【技术实现步骤摘要】
本专利技术涉及深度学习和数据压缩，尤其涉及一种测试集压缩方法、系统、装置及存储介质。
技术介绍
1、在实际应用中，尤其是在嵌入式设备、移动设备或边缘计算环境中，深度学习模型的推理效率成为一个关键问题。由于硬件设备的限制，模型在板卡上的推理速度较慢，加载大量测试数据困难。虽然可以通过gpu进行仿真，但是难以确保gpu上的仿真和板卡上实际推理完全一致。
2、另外，由于硬件设备的限制，往往需要对某些预训练的模型进行裁剪和量化，不同的量化方法、不同的混合精度位宽分配，可获得多个量化后的模型。如何能够给快速地、有效地评估出这些量化后的模型在板卡上的性能，目前尚有待解决。
技术实现思路
1、为至少一定程度上解决现有技术中存在的技术问题之一，本专利技术的目的在于提供一种测试集压缩方法、系统、装置及存储介质。
2、本专利技术所采用的第一技术方案是：
3、一种测试集压缩方法，包括以下步骤：
4、获取测试集，采用hast模型从测试集中抽取样本；
5、...
【技术保护点】
1.一种测试集压缩方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种测试集压缩方法，其特征在于，所述复杂度d的计算公式为：
3.根据权利要求1所述的一种测试集压缩方法，其特征在于，所述根据复杂度d将样本划分为复杂样本和简单样本，包括：
4.根据权利要求3所述的一种测试集压缩方法，其特征在于，所述加权精度的计算公式为：
5.根据权利要求1所述的一种测试集压缩方法，其特征在于，所述测试集压缩方法还包括以下步骤：
6.根据权利要求5所述的一种测试集压缩方法，其特征在于，所述量化后的模型通过以下方式获得：
7.根...
【技术特征摘要】
1.一种测试集压缩方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种测试集压缩方法，其特征在于，所述复杂度d的计算公式为：
3.根据权利要求1所述的一种测试集压缩方法，其特征在于，所述根据复杂度d将样本划分为复杂样本和简单样本，包括：
4.根据权利要求3所述的一种测试集压缩方法，其特征在于，所述加权精度的计算公式为：
5.根据权利要求1所述的一种测试集压缩方法，其特征在于，所述测试集压缩方法还包括以下步骤：
6.根据权利...
【专利技术属性】
技术研发人员：谭明奎，高玉鑫，陈卓琨，黎浩坤，杜卿，王晓明，
申请(专利权)人：华南理工大学，
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。