【技术实现步骤摘要】
一种基于嵌入式AIOT平台的神经网络模型裁剪方法
[0001]本专利技术涉及人工智能、模式识别领域
，特别涉及一种基于嵌入式AIOT平台的神经网络模型裁剪方法。
技术介绍
[0002]目前，深度学习(deep learning)作在解决高级抽象认知问题上有着显著的成果，使人工智能上了一个新台阶，为高精度、多种类的目标检测、识别与跟踪提供了技术基础。但是复杂的运算，庞大的资源需求，使得神经网络只能在高性能计算平台上部署，限制了在移动设备上的应用。2015年，Han发表的Deep Compression将网络模型裁剪、权值共享和量化、编码等方式运用在模型压缩上，使得模型存储实现了很好的效果，也引起了研究人员对网络压缩方法的研究。目前深度学习模型压缩裁剪方法的研究主要可以分为以下几个方向：(1)更精细模型的设计，使用更加细致、高效的模型设计，能够很大程度的减少模型尺寸，并且也具有不错的性能。
[0003](2)模型裁剪，结构复杂的网络具有非常好的性能，其参数也存在冗余，因此对于已训练好的模型网络，通常是寻找一种有效的...
【技术保护点】
【技术特征摘要】
1.一种基于嵌入式AIOT平台的神经网络模型裁剪方法，其特征在于，包括：获取嵌入式AIOT平台的场景数据，并将所述场景数据转化为样本数据；将所述样本数据导入预设的神经网络模型进行训练，确定训练的模型参数；将不同数据类型的训练数据对应的模型参数进行特征值转化；获取转化后的特征值，并进行场景建模，对建模后的场景进行评判，确定失真场景；根据所述失真场景确定对应的模型参数，并进行模型参数移除。2.如权利要求1所述的一种基于嵌入式AIOT平台的神经网络模型裁剪方法，其特征在于，所述获取嵌入式AIOT平台的场景数据，包括：根据所述嵌入式AIOT平台，确定所述场景数据的采集设备；根据所述采集设备，对所述嵌入式AIOT平台采集的实时场景数据进行分布标记和类型标记；根据所述分布标记，建立数据分布图谱，并基于所述数据分布图谱建立异常数据池和标准数据池；根据所述类型标记，对不同类型的实时场景数据进行多维度检验，判断所述实时场景数据是否存在异常点；其中，所述多维度检验包括：空间维度检验、时间维度检验；将存在异常点的实时场景数据储存至所述是常数据池；将不存在异常点的实时场景数据进行数据溯源，进行多源数据划分；其中，所述多源数据划分包括：关联数据源数据划分和独立数据源数据划分；根据所述多源数据划分，对多源数据划分的实时场景数据进行多源值计算；其中，所述多源值计算包括：对关联数据源数据划分的数据进行关联性计算，确定第一关联值；对独立数据源数据划分的数据进行独立性计算，确定独立值；根据所述第一关联值，对对应的实时场景数据的采集设备进行关联性计算，获取第二关联值，判断所述第一关联值和第二关联值的差异度是否在预设的差异度阈值之内，并将差异度不在预设的差异度阈值之内的实时场景数据导入所述异常数据池，将差异度在预设的差异度阈值之内的实时场景数据导入所述标准数据池；根据所述独立值，获取对应的实时场景数据的采集记录，确定数据生成流程；根据所述数据生成流程，进行流程合理性效验，判断数据生成流程是否合理；其中，所述流程合理性效验包括：流程一致性效验、流程矛盾性效验和流程执行结果预测的预测效验；当数据生成流程合理时，将对应的实时场景数据导入所述标准数据池；当数据生成流程不合理时，将对应的实时场景数据导入所述异常数据池；根据所述标准数据池，确定场景数据。3.如权利要求1所述的一种基于嵌入式AIOT平台的神经网络模型裁剪方法，其特征在于，所述将所述场景数据转化为样本数据，包括：对所述场景数据进行类型划分，生成多个不同类型场景数据的数据子集；对每个数据子集的每个场景数据进行权重计算，并根据所述权重值对每个数据子集的数据进行权重排序，并将每个数据子集按照所述权重排序划分为相同的数据组数；
根据所述数据组数，将不同数据子集的场景数据进行融合，生成所述数据组数的样本组，并将所述样本组作为样本数据。4.如权利要求1所述的一种基于嵌入式AIOT平台的神经网络模型裁剪方法，其特征在于，所述将所述场景数据转化为样本数据，还包括：根据所述数据组数，确定样本数据量；根据所述样本数据量，将所述样本组进行聚类分析，生成聚类参数；根据所述聚类参数建立样本相似性矩阵和样本权重矩阵；...
【专利技术属性】
技术研发人员：刘斌立，
申请(专利权)人：北京寓科未来智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。