深度學習網絡確定方法、裝置、電子設備及存儲介質制造方法及圖紙

本公開涉及深度學習網絡確定方法、裝置、電子設備及存儲介質，在本公開實施例中，通過確定目標設備待處理的目標事件；根據目標事件從訓練好的網絡集合中確定出原始網絡，獲取訓練原始網絡的原始設備的設備資源信息，以及目標設備的設備資源信息；根據目標設備的設備資源信息和原始設備的設備資源信息從原始網絡上分割出目標網絡；目標網絡用于部署在目標設備上，對目標事件進行處理，目標網絡和原始網絡的網絡模塊數量相同且網絡模塊之間的連接結構相同。如此，通過從原始網絡中確定目標網絡，使得研究員不需要為每個設備訓練網絡，可以節省花費在網絡設計和訓練上的時間，大大提高工作效率。

【技術實現步驟摘要】
深度學習網絡確定方法、裝置、電子設備及存儲介質
本公開涉及計算機
，尤其涉及一種深度學習網絡確定方法、裝置、電子設備及存儲介質。
技術介紹
隨著科技的發展以及人類文明的日益成熟，深度學習網絡在設備上的應用越來越普遍。然而，由于不同的設備提供的設備資源是不同的，比如移動手機和服務器能夠提供的設備資源顯然是不一樣的。為了能在不同的設備上使用深度學習網絡，往往需要研究員去針對不同的設備手工設計不同的網絡，從深度學習網絡網絡結構的構建到基于不同的樣本數據對該深度學習網絡進行訓練，得到訓練好的深度學習網絡，這會導致研究員浪費大量的時間在網絡設計和訓練上，耽誤其它工作。
技術實現思路
本公開提出了一種深度學習網絡確定方法、裝置、電子設備及存儲介質，用于減少研究員在網絡設計和訓練花費的時間。在一些可能的實施例中，本公開提供一種深度學習網絡確定方法，該方法包括：確定目標設備待處理的目標事件；根據目標事件從訓練好的網絡集合中確定出原始網絡；原始網絡為網絡集合中與目標事件相匹配的網絡；獲取訓練原始網絡的原始設備的設備資源信息，以及目標設備的設備資源信息；根據目標設備的設備資源信息和原始設備的設備資源信息從原始網絡上分割出目標網絡；目標網絡用于部署在目標設備上，對目標事件進行處理，目標網絡和原始網絡的網絡模塊數量相同且網絡模塊之間的連接結構相同。在一些可能的實施例中，該方法還包括訓練得到原始網絡的步驟：獲取樣本數據集，樣本數據集包括多個輸入數據和每個輸入數據對應的標簽；構建預設學習網絡，從預設學習網絡中確定出多個采樣網絡，為每個采樣網絡設置初始參數；利用樣本數據集對多個采樣網絡進行訓練，將訓練后的多個采樣網絡作為多個備用網絡，從多個備用網絡中確定出原始網絡。在一些可能的實施例中，多個采樣網絡包括第一級別網絡，至少一個第二級別網絡和第三級別網絡；第一級別網絡，至少一個第二級別網絡和第三級別網絡的網絡模塊數量相同且網絡模塊之間的連接結構相同；第一級別網絡中各個網絡模塊的輸出分辨率大于第二級別網絡中對應的網絡模塊的輸出分辨率；第二級別網絡中各個網絡模塊的輸出分辨率大于第三級別網絡中對應的網絡模塊的輸出分辨率；第一級別網絡中各個網絡模塊的輸出通道數大于第二級別網絡中對應的網絡模塊的輸出通道數；第二級別網絡中各個網絡模塊的輸出通道數大于第三級別網絡中對應的網絡模塊的輸出通道數；第一級別網絡中各個網絡模塊的卷積模塊數大于第二級別網絡中對應的網絡模塊的卷積模塊數；第二級別網絡中各個網絡模塊的卷積模塊數大于第三級別網絡中對應的網絡模塊的卷積模塊數。在一些可能的實施例中，利用樣本數據集對多個采樣網絡進行訓練，將訓練后的多個采樣網絡作為多個備用網絡，包括：將多個采樣網絡中的每個采樣網絡作為當前采樣網絡；基于當前采樣網絡，對多個輸入數據進行處理，確定每個輸入數據對應的輸出數據；基于輸出數據和輸入數據對應的標簽，確定損失值；當損失值小于或等于預設閾值時，將當前采樣網絡確定為備用網絡。在一些可能的實施例中，上述當損失值小于或等于預設閾值時，將當前采樣網絡確定為備用網絡之前，還包括：當損失值大于預設閾值時，基于損失值進行反向傳播，對當前采樣網絡進行參數更新以得到更新后的采樣網絡，將更新后的采樣網絡確定為當前采樣網絡；重復步驟：基于當前采樣網絡，對多個輸入數據進行處理，確定每個輸入數據對應的輸出數據；基于輸出數據和輸入數據對應的標簽，確定損失值。在一些可能的實施例中，利用樣本數據集對多個采樣網絡進行訓練，將訓練后的多個采樣網絡作為多個備用網絡，包括：將第一級別網絡作為當前第一采樣網絡，將至少一個第二級別網絡和第三級別網絡中的每個網絡作為一個當前第二采樣網絡；基于當前第一采樣網絡，對多個輸入數據進行處理，確定每個輸入數據對應的第一輸出數據；基于每個輸入數據對應的第一輸出數據和每個輸入數據對應的標簽，確定第一損失值；針對多個當前第二采樣網絡中的每個當前第二采樣網絡：基于當前第二采樣網絡，對多個輸入數據進行處理，確定每個輸入數據對應的第二輸出數據；基于每個輸入數據對應的第二輸出數據和每個輸入數據對應的第一輸出數據，確定第二損失值；當第一損失值小于或等于第一預設閾值時，且當第二損失值小于或等于第二預設閾值時，將當前第一采樣網絡和當前第二采樣網絡確定為備用網絡。在一些可能的實施例中，上述當第一損失值小于或等于第一預設閾值時，且當第二損失值小于或等于第二預設閾值時，將當前第一采樣網絡和當前第二采樣深度學習網絡確定為備用網絡之前，還包括：當第一損失值大于第一預設閾值時，基于第一損失值進行反向傳播，對當前第一采樣網絡進行參數更新以得到更新后的第一采樣網絡，將更新后的第一采樣網絡確定為當前第一采樣網絡；當第二損失值大于第二預設閾值時，基于第二損失值進行反向傳播，對當前第二采樣網絡進行參數更新以得到更新后的第二采樣網絡，將更新后的第二采樣網絡確定為當前第二采樣網絡；重復步驟：基于當前第一采樣網絡，對多個輸入數據進行處理，確定每個輸入數據對應的第一輸出數據；基于每個輸入數據對應的第一輸出數據和每個輸入數據對應的標簽，確定第一損失值；基于當前第二采樣網絡，對多個輸入數據進行處理，確定每個輸入數據對應的第二輸出數據；基于每個輸入數據對應的第二輸出數據和每個輸入數據對應的第一輸出數據，確定第二損失值。在一些可能的實施例中，原始網絡包括一個主支和至少一個從支；主支包括多個網絡模塊，每個從支中的網絡模塊包括主支中的部分網絡模塊；若原始網絡存在多個從支，多個從支中每個從支至少共享一個網絡模塊。在一些可能的實施例中，每個網絡模塊中至少包括一個卷積模塊，每個卷積模塊中包括至少包括一個卷積層、一個批歸一化層(BN層)和一個激活層；卷積層、批歸一化層(BN層)和激活層串聯連接；卷積層為深度卷積層、逐點卷積層、或者二維卷積層。在一些可能的實施例中，原始設備的設備資源信息至少包括：原始設備的顯存容量數據、顯存性能數據、網絡性能數據、內存容量數據和計算能力數據；目標設備的設備資源信息至少包括：目標設備的顯存容量數據、顯存性能數據、網絡性能數據、內存容量數據和計算能力數據。在一些可能的實施例中，根據目標事件從訓練好的網絡集合中確定出原始網絡，包括：對目標事件進行分解，確定目標事件的目標任務標識和目標對象標識；獲取網絡集合中每個網絡的任務標識和對象標識；確定目標任務標識和每個任務標識的第一匹配程度值；確定目標對象標識和每個對象標識的第二匹配程度值；根據第一匹配程度值和第二匹配程度值從網絡集合中確定出原始網絡。在一些可能的實施例中，根據目標設備的設備資源信息和原始設備的設備資源信息從原始網絡上分割出目標網絡，包括：利用預設的搜索規則，根據目標設備的設備資源信息和原始設備的設備資源信息調整原本文檔來自技高網...

【技術保護點】
1.一種深度學習網絡確定方法，其特征在于，所述方法包括：/n確定目標設備待處理的目標事件；/n根據所述目標事件從訓練好的網絡集合中確定出原始網絡；所述原始網絡為所述網絡集合中與所述目標事件相匹配的網絡；/n獲取訓練所述原始網絡的原始設備的設備資源信息，以及所述目標設備的設備資源信息；/n根據所述目標設備的設備資源信息和所述原始設備的設備資源信息從所述原始網絡上分割出目標網絡；所述目標網絡用于部署在所述目標設備上，對所述目標事件進行處理，所述目標網絡和所述原始網絡的網絡模塊數量相同且網絡模塊之間的連接結構相同。/n

【技術特征摘要】
1.一種深度學習網絡確定方法，其特征在于，所述方法包括：
確定目標設備待處理的目標事件；
根據所述目標事件從訓練好的網絡集合中確定出原始網絡；所述原始網絡為所述網絡集合中與所述目標事件相匹配的網絡；
獲取訓練所述原始網絡的原始設備的設備資源信息，以及所述目標設備的設備資源信息；
根據所述目標設備的設備資源信息和所述原始設備的設備資源信息從所述原始網絡上分割出目標網絡；所述目標網絡用于部署在所述目標設備上，對所述目標事件進行處理，所述目標網絡和所述原始網絡的網絡模塊數量相同且網絡模塊之間的連接結構相同。


2.根據權利要求1所述的深度學習網絡確定方法，其特征在于，所述方法還包括訓練得到所述原始網絡的步驟：
獲取樣本數據集，所述樣本數據集包括多個輸入數據和每個所述輸入數據對應的標簽；
構建預設學習網絡，從所述預設學習網絡中確定出多個采樣網絡，為每個所述采樣網絡設置初始參數；
利用所述樣本數據集對所述多個采樣網絡進行訓練，將訓練后的多個采樣網絡作為多個備用網絡，從所述多個備用網絡中確定出所述原始網絡。


3.根據權利要求2所述的深度學習網絡確定方法，其特征在于，所述多個采樣網絡包括第一級別網絡，至少一個第二級別網絡和第三級別網絡；所述第一級別網絡，所述至少一個第二級別網絡和所述第三級別網絡的網絡模塊數量相同且網絡模塊之間的連接結構相同；
所述第一級別網絡中各個網絡模塊的輸出分辨率大于所述第二級別網絡中對應的網絡模塊的輸出分辨率；所述第二級別網絡中各個網絡模塊的輸出分辨率大于所述第三級別網絡中對應的網絡模塊的輸出分辨率；
所述第一級別網絡中各個網絡模塊的輸出通道數大于所述第二級別網絡中對應的網絡模塊的輸出通道數；所述第二級別網絡中各個網絡模塊的輸出通道數大于所述第三級別網絡中對應的網絡模塊的輸出通道數；
所述第一級別網絡中各個網絡模塊的卷積模塊數大于所述第二級別網絡中對應的網絡模塊的卷積模塊數；所述第二級別網絡中各個網絡模塊的卷積模塊數大于所述第三級別網絡中對應的網絡模塊的卷積模塊數。


4.根據權利要求2-3任一所述的深度學習網絡確定方法，其特征在于，所述利用所述樣本數據集對所述多個采樣網絡進行訓練，將訓練后的多個采樣網絡作為多個備用網絡，包括：
將所述多個采樣網絡中的每個采樣網絡作為當前采樣網絡；
基于所述當前采樣網絡，對所述多個輸入數據進行處理，確定每個所述輸入數據對應的輸出數據；
基于所述輸出數據和所述輸入數據對應的標簽，確定損失值；
當所述損失值小于或等于所述預設閾值時，將所述當前采樣網絡確定為備用網絡。


5.根據權利要求4所述的深度學習網絡確定方法，其特征在于，所述當所述損失值小于或等于所述預設閾值時，將所述當前采樣網絡確定為備用網絡之前，還包括：
當所述損失值大于預設閾值時，基于所述損失值進行反向傳播，對所述當前采樣網絡進行參數更新以得到更新后的采樣網絡，將所述更新后的采樣網絡確定為所述當前采樣網絡；
重復步驟：基于所述當前采樣網絡，對所述多個輸入數據進行處理，確定每個所述輸入數據對應的輸出數據；基于所述輸出數據和所述輸入數據對應的標簽，確定損失值。


6.根據權利要求3所述的深度學習網絡確定方法，其特征在于，所述利用所述樣本數據集對所述多個采樣網絡進行訓練，將訓練后的多個采樣網絡作為多個備用網絡，包括：
將所述第一級別網絡作為當前第一采樣網絡，將所述至少一個第二級別網絡和所述第三級別網絡中的每個網絡作為一個當前第二采樣網絡；
基于所述當前第一采樣網絡，對所述多個輸入數據進行處理，確定每個所述輸入數據對應的第一輸出數據；基于每個所述輸入數據對應的第一輸出數據和每個所述輸入數據對應的標簽，確定第一損失值；
針對多個所述當前第二采樣網絡中的每個所述當前第二采樣網絡：基于所述當前第二采樣網絡，對所述多個輸入數據進行處理，確定每個所述輸入數據對應的第二輸出數據；基于每個所述輸入數據對應的第二輸出數據和每個所述輸入數據對應的第一輸出數據，確定第二損失值；
當所述第一損失值小于或等于所述第一預設閾值時，且當所述第二損失值小于或等于所述第二預設閾值時，將所述當前第一采樣網絡和所述當前第二采樣深度學習網絡確定為備用網絡。


7.根據權利要求6所述的深度學習網絡確定方法，其特征在于，所述當所述第一損失值小于或等于所述第一預設閾值時，且當所述第二損失值小于或等于所...

【專利技術屬性】
技術研發人員：王師廣，張行程，鄭華濱，
申請(專利權)人：上海商湯智能科技有限公司，
類型：發明
國別省市：上海;31