通道系數調整方法技術

本申請公開了一種通道系數調整方法

【技術實現步驟摘要】
通道系數調整方法、裝置、存儲介質以及計算機設備


[0001]本申請涉及機器學習
，具體而言，涉及一種通道系數調整方法
、
裝置
、
存儲介質和計算機設備
。

技術介紹

[0002]機器學習是實現人工智能的核心和基礎，而人工神經網絡算法是人工智能的一種常用實現方式
。
具體來說，是根據人工神經網絡算法設計神經網絡模型，該神經網絡模型中包括大量的卷積核和卷積通道，然后通過大量的訓練數據對原始的神經網絡模型中的模型參數進行訓練，得到訓練好的神經網絡模型，且訓練好的神經網絡模型基于任意輸入數據進行卷積運算等，得到一個輸出數據
。

技術實現思路

[0003]本申請提供一種通道系數調整方法
、
裝置
、
存儲介質以及計算機設備，可以解決如何提高數據處理模型輸出數據的準確度的技術問題
。
[0004]第一方面，本申請實施例提供一種通道系數調整方法，該方法包括：
[0005]基于多媒體任務的處理類型確定數據處理模型的前置任務；
[0006]采用所述前置任務對第一多媒體數據集進行數據擴展處理，以得到第二多媒體數據集；
[0007]將所述第一多媒體數據集輸入至所述數據處理模型，以得到所述數據處理模型的第一損失參數；
[0008]將所述第一多媒體數據集和所述第二多媒體數據集輸入至所述數據處理模型進行訓練，以得到所述數據處理模型的第二損失參數；
[0009]基于所述第一損失參數和所述第二損失參數，更新所述數據處理模型中卷積通道的通道重要系數，以得到訓練后的數據處理模型
。
[0010]第二方面，本申請實施例提供一種通道系數調整裝置，包括：
[0011]任務確定模塊，用于基于多媒體任務的處理類型確定數據處理模型的前置任務；
[0012]數據處理模塊，用于采用所述前置任務對第一多媒體數據集進行數據擴展處理，以得到第二多媒體數據集；
[0013]第一獲取模塊，用于將所述第一多媒體數據集輸入至所述數據處理模型，以得到所述數據處理模型的第一損失參數；
[0014]第二獲取模塊，用于將所述第一多媒體數據集和所述第二多媒體數據集輸入至所述數據處理模型進行訓練，以得到所述數據處理模型的第二損失參數；
[0015]系數更新模塊，用于基于所述第一損失參數和所述第二損失參數，更新所述數據處理模型中卷積通道的通道重要系數，以得到訓練后的數據處理模型
。
[0016]第三方面，本申請實施例提供一種存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序適于由處理器加載并執行上述方法的步驟
。
[0017]第四方面，本申請實施例提供一種計算機設備，包括存儲器
、
處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現上述的方法的步驟
。
[0018]在本申請實施例中，根據多媒體任務的處理類型，增設一個針對于數據處理模型的前置任務，以通過前置任務對第一多媒體數據集進行數據擴展處理，從而得到大量的第二多媒體數據集，然后獲取第一多媒體數據集對應的第一損失參數，同時獲取第一多媒體數據集和第二多媒體數據集對應的第二損失參數，以根據這兩個同步訓練得到的損失參數更新數據處理模型中卷積通道的通道系數，從而通過增大數據處理模型的訓練數據量來提高數據處理模型的剪枝準確度，并通過新增一條損失參數的獲取途徑，即第二損失參數的獲取途徑，來提高數據處理模型的魯棒性和泛化性，進而通過提高數據處理模型針對于多媒體任務的處理類型的剪枝準確度
、
魯棒性和泛化性，以提高數據處理模型在不同場景或不同任務下所獲取到的輸出數據的準確度，同時還將降低了數據處理模型的剪枝網絡在剪枝過程中的精度損失
。
附圖說明
[0019]為了更清楚地說明本申請實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本申請的一些實施例，對于本領域技術人員來講，在不付出創造性勞動的前提下，還可以根據這些附圖獲得其他的附圖
。
[0020]圖1為本申請實施例提供的一種通道系數調整方法的流程示意圖；
[0021]圖2為本申請實施例提供的一種通道系數調整方法的流程示意圖；
[0022]圖3為本申請實施例提供的一種通道系數調整方法的流程示意圖；
[0023]圖4為本申請實施例提供的一種通道系數調整方法的流程示意圖；
[0024]圖5為本申請實施例提供的一種通道系數調整裝置的結構示意圖；
[0025]圖6為本申請實施例提供的一種通道系數調整裝置的結構示意圖；
[0026]圖7是本申請實施例提供的一種計算機設備的結構示意圖
。
具體實施方式
[0027]為使得本申請的特征和優點能夠更加的明顯和易懂，下面將結合本申請實施例中的附圖，對本申請實施例中的技術方案進行清楚
、
完整地描述，顯然，所描述的實施例僅僅是本申請一部分實施例，而非全部實施例
。
基于本申請中的實施例，本領域技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬于本申請保護的范圍
。
[0028]在向神經網絡模型輸入數據，然后通過神經網絡模型對輸入數據進行卷積運算，以得到輸出數據的過程中，由于神經網絡模型中存在大量的卷積核和卷積通道，神經網絡模型的計算量大
、
耗時長
。
為了降低神經網絡模型的計算量，進而降低神經網絡模型的耗時，在現有技術中，會對神經網絡模型進行通道剪枝，以精簡該神經網絡模型，從而通過減少神經網絡模型的計算量來提高神經網絡模型的運算速度
。
[0029]現有的通道剪枝方法是根據一組數據對神經網絡模型進行訓練，從而根據該組訓練數據得到的損失參數來更新神經網絡模型中卷積通道的通道重要系數，其中，通道重要
系數小于設定閾值的卷積通道即為神經網絡模型被剪去的通道，因此，該通道剪枝方法的魯棒性和泛化性較差，進而導致神經網絡模型在針對其它場景下的輸入數據獲取輸出數據時，輸出數據的準確性較差
。
[0030]下面將結合圖1?
圖4，對本申請實施例提供的通道系數調整方法進行詳細介紹
。
[0031]請參見圖1，為本申請實施例提供了一種通道系數調整方法的流程示意圖
。
如圖1所示，所述方法可以包括以下步驟
S101
?
步驟
S105。
[0032]S101
，基于多媒體任務的處理類型確定數據處理模型的前置任務
。
[0033]在一種實現方式中，多媒體任務是指數據處理模型所執行的多媒體任務，如圖像分類
、
圖像分割
、
目標檢測
、...

【技術保護點】

【技術特征摘要】
1.
一種通道系數調整方法，其特征在于，所述方法包括：基于多媒體任務的處理類型確定數據處理模型的前置任務；采用所述前置任務對第一多媒體數據集進行數據擴展處理，以得到第二多媒體數據集；將所述第一多媒體數據集輸入至所述數據處理模型，以得到所述數據處理模型的第一損失參數；將所述第一多媒體數據集和所述第二多媒體數據集輸入至所述數據處理模型進行訓練，以得到所述數據處理模型的第二損失參數；基于所述第一損失參數和所述第二損失參數，更新所述數據處理模型中卷積通道的通道重要系數，以得到訓練后的數據處理模型
。2.
根據權利要求1所述的方法，其特征在于，所述將所述第一多媒體數據集輸入至所述數據處理模型，以得到所述數據處理模型的第一損失參數，包括：基于所述數據處理模型中的基礎網絡，對所述第一多媒體數據集中多個第一多媒體數據進行卷積運算，得到多個第一數據特征；基于所述數據處理模型中的剪枝網絡，對所述第一多媒體數據集中多個第一多媒體數據進行卷積運算，得到多個第二數據特征；基于所述多個第一數據特征和所述多個第二數據特征獲取所述數據處理模型的第一損失參數
。3.
根據權利要求1所述的方法，其特征在于，所述將所述第一多媒體數據集和所述第二多媒體數據集輸入至所述數據處理模型進行訓練，以得到所述數據處理模型的第二損失參數，包括：基于所述數據處理模型中的基礎網絡，對所述第一多媒體數據集中的多個第一多媒體數據和所述第二多媒體數據集中的多個第二多媒體數據進行卷積運算，得到多個第三數據特征；基于所述數據處理模型中的剪枝網絡，對所述第一多媒體數據集中的多個第一多媒體數據和所述第二多媒體數據集中的多個第二多媒體數據進行卷積運算，得到多個第四數據特征；基于所述多個第三數據特征和所述多個第四數據特征獲取所述數據處理模型的第二損失參數
。4.
根據權利要求1所述的方法，其特征在于，所述將所述第一多媒體數據集和所述第二多媒體數據集輸入至所述數據處理模型進行訓練，以得到所述數據處理模型的第二損失參數，包括：遍歷所述第一多媒體數據集和所述第二多媒體數據集，以在所述第一多媒體數據集和所述第二多媒體數據集中獲取目標多媒體數據，所述目標多媒體數據為所述第一多媒體數據集和所述第二多媒體數據集中的任一多媒體數據；基于所述數據處理模型中的基礎網絡，對所述目標多媒體數據進行卷積運算，得到第五數據特征；基于所述數據處理模型中的剪枝網絡，對所述目標多媒體數據進行卷積運算，得到第六數據特征；
基于所述第五數據特征和所述第六數據特征獲取所述數據處理模型的第三損失參數；若所述第一多媒體數據集和所述第二多媒體數據集遍歷結束，則基于多個所述第三損失參數獲取所述數據處理模型的第二損失參數
。5.
根據權利要求1所述的方法，其特征在于，所述將所述第一多媒體數據集和所述第二多媒體數據集輸入至所述數據處理模型進行訓練，以得到所述數據處理模型的第二損失參數，包括：基于所述數據處理模型中的剪枝網絡，對所述第一多媒體數據集中的多個第一多媒體數據和所述第二多媒體數據集中的多個第二多媒體數據進行卷積運算，得到多個第七數據特征；基于所述多個第七數據特征獲取所述數據處理模型的第二損失參數
。6.

【專利技術屬性】
技術研發人員：劉松，
申請(專利權)人：OPPO，
類型：發明
國別省市：