图像处理方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种图像处理方法、装置、计算机设备和存储介质。所述方法包括：根据待处理图像集对应的最大数据形状，将预设的神经网络模型编译为有向图；在目标数据形状不大于所述最大数据形状的情况下，基于所述目标数据形状对所述有向图进行优化，得到优化后的有向图；所述目标数据形状为所述神经网络模型当前阶段待处理的目标图像对应的数据形状；利用所述优化后的有向图对所述目标图像进行处理，得到所述目标图像对应的处理结果。采用本方法能够扩大神经网络模型的运行场景。扩大神经网络模型的运行场景。扩大神经网络模型的运行场景。

【技术实现步骤摘要】
图像处理方法、装置、计算机设备和存储介质


[0001]本申请涉及机器学习
，特别是涉及一种图像处理方法、装置、计算机设备和存储介质。

技术介绍

[0002]随着神经网络技术的发展，用于执行神经网络推理的推理框架技术也不断发展。MIGraphX是一种用来加速机器学习模型推理的推理框架，通常，在执行神经网络模型之前，MIGraphX框架先将神经网络模型编译成一整张图，然后利用编译的图对数据进行处理，该神经网络模型的输入数据的大小通常是固定的。
[0003]但是，由于该神经网络模型的输入数据的大小通常是固定的，使得神经网络模型的运行场景受限。

技术实现思路

[0004]基于此，有必要针对上述技术问题，提供一种能够扩大神经网络模型的运行场景，在输入数据的大小不固定的情况下提高神经网络模型的运行性能的图像处理方法、装置、计算机设备和存储介质。
[0005]第一方面，本申请提供了一种图像处理方法。所述方法包括：
[0006]根据待处理图像集对应的最大数据形状，将预设的神经网络模型编译为有向图；
[0007]在目标数据形状不大于最大数据形状的情况下，基于目标数据形状对有向图进行优化，得到优化后的有向图；目标数据形状为神经网络模型当前阶段待处理的目标图像对应的数据形状；
[0008]利用优化后的有向图对目标图像进行处理，得到目标图像对应的处理结果。
[0009]在其中一个实施例中，基于目标数据形状对有向图进行优化，得到优化后的有向图，包括：
[0010]调用预设的优化方法；
[0011]利用优化方法和目标数据形状，对有向图进行优化，得到优化后的有向图。
[0012]在其中一个实施例中，利用优化方法和目标数据形状，对有向图进行优化，得到优化后的有向图，包括：
[0013]利用优化方法和目标数据形状，对有向图的各个节点对应的算子和编译期进行优化，得到优化后的有向图。
[0014]在其中一个实施例中，方法还包括：
[0015]根据待处理图像集中各图像的属性信息，确定最大数据形状；属性信息包括图像的尺寸和图像的分辨率。
[0016]在其中一个实施例中，方法还包括：
[0017]利用神经网络模型对应的约束条件，确定最大数据形状。
[0018]在其中一个实施例中，根据待处理图像集对应的最大数据形状，将预设的神经网
络模型编译为对应的有向图，包括：
[0019]根据最大数据形状，将神经网络模型的各层结构作为节点，将各层结构之间的连接关系作为边，构建有向图。
[0020]第二方面，本申请还提供了一种图像处理装置。所述装置包括：
[0021]编译模块，用于根据待处理图像集对应的最大数据形状，将预设的神经网络模型编译为对应的有向图；
[0022]优化模块，用于在目标数据形状小于或等于最大数据形状的情况下，基于目标数据形状对有向图进行优化，得到优化后的有向图；目标数据形状为神经网络模型当前阶段待处理的目标图像对应的数据形状；
[0023]处理模块，用于利用优化后的有向图对目标图像进行处理，得到目标图像对应的处理结果。
[0024]第三方面，本申请还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
[0025]根据待处理图像集对应的最大数据形状，将预设的神经网络模型编译为有向图；
[0026]在目标数据形状不大于最大数据形状的情况下，基于目标数据形状对有向图进行优化，得到优化后的有向图；目标数据形状为神经网络模型当前阶段待处理的目标图像对应的数据形状；
[0027]利用优化后的有向图对目标图像进行处理，得到目标图像对应的处理结果。
[0028]第四方面，本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
[0029]根据待处理图像集对应的最大数据形状，将预设的神经网络模型编译为有向图；
[0030]在目标数据形状不大于最大数据形状的情况下，基于目标数据形状对有向图进行优化，得到优化后的有向图；目标数据形状为神经网络模型当前阶段待处理的目标图像对应的数据形状；
[0031]利用优化后的有向图对目标图像进行处理，得到目标图像对应的处理结果。
[0032]第五方面，本申请还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0033]根据待处理图像集对应的最大数据形状，将预设的神经网络模型编译为有向图；
[0034]在目标数据形状不大于最大数据形状的情况下，基于目标数据形状对有向图进行优化，得到优化后的有向图；目标数据形状为神经网络模型当前阶段待处理的目标图像对应的数据形状；
[0035]利用优化后的有向图对目标图像进行处理，得到目标图像对应的处理结果。
[0036]上述图像处理方法、装置、计算机设备和存储介质，根据待处理图像集对应的最大数据形状，能够将预设的神经网络模型编译优化为一张有向图，将神经网络模型当前阶段待处理的目标图像对应的数据形状作为目标数据形状，从而可以在目标数据形状不大于最大数据形状的情况下，基于目标数据形状对有向图进行优化，得到优化后的有向图，由于优化后的有向图是基于当前阶段待处理的目标图像对应的数据形状进行优化的，而当前阶段待处理的目标图像对应的数据形状是明确的，这样能够对有向图进行明确的优化，得到的优化后的有向图能够适应当前阶段待处理的目标图像的形状，使得优化后的有向图能够对
目标图像进行处理，得到目标图像对应的处理结果，也就是说，通过基于当前阶段待处理的目标图像对应的数据形状对有向图进行优化，使得优化后的有向图能够适应不同数据形状的目标图像，能够对不同数据形状的目标图像进行处理，扩大了神经网络模型的运行场景，提高了神经网络模型在输入的目标图像的形状不固定时的运行性能。
附图说明
[0037]图1为一个实施例中图像处理方法的流程示意图；
[0038]图2为另一个实施例中图像处理方法的流程示意图；
[0039]图3为另一个实施例中图像处理方法的流程示意图；
[0040]图4为另一个实施例中图像处理方法的流程示意图；
[0041]图5为一个实施例中图像处理装置的结构框图；
[0042]图6为一个实施例中图像处理装置的结构框图；
[0043]图7为一个实施例中图像处理装置的结构框图；
[0044]图8为一个实施例中图像处理装置的结构框图；
[0045]图9为一个实施例中图像处理装置的结构框图。
具体实施方式
[0046]为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种图像处理方法，其特征在于，所述方法包括：根据待处理图像集对应的最大数据形状，将预设的神经网络模型编译为有向图；在目标数据形状不大于所述最大数据形状的情况下，基于所述目标数据形状对所述有向图进行优化，得到优化后的有向图；所述目标数据形状为所述神经网络模型当前阶段待处理的目标图像对应的数据形状；利用所述优化后的有向图对所述目标图像进行处理，得到所述目标图像对应的处理结果。2.根据权利要求1所述的方法，其特征在于，所述基于所述目标数据形状对所述有向图进行优化，得到优化后的有向图，包括：调用预设的优化方法；利用所述优化方法和所述目标数据形状，对所述有向图进行优化，得到所述优化后的有向图。3.根据权利要求2所述的方法，其特征在于，所述利用所述优化方法和所述目标数据形状，对所述有向图进行优化，得到所述优化后的有向图，包括：利用所述优化方法和所述目标数据形状，对所述有向图的各个节点对应的算子和编译期进行优化，得到所述优化后的有向图。4.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述方法还包括：根据所述待处理图像集中各图像的属性信息，确定所述最大数据形状；所述属性信息包括图像的尺寸和图像的分辨率。5.根据权利要求1
‑
3任一项所述的方法，其特征在于，所述方法还包括：利用所述神经网络模型对应的约...

【专利技术属性】
技术研发人员：钱青，胡辰，卜景德，田丽红，
申请(专利权)人：曙光信息产业北京有限公司，
类型：发明
国别省市：