模型压缩方法、装置、电子设备及存储介质制造方法及图纸

本申请实施例公开了一种模型压缩方法、装置、电子设备以及存储介质。本方法包括：将所述卷积神经网络模型分别输入多个剪枝算法，得到与多个剪枝算法分别对应的掩膜集合，所述卷积神经网络模型包括多个网络层，每个掩膜集合包括与所述多个网络层分别对应的掩膜；选取与所述多个网络层各自对应的目标掩膜，得到多个目标掩膜；根据所述多个目标掩膜得到融合掩膜；基于所述融合掩膜对所述卷积神经网络模型进行剪枝，得到目标卷积神经网络模型。本方法实现了根据多个剪枝算法各自的测度判断得到的掩膜获取融合掩膜，使得能够更精准地判断通道的冗余程度，实现更高的压缩率，从而提升将卷积神经网络模型部署和应用到算力和内存受限的边缘设备的可能性。的边缘设备的可能性。的边缘设备的可能性。

【技术实现步骤摘要】
模型压缩方法、装置、电子设备及存储介质


[0001]本申请涉及数据处理
，更具体地，涉及一种模型压缩方法、装置、电子设备以及存储介质。

技术介绍

[0002]随着人工智能技术的不断发展，基于卷积神经网络的深度学习技术在视觉、语言的相关领域任务上取得了较好的成果，然而，这些成果很大程度上依赖于网络结构的复杂程度和庞大的参数量，对计算机的算力和内存有着较高的要求，对于一些边缘设备(例如手机、摄像头等)，其算力和内存是严重受限的，这就限制了深度卷积神经网络在这些设备上的部署和应用。

技术实现思路

[0003]鉴于上述问题，本申请提出了一种模型压缩方法、装置、电子设备以及存储介质，以改善上述问题。
[0004]第一方面，本申请实施例提供了一种模型压缩方法，应用于电子设备，所述电子设备配置有卷积神经网络模型，所述方法包括：将所述卷积神经网络模型分别输入多个剪枝算法，得到与多个剪枝算法分别对应的掩膜集合，所述卷积神经网络模型包括多个网络层，每个掩膜集合包括与所述多个网络层分别对应的掩膜；选取与所述多个网络层各自对应的目标掩膜，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型压缩方法，其特征在于，应用于电子设备，所述电子设备配置有卷积神经网络模型，所述方法包括：将所述卷积神经网络模型分别输入多个剪枝算法，得到与多个剪枝算法分别对应的掩膜集合，所述卷积神经网络模型包括多个网络层，每个掩膜集合包括与所述多个网络层分别对应的掩膜；选取与所述多个网络层各自对应的目标掩膜，得到多个目标掩膜；根据所述多个目标掩膜得到融合掩膜；基于所述融合掩膜对所述卷积神经网络模型进行剪枝，得到目标卷积神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述选取与所述多个网络层各自对应的目标掩膜，得到多个目标掩膜，包括：分别将与所述多个网络层各自对应的掩膜中满足目标条件的掩膜选取作为目标掩膜，得到多个目标掩膜。3.根据权利要求2所述的方法，其特征在于，所述分别将与所述多个网络层各自对应的掩膜中满足目标条件的掩膜选取作为目标掩膜，得到多个目标掩膜，包括：分别将与所述多个网络层各自对应的掩膜中剩余通道最少的掩膜选取作为目标掩膜，得到多个目标掩膜。4.根据权利要求2所述的方法，其特征在于，所述分别将与所述多个网络层各自对应的掩膜中满足目标条件的掩膜选取作为目标掩膜，得到多个目标掩膜，包括：分别将与所述多个网络层各自对应的掩膜的交集掩膜作为目标掩膜，得到多个目标掩膜。5.根据权利要求1所述的方法，其特征在于，所述根据所述多个目标掩膜得到融合掩膜，包括：逐层将所述多个目标掩膜进行组合，得到融合掩膜。6.根据权利要求1所述的方法，其特征在于，所述基于所述融合掩膜对所述卷积神经网络模型进行剪枝，得到目标卷积神经网络模型，包括：基于所述融合掩膜对所述卷积神经网络模型进行剪枝；对所述剪枝后...

【专利技术属性】
技术研发人员：李雪晨，
申请(专利权)人：哲库科技上海有限公司，
类型：发明
国别省市：