[发明专利]图像处理方法、装置、设备

说明书

本发明实施例提供一种图像处理方法、装置、设备，该图像处理方法通过使用一模型对图像进行处理，该模型可以通过如下步骤获得：获取初始的模型；确定模型对应的压缩策略，压缩策略中包括压缩方法以及压缩方法对应的目标压缩率；采用压缩方法，按照逐步增加压缩率的方式，迭代地对模型进行压缩，直至满足截止条件，截止条件包括模型被压缩至目标压缩率或者模型精度满足设定条件。从而，通过逐步压缩的方式，既使得模型得到有效压缩，又保证模型的精度，从而得到用于图像处理的压缩后的模型。

技术领域

本发明涉及数据处理技术领域，尤其涉及一种图像处理方法、装置、设备。

背景技术

深度神经网络作为目前人工智能的基石之一，其复杂性及可移植性将直接影响人工智能在生活中的应用。

近年来，深度神经网络模型层数越来越多，计算复杂度越来越高，而过高的计算复杂度通常要求使用GPU或者高性能的CPU对深度神经网络模型进行运算。而在深度学习的实际应用中，诸如移动设备、嵌入式设备等计算、体积、功耗等方面受限的设备，也需要应用深度学习技术。

由于这些设备存在的约束，导致现有的高性能深度神经网络模型无法在这些设备上进行有效的计算和应用。比如，当需要使用训练好的模型对图像进行分类识别，或者需要使用训练好的模型进行自然语言翻译、词性标注，或者需要使用训练好的模型进行语音数据识别时，如果训练好的模型的尺寸过大，一方面会占用设备的存储资源，另一方面，模型运行时也将占用设备过大的计算资源，影响设备中其他应用的正常运行。

发明内容

本发明实施例提供一种图像处理方法、装置、设备，用以实现通过压缩后的模型对图像进行处理。

第一方面，本发明实施例提供一种图像处理方法，该图像处理方法通过使用模型对图像进行处理，其中，该模型可以通过以下步骤获得：

获取初始的模型；

确定所述模型对应的压缩策略，所述压缩策略中包括压缩方法以及所述压缩方法对应的目标压缩率；

采用所述压缩方法，按照逐步增加压缩率的方式，迭代地对所述模型进行压缩，直至满足截止条件，所述截止条件包括所述模型被压缩至所述目标压缩率或者模型精度满足设定条件。

第二方面，本发明实施例提供一种图像处理装置，使用模型对图像进行处理，包括：

获取模块，用于获取初始的模型；

确定模块，用于确定所述模型对应的压缩策略，所述压缩策略中包括压缩方法以及所述压缩方法对应的目标压缩率；

处理模块，用于采用所述压缩方法，按照逐步增加压缩率的方式，迭代地对所述模型进行压缩，直至满足截止条件，所述截止条件包括所述模型被压缩至所述目标压缩率或者模型精度满足设定条件。

第三方面，本发明实施例提供一种电子设备，该电子设备包括第一处理器和第一存储器，所述第一存储器用于存储一条或多条计算机指令，其中，所述一条或多条计算机指令被所述第一处理器执行时实现上述第一方面中的图像处理方法。

本发明实施例提供了一种计算机存储介质，用于储存计算机程序，所述计算机程序使计算机执行时实现上述第一方面中的图像处理方法。

第四方面，本发明实施例提供一种语音处理方法，使用模型对语音数据进行识别，所述模型通过如下步骤获得：

获取初始的模型；

确定所述模型对应的压缩策略，所述压缩策略中包括压缩方法以及所述压缩方法对应的目标压缩率；

采用所述压缩方法，按照逐步增加压缩率的方式，迭代地对所述模型进行压缩，直至满足截止条件，所述截止条件包括所述模型被压缩至所述目标压缩率或者模型精度满足设定条件。