【技术实现步骤摘要】
模型优化方法、装置、电子设备及存储介质
[0001]本公开涉及人工智能
,尤其涉及一种模型优化方法、装置、电子设备及存储介质。
技术介绍
[0002]随着人工智能技术的不断进步,各种功能的神经网络模型涌现,结构也越来越复杂。在模型部署阶段,因部署设备的不同而为模型提供不同的优化技术,使得模型能够更加高效准确地运行,并保障其在实际工作环境中的性能。因此,如何对模型进行深度的优化成为了人工智能技术落地的重要环节。
技术实现思路
[0003]本公开实施例提供一种模型优化方法、装置、电子设备及存储介质,以解决或缓解现有技术中的一项或更多项技术问题。
[0004]作为本公开实施例的第一个方面,本公开实施例提供一种模型优化方法,包括:
[0005]获取第一模型,所述第一模型的神经网络结构顺序依次包括批标准化层、激活层以及卷积层;
[0006]基于所述批标准化层和所述激活层,确定第一算子层;
[0007]基于所述批标准化层和所述卷积层,确定第二算子层;
[0008]基于所述第一算子层和所述第二算子层,确定所述第一模型的优化模型。
[0009]作为本公开实施例的第二个方面,本公开实施例提供一种模型优化装置,包括:
[0010]模型获取模块,用于获取第一模型,所述第一模型的神经网络结构顺序依次包括批标准化层、激活层以及卷积层;
[0011]第一算子层确定模块,用于基于所述批标准化层和所述激活层,确定第一算子层;
[0012]第二算子层确定模块 ...
【技术保护点】
【技术特征摘要】
1.一种模型优化方法,其特征在于,包括:获取第一模型,所述第一模型的神经网络结构顺序依次包括批标准化层、激活层以及卷积层;基于所述批标准化层和所述激活层,确定第一算子层;基于所述批标准化层和所述卷积层,确定第二算子层;基于所述第一算子层和所述第二算子层,确定所述第一模型的优化模型。2.根据权利要求1所述的方法,其特征在于,所述基于所述批标准化层和所述激活层,确定第一算子层,包括:对所述批标准化层进行拆分,得到乘法层和加法层;对依次由所述乘法层、所述加法层以及所述激活层组成的第一神经网络进行层级顺序调整,得到依次由第一算子层、所述乘法层和所述加法层组成的第二神经网络;从所述第二神经网络中提取所述第一算子层,得到所述第一算子层。3.根据权利要求2所述的方法,其特征在于,所述从所述第二神经网络中提取所述第一算子层,得到所述第一算子层,包括:基于所述乘法层的网络参数、所述加法层的网络参数以及所述激活层的网络参数,确定所述第一算子层的网络参数。4.根据权利要求1至3任一项所述的方法,其特征在于,所述第一算子层的网络结构与所述激活层的网络结构相同,且所述第一算子层的网络参数不同于所述激活层的网络参数。5.根据权利要求2所述的方法,其特征在于,由所述乘法层、所述加法层以及所述激活层组成的第一神经网络的函数表达式为:其中,x表示所述第一神经网络的输入,f1(x)表示所述第一神经网络的输出,ReLU表示所述第一神经网络的激活层,BN表示所述第一神经网络的批标准化层,Mul表示所述乘法层的常量参数,Add表示所述加法层的常量参数。6.根据权利要求5所述的方法,其特征在于,所述第一算子层、所述乘法层和所述加法层组成的第二神经网络的函数表达式为:其中,x表示所述第二神经网络的输入,f2(x)表示所述第二神经网络的输出,ReLU
′
表示所述第二神经网络的第一算子层,BN表示所述第二神经网络的批标准化层,Mul表示所述乘法层的常量参数,Add表示所述加法层的常量参数。7.根据权利要求6所述的方法,其特征在于,所述第一算子层的函数表达式为:
8.根据权利要求1所述的方法,其特征在于,所述基于所述批标准化层和所述卷积层,确定第二算子层,包括:对所述批标准化层进行拆分,得到乘法层和加法层;基于所述乘法层的网络参数、所述加法层的网络参数以及所述卷积层的网络参数,确定所述第二算子层的网络参数。9.根据权利要求8所述的方法,其特征在于,所述卷积层包括第一权重乘积层和第一偏移累加层,所述基于所述乘法层的网络参数、所述加法层的网络参数以及所述卷积层的网络参数,确定所述第二算子层的网络参数,包括:基于所述乘法层的网络参数和所述加法层的网络参数,对所述第一权重乘积层和所述第一偏移累加层进行优化,得到由第二权重乘积层和第二偏移累加层构成的第二算子层;基于所述第二权重乘积层的网络参数和所述第二偏移累加层的网络参数,确定所述第二算子层的网络参数。10.根据权利要求8所述的方法,其特征在于,所述第二算子层的网络结构与所述卷积层的网络结构相...
【专利技术属性】
技术研发人员:杨浩琪,郭晖,张楠赓,
申请(专利权)人:杭州嘉楠耘智信息科技有限公司,
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。