[发明专利]深度学习模型的转换方法、装置、电子设备和存储介质

说明书

本申请公开了深度学习模型的转换方法、装置、电子设备和存储介质，涉及深度学习等人工智能技术领域。具体实现方案为：将深度学习模型的原深度学习框架进行转换，以得到深度学习模型的目标深度学习框架，并基于目标深度学习框架，确定深度学习模型的模型图结构，并从模型图结构中的运算节点中，确定出对应的频繁项集集合，并结合对N个运算节点之中的部分节点进行合并，以合并为模块，根据模块和未合并的运算节点生成优化后的模型图结构，对优化后的模型图结构进行代码转换，以得到代码结果。由此，实现对模型图结构中的运算节点进行模块化处理，减少了优化后的模型图结构中的节点的数量，从而达到优化代码，提升转换后代码的可读性。

技术领域

本申请涉及计算机技术领域，具体涉及深度学习等人工智能技术领域，尤其涉及深度学习模型的转换方法、装置、电子设备和存储介质。

背景技术

随着人工智能领域的快速发展，涌现了许多优秀的深度学习框架。在一些场景中，在用户需要将一种深度学习框架所构建的模型，转移到另一个自己所熟悉的深度学习框架上，此时，用户可通过模型转换工具对模型的框架进行转换。然而，相关技术中的模型转换工具的转换效果并不理想，用户的模型转换体验较差。

发明内容

本申请提供了一种用于深度学习模型的转换方法、装置、电子设备和存储介质。

根据本申请的一方面，提供了一种深度学习模型的转换方法，包括：将深度学习模型的原深度学习框架进行转换，以得到所述深度学习模型的目标深度学习框架；根据所述目标深度学习框架，确定所述深度学习模型的模型图结构，其中，所述模型图结构包括依次连接的N个运算节点，其中，N为大于1的整数；根据所述N个运算节点，确定出对应的频繁项集集合，其中，所述频繁项集集合包括至少一个频繁项集，其中，所述频繁项集由依次连接的M个运算节点组成，其中，M为大于1，且小于N的整数；根据所述至少一个频繁项集对所述N个运算节点之中的部分节点进行合并，以合并为模块；根据所述模块和未合并的所述运算节点生成优化后的模型图结构；对所述优化后的模型图结构进行代码转换，以得到所述深度学习模型的代码结果。

根据本申请的另一方面，提供了一种深度学习模型的转换装置，包括：第一转换模块，用于将深度学习模型的原深度学习框架进行转换，以得到所述深度学习模型的目标深度学习框架；第一确定模块，用于根据所述目标深度学习框架，确定所述深度学习模型的模型图结构，其中，所述模型图结构包括依次连接的N个运算节点，其中，N为大于1的整数；第二确定模块，用于根据所述N个运算节点，确定出对应的频繁项集集合，其中，所述频繁项集集合包括至少一个频繁项集，其中，所述频繁项集由依次连接的M个运算节点组成，其中，M为大于1，且小于N的整数；合并模块，用于根据所述至少一个频繁项集对所述N个运算节点之中的部分节点进行合并，以合并为模块；生成模块，用于根据所述模块和未合并的所述运算节点生成优化后的模型图结构；第二转换模块，用于对所述优化后的模型图结构进行代码转换，以得到所述深度学习模型的代码结果。

根据本申请的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请的深度学习模型的转换方法。

根据本申请的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请实施例公开的深度学习模型的转换方法。

根据本申请的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现本申请的深度学习模型的转换方法。

上述申请中的一个实施例具有如下优点或有益效果：