System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及边缘计算与行为识别领域,尤其涉及一种关于边缘侧行为识别网络的识别速度的预测方法。
技术介绍
1、行为识别网络具有自主识别的特性,可以及时的识别场景中人员的行为类别,多应用于智能交通、智能安防、智能工厂等领域,是目前的热门研究课题。然而,现有的行为识别网络应用多依赖于云计算技术,云计算具有算力充沛、储存空间充足的特点,但是识别网络得识别时延与云计算中心与工厂的距离成正比,对于需要实时监控的实际生产场景,单纯的云计算已经不能满足工业5.0的实时化要求。
2、边缘计算作为一种新兴的概念,主要优点就是其具有更低的时延。边缘计算技术通过将原本集中在云端的计算资源分配到企业生产线的边缘侧,能显著缩短系统的响应时间。此外,将计算任务卸载至边缘侧还能够大幅减少云端计算资源的使用,从而降低企业的运营成本。然而在将深度学习网络算法下放至边缘计算设备的过程中,存在着一些局限,主要表现如下:
3、(1)边缘侧计算单元的计算能力受到其体积,功率等因素的限制,导致其算力较比云计算低下;
4、(2)在将识别网络嵌入至边缘计算设备的过程中,对于识别网络的识别速度往往是后验性的,这就导致识别网络设计-训练-嵌入-网络再修改这一过程的重复,使得整个识别网络的设计流程繁琐化、复杂化;
5、(3)现有的神经网络行为识别网络模型大多以识别准确率为设计目标,忽略了实际应用中重要的时延与硬件适配问题,缺少一种在设计过程中综合硬件性能和模型参数对识别网络模型识别速度的预测方法。
技术实现思路
1、本申请提供了一种关于边缘侧行为识别网络的识别速度的预测方法,能够解决当前无法预测在将识别网络嵌入边缘侧计算单元后的识别速度的问题。
2、本申请的技术方案是一种关于边缘侧行为识别网络的识别速度的预测方法,包括:
3、s1:确定若干个包含不同种类的样本边缘侧行为识别网络;
4、确定若干个样本边缘侧行为识别网络的模型计算量和模型参数量;
5、s2:针对若干个样本边缘侧行为识别网络进行测试片段的提取,相应地得包括若干个测试片段的识别网络测试集;
6、确定识别网络测试集中所有测试片段的平均识别速度;
7、s3:确定关于平均识别速度、模型计算量和模型参数量的模型拟合关系;
8、基于模型拟合关系,构建网络多参数融合模型;
9、s4:获取待预测边缘侧行为识别网络;
10、确定待预测边缘侧行为识别网络的模型计算量和模型参数量并且输入至网络多参数融合模型,相应地得到待预测边缘侧行为识别网络的预测速度。
11、可选地,所述s1包括:
12、s11:确定若干个包含不同种类的样本边缘侧行为识别网络;
13、s12:确定若干个样本边缘侧行为识别网络的模型计算量flops;
14、所述模型计算量flops的计算公式如下所示:
15、flops=(2×ci×k2-1)×h×w×co;
16、式中,ci为输入的特征图通道数;k为卷积核尺寸;
17、h、w、co为输出特征图的高、宽和通道数;
18、s13:确定若干个样本边缘侧行为识别网络的模型参数量n;
19、所述模型参数量n的计算公式如下所示:
20、n=nc+nbn+nfc;
21、nc=ci×k2×co+co;nbn=2×ci;nfc=ti×to+to;
22、式中,ci为输入特征图通道数;k为卷积核尺寸;co为输出的特征图的通道数;
23、ti为输入向量的长度;to为输出向量的长度。
24、可选地,所述s2中的平均识别速度为在相同的硬件条件下,不同种类的样本边缘侧行为识别网络对同一视频的识别所需的速度的平均值。
25、可选地,所述s3包括:
26、s31:确定关于平均识别速度、模型计算量和模型参数量的初步拟合关系;
27、s32:分别确定若干个样本边缘侧行为识别网络的边缘计算设备算力;
28、基于边缘计算设备算力,针对初步拟合关系进行修正,相应地得到模型拟合关系。
29、可选地,所述初步拟合关系如下所示:
30、t=101.4+6.499e-12flops+0.062n;
31、式中,t表示识别网络的预测识别速度;flops表示当前预测网络的模型计算量;n表示当前预测网络的模型参数量。
32、可选地,所述边缘计算设备算力的计算公式如下所示:
33、tflops=fclk*nsm*freq;
34、式中,fclk表示计算设备处理器时钟周期内指令执行数,单位为flops/cycle;
35、nsm为计算设备处理器的计算核心数量,单位为cores;
36、freq表示计算设备处理器的运行频率,单位为ghz。
37、可选地,所述模型拟合关系如下所示:
38、
39、式中,t表示识别网络的预测识别速度;flops表示当前预测网络的模型计算量;
40、n表示当前预测网络的模型参数量;
41、tflops表示当前运行识别网络的边缘计算设备算力。
42、可选地,所述s4包括:
43、s41:获取若干个待预测边缘侧行为识别网络;
44、s42:分别确定若干个待预测边缘侧行为识别网络的模型计算量和模型参数量并且输入至网络多参数融合模型,相应地得到若干个待预测边缘侧行为识别网络的预测速度;
45、以及,所述方法还包括:
46、s5:针对若干个待预测边缘侧行为识别网络的预测速度进行筛选,确定可供选择的边缘侧行为识别网络。
47、有益效果:
48、本申请的技术方案采用pytorch模块提取行为识别网络中的模型参数量与模型计算量,大大减少了手动计算行为识别网络模型参数量与模型计算量的所用时间。通过边缘计算设备的算力计算公式提取边缘计算设备的硬件算力,减少了因为不同硬件配置下产生的误差。由于在建模过程中考虑了不同硬件条件和行为识别网络结构,可获得比单一硬件条件下更为优越的模型泛化能力。由于该模型所需要的输入信息均为行为识别网络和边缘计算设备的固有属性,使得在识别网络未经训练的条件下就可以进行识别速度的预测,使得该模型具有先验的能力。
本文档来自技高网...【技术保护点】
1.一种关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,包括:
2.根据权利要求1所述的关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,所述S1包括:
3.根据权利要求2所述的关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,所述S2中的平均识别速度为在相同的硬件条件下,不同种类的样本边缘侧行为识别网络对同一视频的识别所需的速度的平均值。
4.根据权利要求1所述的关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,所述S3包括:
5.根据权利要求4所述的关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,所述初步拟合关系如下所示:
6.根据权利要求5所述的关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,所述边缘计算设备算力的计算公式如下所示:
7.根据权利要求5所述的关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,所述模型拟合关系如下所示:
8.根据权利要求1所述的关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,所述S4包括:
【技术特征摘要】
1.一种关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,包括:
2.根据权利要求1所述的关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,所述s1包括:
3.根据权利要求2所述的关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,所述s2中的平均识别速度为在相同的硬件条件下,不同种类的样本边缘侧行为识别网络对同一视频的识别所需的速度的平均值。
4.根据权利要求1所述的关于边缘侧行为识别网络的识别速度的预测方法,其特征在于,所述s3...
【专利技术属性】
技术研发人员:庞笛,魏喆,周杰,孙尧,郎朗,罗来彬,
申请(专利权)人:沈阳工业大学,
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。