基于树的机器学习模型的量化制造技术

提供了用于量化基于树的机器学习模型的各种机制和过程。一种方法包括确定经训练的基于树的机器学习模型中的一个或更多个参数值。该一个或更多个参数值存在于以第一数据类型编码的第一数值空间内并被量化到第二数值空间中。第二数值空间以相对于第一数据类型具有更小的文件存储大小的第二数据类型进行编码。在基于树的机器学习模型内编码数组。该数组存储用于将第二数值空间中的给定的量化后的参数值变换为第一数值空间中的相对应参数值的参数。基于树的机器学习模型可以被传输到客户端设备的嵌入式系统。一个或更多个参数值对应于基于树的机器学习模型的阈值或叶值。于基于树的机器学习模型的阈值或叶值。于基于树的机器学习模型的阈值或叶值。

【技术实现步骤摘要】
【国外来华专利技术】基于树的机器学习模型的量化
[0001]相关申请的交叉引用
[0002]本申请要求于2020年10月12日提交的标题为“QUANTIZATION OF TREE
‑
BASED MACHINE LEARNING MODELS”的第63/090,516号美国临时专利申请在《美国法典》第35卷第119(e)条下的利益，该美国临时专利申请通过引用以其整体并入本文以用于所有目的。


[0003]本公开总体上涉及机器学习模型，且更具体地涉及基于树的机器学习模型。
[0004]背景
[0005]许多商业应用采用了机器学习模型来提高性能，这些机器学习模型包括神经网络和基于树的机器学习方法。然而，这样的机器学习模型增加了对计算、功率和存储器资源的需求，这可能会降低性能，特别是降低容量有限的硬件(例如嵌入式芯片或不包括通用中央处理器(CPU)芯片的平台)的性能。在这样的环境中，减少的闪存和RAM可能会妨碍存储或加载机器学习模型。
[0006]因此，需要减少机器学习模型的计算和资源需求。
[0007]概述
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于量化树模型参数的方法，所述方法包括：确定经训练的基于树的机器学习模型中的一个或更多个参数值，其中，所述一个或更多个参数值存在于以第一数据类型编码的第一数值空间内；将所述一个或更多个参数值量化到第二数值空间中，其中，所述第二数值空间以第二数据类型进行编码，所述第二数据类型相对于所述第一数据类型具有更小的文件存储大小；在所述基于树的机器学习模型内编码数组，其中，所述数组存储用于将所述第二数值空间中的给定的量化后的参数值变换为所述第一数值空间中的相对应的参数值的参数；以及将所述基于树的机器学习模型传输到客户端设备。2.根据权利要求1所述的方法，其中，所述基于树的机器学习模型被传输到所述客户端设备的嵌入式系统。3.根据权利要求2所述的方法，还包括：通过所述嵌入式系统的传感器获得数据点；从所述数据点中提取特征；使提取的特征传递通过所述基于树的机器学习模型；将所述一个或更多个参数值从所述第二数值空间去量化到所述第一数值空间；以及基于去量化后的所述一个或更多个参数值生成关于所述特征的预测。4.根据权利要求3所述的方法，其中，当所述提取的特征在对应于所述一个或更多个参数值的节点处被处理时，所述一个或更多个参数值中的每一个根据需要被去量化。5.根据权利要求1所述的方法，其中，所述一个或更多个参数值对应于所述基于树的机器学习模型的特征的阈值。6.根据权利要求1所述的方法，其中，所述一个或更多个参数值对应于所述基于树的机器学习模型的叶值。7.根据权利要求1所述的方法，其中，所述第一数据类型是32位浮点类型。8.根据权利要求1所述的方法，其中，所述第二数据类型是8位无符号整数。9.根据权利要求1所述的方法，其中，所述一个或更多个参数值对应于所述基于树的机器学习模型的特征的阈值和所述基于树的机器学习模型的叶值；以及其中，所述阈值和所述叶值彼此独立地被量化。10.根据权利要求1所述的方法，其中，所述基于树的机器学习模型被配置成对与所述客户端设备的运动相对应的手势进行分类。11.一种用于量化树模型参数的系统，所述系统包括：一个或更多个处理器、存储器和存储在所述存储器中的一个或更多个程序，所述一个或更多个程序包括用于以下操作的指令：确定经训练的基于树的机器学习模型中的一个或更多个参数值，其中，所述一个或更多个参数值存在于以第一数据类型编码的第一数值空间内；将所述一个或更多个参数值量化到第二数值空间中，其中，所述第二数值空间以第二数据类型进行编码，所述第二数据类型相对于所述第一数据类型具有更小的文件大小；
在所述基于树的机器学习模型内编码数组，其...

【专利技术属性】
技术研发人员：莱斯利，
申请(专利权)人：奇手公司，
类型：发明
国别省市：