[发明专利]模型推荐方法及装置、设备、计算机存储介质

说明书

本申请实施例公开了一种模型推荐方法及装置、设备、计算机存储介质，模型推荐方法包括：获取在第一硬件运行的神经网络模型目标属性参数；目标属性参数包括期望速度值和/或期望精度值；基于第一硬件和目标属性参数，在预设的神经网络模型库中对各神经网络模型进行筛选，得到与目标属性参数相匹配的神经网络模型；预设的神经网络模型库中的各神经网络模型的属性参数为在第二硬件测试得到，第二硬件包括第一硬件。实现了模型的自动化推荐。

技术领域

本公开涉及人工智能领域，尤其涉及一种模型推荐方法及装置、设备、计算机存储介质。

背景技术

随着人工智能的快速发展，深度学习技术成功的被应用于计算机视觉领域。使得对图像的特征提取从传统的手工设计转变为根据数据进行自动提取，极大的提高了图像特征的鲁棒性和识别的准确性。在这其中，模型的设计起到了至关重要的作用。

由于针对同一任务，基于不同模型所能达到的任务处理效果是存在差异的，因此，对于特定任务选取合适的模型具有重要的意义。然而，相关技术中在进行模型的选择时，往往是工程人员基于工作经验进行选择，选择难度高、准确性较差，使得模型的试错成本较高，进而导致了模型的选择周期较长的缺陷。

发明内容

本公开实施例提供一种模型推荐方法及装置、设备、计算机存储介质。

本公开的技术方案是这样实现的：

本公开实施例提供一种模型推荐方法，所述方法包括：

获取在第一硬件运行的神经网络模型目标属性参数；所述目标属性参数包括期望速度值和/或期望精度值；基于所述第一硬件和所述目标属性参数，在预设的神经网络模型库中对各神经网络模型进行筛选，得到与所述目标属性参数相匹配的神经网络模型；所述预设的神经网络模型库中的各神经网络模型的属性参数为在第二硬件测试得到，所述第二硬件包括所述第一硬件。

这样，在给定期望的硬件平台环境下包括的期望的速度值和期望的精度值等目标属性参数之后，便可以从预先设置的模型库中快速且准确的确定出与目标属性参数匹配的神经网络模型，实现了模型的自动化推荐。

上述方法中，所述目标属性参数还包括基于所述第一硬件运行的神经网络模型处理的批次量；所述基于所述第一硬件和所述目标属性参数，在预设的神经网络模型库中对各神经网络模型进行筛选，得到与所述目标属性参数相匹配的神经网络模型，包括：基于所述第一硬件、所述批次量、所述目标属性参数，在所述预设的神经网络模型库中对各神经网络模型进行筛选，得到帕累托模型；其中，所述帕累托模型为满足所述期望速度值和/或期望精度值，且计算速度和计算精度最优的神经网络模型；将所述帕累托模型确定为与所述目标属性参数相匹配的神经网络模型。

这样，在给定期望硬件平台环境下包括的期望的批次量、期望的速度值以及期望的精度值等目标属性参数之后，便可以从预先设置的模型库中快速且准确的确定出满足目标属性参数，且计算速度和计算精度最优的神经网络模型，实现了模型的自动化推荐。

上述方法中，所述预设的神经网络模型库基于如下方法构建，包括：获取第一网络结构库，所述第一网络结构库包括至少一种类型的初始神经网络结构；对获取的第一网络结构库进行扩展，得到第二网络结构库；基于第一数据集对所述第二网络结构库中各神经网络结构进行训练处理，得到对应的各神经网络模型；在每一所述第二硬件下，以每一种所述批次量作为输入对所述各神经网络模型进行测试，得到所述各神经网络模型的计算速度值和计算精度值；将所述第二硬件、所述批次量、所述计算速度值和所述计算精度值，与对应的所述神经网络模型进行关联，得到所述预设的神经网络模型库中的所述各神经网络模型的属性参数。