[发明专利]一种智能调节神经网络模型的方法

权利要求书

1.一种智能调节神经网络模型的方法，其特征在于，设置一服务端以及与所述服务端远程连接的用户端；

于所述服务端内预设有一训练完成的神经网络模型，所述神经网络模型具有预设的压缩率；

于所述用户端内包括需要应用所述神经网络模型处理数据的应用程序；

所述方法具体包括：

步骤S1，所述服务端将所述神经网络模型发送至所述用户端，所述用户端应用所述神经网络模型，通过所述应用程序对数据进行处理；

步骤S2，所述用户端在预设时段内判断数据的处理结果的正确率是否匹配于所述神经网络模型当前的压缩率：

若不匹配，则所述用户端调整所述神经网络模型的压缩率，随后转向下一个预设时段，并返回所述步骤S2；

若匹配，则所述用户端保持所述神经网络模型当前的压缩率不变，随后退出；

预先将所述神经网络模型的压缩率由高至低划分为多个压缩等级，多个所述压缩等级中包括一中间的压缩等级；

所述步骤S1中，所述服务端向所述用户端发送的所述神经网络模型拥有中间的压缩等级的压缩率；

所述步骤S2具体包括：

步骤S21c，所述用户端在当前的预设时段内判断数据的处理结果的正确率：

若所述正确率不低于一预设的第二更新阈值，则转向步骤S22c；

若所述正确率在所述第二更新阈值和一预设的第三下限阈值之间，则转向步骤S23c；

若所述正确率低于所述第三下限阈值，则转向步骤S24c；

步骤S22c，所述用户端对所述神经网络模型进行一次压缩，随后转向下一个预设时段，并转向步骤S25c；

步骤S23c，所述用户端保持所述神经网络模型当前的压缩率不变，随后退出；

步骤S24c，所述用户端将所述神经网络模型的压缩率调至低一级的压缩等级，随后转向下一个所述预设时段，并转向步骤S26c；

步骤S25c，所述用户端在当前的所述预设时段内再次判断数据的处理结果的正确率：

若所述正确率不低于所述第三下限阈值，则返回所述步骤S22c；

若所述正确率在所述第二更新阈值和一预设的第三下限阈值之间，则返回所述步骤S23c；

若所述正确率低于所述第三下限阈值，则将所述神经网络模型恢复成上一个所述预设时段内应用的压缩率，随后退出；

步骤S26c，所述用户端在当前的所述预设时段内再次判断数据的处理结果的正确率：

若所述正确率低于所述第三下限阈值，则返回所述步骤S24c；

若所述正确率不低于所述第三下限阈值，则保持所述神经网络模型当前的压缩率不变，随后退出。

2.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括：

步骤S21a，所述用户端在当前的预设时段内判断数据的处理结果的正确率是否不低于一预设的第一更新阈值：

若是，则转向步骤S22a；

若否，则所述用户端保持所述神经网络模型当前的压缩率不变，随后退出；

步骤S22a，所述用户端对所述神经网络模型进行一次压缩，随后转向下一个所述预设时段，并转向步骤S23a；

步骤S23a，所述用户端在当前的所述预设时段内判断所述处理结果的正确率是否不低于一预设的更新阈值：

若是，则返回所述步骤S22a；

若否，则转向步骤S24a；

步骤S24a，所述用户端判断所述处理结果的正确率是否低于一预设的第一下限阈值：

若是，则所述用户端将所述神经网络模型恢复成上一个所述预设时段内应用的压缩率，随后退出；

若否，则所述用户端保持所述神经网络模型当前的压缩率不变，随后退出。

3.根据权利要求2所述的方法，其特征在于，所述服务端发送给所述用户端的所述神经网络模型未经过压缩。