模型算法的选择方法、装置、设备和介质制造方法及图纸

本申请公开了一种模型算法的选择方法、装置、设备和介质。该方法包括：将目标图像的属性参数输入算法预测模型，获得算法预测模型输出的一个或多个候选算法；算法预测模型是根据至少一组历史属性参数以及至少一组属性参数对应的目标算法训练获得的，目标算法是根据历史属性参数和图像预测模型进行图像预测时所采用的算法；根据一个或多个候选算法，确定基于图像预测模型对目标图像进行预测所采用的最终算法。采用本申请的方法，可以通过算法预测模型缩小对目标图像的候选算法范围，从而大大降低了确定模型最终算法的耗时。降低了确定模型最终算法的耗时。降低了确定模型最终算法的耗时。

【技术实现步骤摘要】
模型算法的选择方法、装置、设备和介质


[0001]本公开一般涉及人工智能
，具体涉及深度学习
，尤其涉及一种模型算法的选择方法、装置、设备和介质。

技术介绍

[0002]神经网络模型可以接收一个输入，并通过不同的算法对上述输入进行运算(例如，卷积运算和矩阵乘法运算)，运算后得到相同的输出。例如，将一张具体尺寸的图像输入模型，模型可以从所有候选算法中选取运行时长最短的算法，作为上述输入图像的最终算法。
[0003]然而，将图像输入模型后，模型会将所有算法作为候选算法并运行。对于一张图像，运行一个算法的时间已经非常漫长，如果将所有算法全部运行，虽然最终得出了最终算法，但是在得出最终算法前，需要耗费大量的时间运所有算法。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种模型算法的选择方法、装置、设备和介质，采用本申请的方法，可以通过算法预测模型缩小对目标图像的候选算法范围，从而大大降低了确定模型最终算法的耗时。
[0005]第一方面，提供一种模型算法的选择方法，该方法包括：
[0006]将目标图像的属性参数输入算法预测模型，获得算法预测模型输出的一个或多个候选算法；算法预测模型是根据至少一组历史属性参数以及至少一组属性参数对应的目标算法训练获得的，目标算法是根据历史属性参数和图像预测模型进行图像预测时所采用的算法；根据一个或多个候选算法，确定基于图像预测模型对目标图像进行预测所采用的最终算法。
[0007]第二方面，提供了一种模型算法的选择装置，该装置包括：
[0008]预测单元，用于将目标图像的属性参数输入算法预测模型，获得算法预测模型输出的一个或多个候选算法；算法预测模型是根据至少一组历史属性参数以及至少一组属性参数对应的目标算法训练获得的，目标算法是根据历史属性参数和图像预测模型进行图像预测时所采用的算法；确定单元，用于根据一个或多个候选算法，确定基于图像预测模型对目标图像进行预测所采用的最终算法。
[0009]第三方面，提供了一种计算机设备，包括存储器、处理器以及存储不在存储器上并可在处理器上运行的计算机程序，其特征在于，处理器执行程序时，实现上述第一方面以及第一方面任意一种可能的实现方式的方法的步骤。
[0010]第四方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，实现上述第一方面以及第一方面任意一种可能的实现方式的方法的步骤。
[0011]第五方面，提供一种计算机程序产品，计算机程序产品包括指令，当指令被运行时，实现上述第一方面以及第一方面任意一种可能的实现方式的方法的步骤。
[0012]采用本申请的模型算法的选择方法，可以基于目标图像的属性参数，确定目标图
像采用图像预测模型进行预测时所采用的最终算法。具体地，可以将目标图像的属性参数输入算法预测模型，算法预测模型可以输出多个候选算法，可以根据上述多个候选算法确定目标图像采用图像预测模型进行预测时所采用的最终算法。其中，算法预测模型是根据至少一组历史属性参数以及至少一组属性参数对应的目标算法训练获得的，目标算法是根据历史属性参数和图像预测模型进行图像预测时所采用的算法。
[0013]而现有技术中，对于输入神经网络模型中的图像，会运行上述神经网络模型中可以预测图像的所有算法，并基于各个算法的运行时长确定最终算法。但是运行所有算法会耗费大量的时间。
[0014]相较于现有技术的方案，采用本申请的方法，算法预测模型可以筛从大量的算法中选出目标图像的候选算法，进而根据候选算法确定基于图像预测模型对目标图像进行预测时所采用的最终算法。避免了现有技术遍历所有算法确定最终算法导致耗时较长的问题，可以通过算法预测模型缩小候选算法的搜索范围，也正是因为缩小了候选算法的搜索范围，从而大大降低了确定模型最终算法的耗时。
附图说明
[0015]通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
[0016]图1为本申请实施例提供的计算机设备的结构框图；
[0017]图2为本申请实施例提供的模型算法的选择方法的流程示意图；
[0018]图3为本申请实施例提供的模型算法的选择方法的另一流程示意图；
[0019]图4为本申请实施例提供的模型算法的选择方法的另一流程示意图；
[0020]图5为本申请实施例提供的模型算法的选择方法的另一流程示意图；
[0021]图6为本申请实施例提供的模型算法的选择方法的另一流程示意图；
[0022]图7为本申请实施例提供的累加计数器的示意图；
[0023]图8为本申请实施例提供的触发目标图像的候选算法的流程图；
[0024]图9为本申请实施例提供的算法预测模型的训练过程和预测过程的流程图；
[0025]图10为本申请实施例提供的模型算法的选择方法的完整实施步骤的流程图；
[0026]图11为本申请实施例提供的模型算法的选择装置的结构示意图。
具体实施方式
[0027]下面结合实施例和附图对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关专利技术，而非对该专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与专利技术相关的部分。
[0028]需要说明的是，在不冲突的情况下，本申请中的实施例即实施例的特征可以互相结合。下面将参考附图并结合实施例来详细说明本申请。
[0029]目前，将图像输入模型后，模型会将所有算法作为候选算法并运行，并将运行时间最短的算法作为最终算法。然而，运行所有算法的其中之一个算法都会耗费大量的时间，若将所有算法运行，则消耗的时间会更多。
[0030]基于此，本申请提出一种模型算法的选择方法、装置、设备和存储介质，可以通过
算法预测模型缩小对目标图像的候选算法范围，从而大大降低了确定模型最终算法的耗时。
[0031]本申请提供的模型算法的选择方法，可以应用于如图1所示的计算机设备10。该计算机设备10的内部结构示意图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供运行环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或者其他技术实现。该计算机程序被处理器执行时，用来实现一种模型算法的选择方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或者鼠标等。
[0032]本申请实施例中，计算机设备10可以基本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型算法的选择方法，其特征在于，所述方法包括：将目标图像的属性参数输入算法预测模型，获得所述算法预测模型输出的一个或多个候选算法；所述算法预测模型是根据至少一组历史属性参数以及所述至少一组属性参数对应的目标算法训练获得的，所述目标算法是根据所述历史属性参数和图像预测模型进行图像预测时所采用的算法；根据所述一个或多个候选算法，确定基于所述图像预测模型对所述目标图像进行预测所采用的最终算法。2.根据权利要求1所述的方法，其特征在于，所述根据所述一个或多个候选算法，确定基于所述图像预测模型对所述目标图像进行预测所采用的最终算法，包括：运行所述一个或多个候选算法，获得所述一个或多个候选算法的执行时长；基于最优算法选择机制确定执行时长最短的候选算法为所述最终算法。3.根据权利要求1所述的方法，其特征在于，所述根据所述一个或多个候选算法，确定基于所述图像预测模型对所述目标图像进行预测所采用的最终算法，包括：若所述一个或多个候选算法有缓存记录，则根据所述缓存记录确定所述一个或多个算法的执行时长；将所述一个或多个候选算法中执行时长最短的算法为所述最终算法。4.根据权利要求3所述的方法，其特征在于，所述方法还包括：若所述一个或多个候选算法缺失缓存记录，则基于所述图像预测模型的缓存记录以及所述目标图像在所述图像预测模型的输入次数确定所述图像预测模型对所述目标图像进行预测所采用的最终算法。5.根据权利要求4所述的方法，其特征在于，所述基于所述图像预测模型的缓存记录以及所述目标图像在所述图像预测模型的输入次数确定所述图像预测模型对所述目标图像进行预测所采用的最终算法，包括：若所述输入次数达到第一阈值，则获取所述目标图像与一个或多个历史输入图像之间的尺寸差值；所述目标图像与所述历史输入图像的属性参数相同；若所述尺寸差值小于第二...

【专利技术属性】
技术研发人员：陈远昭，王彪，许欣然，
申请(专利权)人：北京旷视科技有限公司，
类型：发明
国别省市：