为所述目标卷积层的卷积核输入通道个数；将所述目标非卷积层的滑窗大小、滑窗跨度大小和补边大小，分别作为所述目标卷积层的卷积核滑窗尺寸、卷积核滑窗大小、卷积核计算时的补边大小；将所述目标非卷积层的滑窗的长和宽乘积的倒数，作为所述目标卷积层的卷积核的权重值。6.根据权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：将目标图像...

【专利技术属性】
技术研发人员：周智强，蒋运超，叶挺群，
申请(专利权)人：杭州海康威视数字技术股份有限公司，
类型：发明
国别省市：