【技術實現步驟摘要】
本申請涉及深度學習，特別是涉及一種圖像處理模型的超參數確定方法、裝置及電子設備。
技術介紹
1、在機器學習
，超參數是指在深度學習模型的訓練開始前所設置的參數值，例如，輸入圖像的尺寸，batch?size(批尺寸)，即每一次訓練所選取的樣本數量，epoch(迭代次數)等。為了保證深度學習模型性能，需要確定一組較優的超參數。
2、目前，針對深度學習模型中的圖像處理模型，相關技術中確定超參數的方法是：預先為每項超參數分別設定多個不同的候選參數值，進而，將每項超參數的多個候選參數值進行組合，得到多個參數值的組合，其中，每一組合中包含各項超參數的一個候選參數值，且每兩個組合所包含的候選參數值不同；然后，針對每一組合，基于該組合中的候選參數值對圖像處理模型進行訓練，得到該組合對應的訓練后模型；最后選取性能最優的訓練后模型所對應的組合中的候選參數值，作為圖像處理模型的超參數。
3、由于相關技術中需要經過多次訓練才能確定超參數，并且訓練的次數隨著候選參數值的數量增長呈指數級上升，導致超參數的確定過程往往要消耗大量的時間和計算資源，進而，使得確定圖像處理模型的超參數的效率較低。
技術實現思路
1、本申請實施例的目的在于提供一種圖像處理模型的超參數確定方法、裝置及電子設備，以實現提高確定圖像處理模型的超參數的效率。具體技術方案如下：
2、第一方面，本申請實施例提供了一種圖像處理模型的超參數確定方法，所述方法包括：
3、獲取用于訓練圖像處理模型的樣
4、根據預先建立的樣本尺寸集與輸入尺寸集之間的第一關聯關系，確定與所述目標樣本尺寸相關聯的輸入尺寸，作為所述圖像處理模型的輸入圖像的尺寸；其中，在所述第一關聯關系中，樣本尺寸與輸入尺寸正相關；
5、根據所確定的輸入圖像的尺寸，和用于訓練所述圖像處理模型的設備中為所述圖像處理模型分配的存儲空間的大小，計算訓練所述圖像處理模型的批尺寸；
6、基于指定信息計算訓練所述圖像處理模型的迭代次數；其中，所述指定信息包括：所確定的輸入圖像的尺寸、所述樣本圖像的類別總數和輔助信息中的至少一種；所述樣本圖像的類別總數為所述樣本圖像中需要檢測的指定對象的類別的總數目；所述輔助信息表征：所述圖像處理模型是否為經過預訓練的模型。
7、可選地，所述獲取用于訓練圖像處理模型的樣本圖像的圖像尺寸，作為目標樣本尺寸，包括：
8、在所述圖像處理模型為第一類模型的情況下，獲取用于訓練圖像處理模型的樣本圖像的圖像尺寸，作為目標樣本尺寸；其中，所述第一類模型為無需確定圖像中所包含對象的檢測框的圖像處理模型；
9、所述方法還包括：
10、在所述圖像處理模型為第二類模型的情況下，在用于訓練所述圖像處理模型的樣本圖像中，確定需要檢測的指定對象所占圖像區域與所述樣本圖像的面積的比值，作為目標面積比值；其中，所述第二類模型為需要確定圖像中指定對象的檢測框的圖像處理模型；
11、根據預先建立的面積比值集與輸入尺寸集之間的第二關聯關系，確定與所述目標面積比值相關聯的輸入尺寸，作為所述圖像處理模型的輸入圖像的尺寸；其中，在所述第二關聯關系中，面積比值與輸入尺寸負相關。
12、可選地，所述方法還包括：
13、在所述圖像處理模型為光學字符識別模型的情況下，獲取用于訓練所述圖像處理模型的樣本圖像中字符的數量，作為目標字符數量；
14、根據預先建立的字符數量集與輸入尺寸集之間的第三關聯關系，確定與所述目標字符數量相關聯的輸入尺寸，作為所述圖像處理模型的輸入圖像的尺寸；其中，在所述第三關聯關系中，字符數量與輸入尺寸正相關。
15、可選地，所述根據所確定的輸入圖像的尺寸，和用于訓練所述圖像處理模型的設備中為所述圖像處理模型分配的存儲空間的大小，計算訓練所述圖像處理模型的批尺寸，包括：
16、根據所確定的輸入圖像的尺寸和用于訓練所述圖像處理模型的設備中為所述圖像處理模型分配的存儲空間的大小，按照預設算式計算訓練所述圖像處理模型的批尺寸：
17、batchsize＝(r-base)/add；
18、其中，batchsize表示用于訓練所述圖像處理模型的批尺寸；r表示所述設備中為所述圖像處理模型分配的存儲空間的大小；base表示基于所確定的輸入圖像的尺寸計算出的第一計算參數；add表示基于所確定的輸入圖像的尺寸計算出的第二計算參數。
19、可選地，計算所述第一計算參數和所述第二計算參數的方式包括：
20、在所述圖像處理模型的輸入圖像的尺寸為所確定的輸入圖像的尺寸，批尺寸為第一預設值的情況下，確定訓練所述圖像處理模型時所占用的存儲空間的大小，作為第一存儲大小；
21、在所述圖像處理模型的輸入圖像的尺寸為所確定的輸入圖像的尺寸，批尺寸為第二預設值的情況下，確定訓練所述圖像處理模型所需占用的存儲空間的大小，作為第二存儲大小；
22、根據所述第一預設值、所述第一存儲大小、所述第二預設值和所述第二存儲大小，按照如下算式，求解得到所述第一計算參數和所述第二計算參數：
23、r1＝base+batchsize1*add；
24、r2＝base+batchsize2*add；
25、其中，base表示所述第一計算參數；add表示所述第二計算參數；r1表示所述第一存儲大小；r2表示所述第二存儲大小；batchsize1表示所述第一預設值；batchsize2表示所述第二預設值。
26、可選地，所述基于指定信息計算訓練所述圖像處理模型的迭代次數，包括：
27、基于預先設定的初始迭代值與目標計算系數的乘積，確定訓練所述圖像處理模型的迭代次數；
28、其中，所述目標計算系數為第一計算系數、第二計算系數、第三計算系數中的至少一項，或至少兩項的乘積；所述第一計算系數為：基于預先建立的類別總數集與計算系數集之間的第四關聯關系，所確定的與所述樣本圖像的類別總數相關聯的計算系數；在所述第四關聯關系中，類別總數與計算系數正相關；所述第二計算系數為：基于預先建立的圖像尺寸集與計算系數集之間的第五關聯關系，確定的與所確定的圖像輸入的尺寸相關聯的計算系數；在所述第五關聯關系中，圖像尺寸與計算系數負相關；在所述輔助信息表征所述圖像處理模型為經過預訓練的模型的情況下，所述第三計算系數大于0且小于1；在所述輔助信息表征所述圖像處理模型為未經過預訓練的模型的情況下，所述第三計算系數等于1。
29、可選地，所述基于預先設定的初始迭代值與目標計算系數的乘積，確定訓練所述圖像處理模型的迭代次數，包括：
30、計算預先設定的初始迭代值與目標計算系數的乘積，得到待利用迭代次數；
31、若所述待利用迭代次數小于預設迭代次數，則將所述預設迭代次數作為訓練所述圖像處理模型的迭代次數；
32、本文檔來自技高網...
【技術保護點】
1.一種圖像處理模型的超參數確定方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述獲取用于訓練圖像處理模型的樣本圖像的圖像尺寸，作為目標樣本尺寸，包括：
3.根據權利要求2所述的方法，其特征在于，所述方法還包括：
4.根據權利要求1-3任一所述的方法，其特征在于，所述根據所確定的輸入圖像的尺寸，和用于訓練所述圖像處理模型的設備中為所述圖像處理模型分配的存儲空間的大小，計算訓練所述圖像處理模型的批尺寸，包括：
5.根據權利要求4所述的方法，其特征在于，計算所述第一計算參數和所述第二計算參數的方式包括：
6.根據權利要求1-3任一所述的方法，其特征在于，所述基于指定信息計算訓練所述圖像處理模型的迭代次數，包括：
7.根據權利要求6所述的方法，其特征在于，所述基于預先設定的初始迭代值與目標計算系數的乘積，確定訓練所述圖像處理模型的迭代次數，包括：
8.一種圖像處理模型的超參數確定裝置，其特征在于，所述裝置包括：
9.根據權利要求8所述的裝置，其特征在于，所述第一
10.根據權利要求8所述的裝置，其特征在于，所述裝置還包括：第三尺寸獲取模塊，用于在所述圖像處理模型為光學字符識別模型的情況下，獲取用于訓練所述圖像處理模型的樣本圖像中字符的數量，作為目標字符數量；
11.一種電子設備，其特征在于，包括：
12.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質內存儲有計算機程序，所述計算機程序被處理器執行時實現權利要求1-7任一所述的方法。
...【技術特征摘要】
1.一種圖像處理模型的超參數確定方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述獲取用于訓練圖像處理模型的樣本圖像的圖像尺寸，作為目標樣本尺寸，包括：
3.根據權利要求2所述的方法，其特征在于，所述方法還包括：
4.根據權利要求1-3任一所述的方法，其特征在于，所述根據所確定的輸入圖像的尺寸，和用于訓練所述圖像處理模型的設備中為所述圖像處理模型分配的存儲空間的大小，計算訓練所述圖像處理模型的批尺寸，包括：
5.根據權利要求4所述的方法，其特征在于，計算所述第一計算參數和所述第二計算參數的方式包括：
6.根據權利要求1-3任一所述的方法，其特征在于，所述基于指定信息計算訓練所述圖像處理模型的迭代次數，包括：
7.根據權利要求6所述的方法，其特征在于，所述基于預先設定的初始迭代值與目標計算系數的乘積...
【專利技術屬性】
技術研發人員：張晨陽，張康龍，唐恒博，全曉臣，
申請(專利權)人：杭州海康機器人股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。