【技术实现步骤摘要】
算法方案部署方法及相关装置、设备和存储介质
[0001]本申请涉及人工智能领域，特别是涉及一种算法方案部署方法及相关装置、设备和存储介质。
技术介绍
[0002]人工智能（Artificial Intelligence，AI）是计算机科学的一个重要分支，近几十年来，随着计算机软硬件技术的快速发展，人工智能得到迅猛的发展，在诸多行业领域获得广泛的应用。
[0003]然而，目前人工智能平台功能单一，仅适用于单一的芯片平台，不具备泛用性。有鉴于此，如何实现算法方案在各类芯片平台的部署应用，成为亟需解决的问题。
技术实现思路
[0004]本申请主要解决的技术问题是提供一种算法方案部署方法及相关装置、设备和存储介质，能够实现算法方案在各类芯片平台的部署应用。
[0005]为了解决上述技术问题，本申请第一方面提供了一种算法方案部署方法，包括：响应于方案平台上新创建的方案项目，基于方案平台内置的算法模型库，得到适用于方案项目的若干第一算法模型，并基于方案平台内置的转换工具库，得到适用于目标平台的格式转换工具...
【技术保护点】
【技术特征摘要】
1.一种算法方案部署方法，其特征在于，包括：响应于方案平台上新创建的方案项目，基于所述方案平台内置的算法模型库，得到适用于所述方案项目的若干第一算法模型，并基于所述方案平台内置的转换工具库，得到适用于目标平台的格式转换工具；其中，所述目标平台表征所述方案项目构建完毕后所部署的芯片平台；基于所述格式转换工具，分别对所述若干第一算法模型进行格式转换，得到与所述目标平台匹配的第二算法模型；基于所述第二算法模型进行方案部署，得到算法方案。2.根据权利要求1所述的方法，其特征在于，所述方案项目创建完毕后应用于目标场景；在所述基于所述方案平台内置的算法模型库，得到适用于所述方案项目的若干第一算法模型，包括：基于所述方案项目的目标功能，在所述算法模型库筛选得到若干候选算法模型；基于所述目标场景，分别确定各所述候选算法模型是否需重新训练；基于各所述候选算法模型是否需重新训练，得到适用于所述方案项目的若干第一算法模型。3.根据权利要求2所述的方法，其特征在于，各所述候选算法模型分别已预先基于样本场景采集到的第一样本数据训练；所述基于所述目标场景，分别确定各所述候选算法模型是否需重新训练，包括以下至少一者：响应于所述候选算法模型预先训练时对应的样本场景匹配于所述目标场景，确定所述候选算法模型无需重新训练；响应于所述候选算法模型预先训练时对应的样本场景不匹配于所述目标场景，确定所述候选算法模型需要重新训练。4.根据权利要求2所述的方法，其特征在于，所述基于各所述候选算法模型是否需重新训练，得到适用于所述方案项目的若干第一算法模型，包括以下至少一者：响应于所述候选算法模型需要重新训练，获取与所述目标场景匹配的第二样本数据，并基于所述方案平台内置的模型训练规则和所述第二样本数据，重新训练所述候选算法模型，得到所述第一算法模型；响应于所述候选算法模型无需重新训练，直接将所述候选算法模型，作为所述第一算法模型。5.根据权利要求1所述的方法，其特征在于，在所述基于所述格式转换工具，分别对所述若干第一算法模型进行格式转换，得到与所述目标平台匹配的第二算法模型之后，以及在所述基于所述第二算法模型进行方案部署，得到算法方案之前，所述方法还包括：获取所述第一算法模型的第一测试数据和由所述第一算法模型格式转换得到的第二算法模型的第二测试数据；基于所述第一测试数据和所述第二测试数据之间的对比结果，确定所述第二算法模型是否需要重新训练。6.根据权利要求5所述的方法，其特征在于，在所述获取所述第一算法模型的第一测试数据和由所述第一算法模型格式转换得到的第二算法模型的第二测试数据之前，所述方法还包括：
分别计算不同量化方式下，所述第一算法模型和所述第二算法模型对相同测试数据的测试结果差距；基于最小所述测试结果差距，确定所述第一算法模型和所述第二算法模型的量化方式；其中，所述第一测试数据、所述第二测试数据均基于确定后的量化方式获取得到；和/或，所述基于...
【专利技术属性】
技术研发人员：魏东东，黄鹏，吴忠人，陆晓栋，
申请(专利权)人：浙江大华技术股份有限公司，
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。