[发明专利]一种向量输出方法、可读存储介质和电子设备

说明书

本申请涉及机器学习技术领域，特别涉及一种向量输出方法、可读存储介质和电子设备。该方法包括：获取神经网络模型；确定神经网络模型中多个网络层中可以注册的网络层；判断用户输入的待输出网络层的标识信息与可以注册的网络层的预设标识信息是否相同，若相同，得到已注册的网络层，已注册的网络层包括用于调用神经网络模型的输入网络层至已注册的网络层的接口，接口在调用时，基于待处理数据对神经网络模型进行推理，得到已注册的网络层的向量输出结果。如此，用户可以仅基于标识信息便可以得到任意一个已注册的网络层的输出结果，与手动更改网络结构或者改变模型对应的程序代码相比，提升了用户的工作效率及用户体验。

技术领域

本申请涉及机器学习技术领域，特别涉及一种向量输出方法、可读存储介质和电子设备。

背景技术

随着人工智能(Artificial Intelligence，AI)技术的快速发展，诸如神经网络模型等的机器学习模型近年来在商品推荐、版权保护、数据管理、软件安全、短视频、制药、金融、保险等诸多领域中得到了广泛应用。

诸如神经网络模型等的机器学习模型一般为固定结构，仅在最后一层输出层输出结果。若是需要得到机器学习模型的中间层的向量输出结果，往往需要手动更改模型结构或者改变模型对应的程序代码，而这种解决方案工作量较大且较繁琐。例如，神经网络模型包括多个网络层(输入层、中间层和输出层)，由于神经网络模型的结构一般为固定结构，一个神经网络模型的输入层在得到输入数据后，往往只在神经网络模型的最后一层输出层输出结果。若是需要得到神经网络模型的中间层的向量输出向量，往往需要手动更改模型结构或者改变模型对应的程序代码，而这种解决方案工作量较大且较繁琐。

发明内容

本申请实施例提供了一种向量输出方法、可读存储介质和电子设备。

第一方面，本申请实施例提供了一种向量输出方法，应用于电子设备，该方法包括：获取神经网络模型，其中，所述神经网络模型包括多个网络层；确定所述多个网络层中可以注册的网络层；判断用户输入的待输出网络层的标识信息与可以注册的网络层的预设标识信息是否相同；在判断出所述用户输入的待输出网络层的标识信息与所述预设标识信息相同的情况下，得到已注册的网络层，其中，所述已注册的网络层包括用于调用所述神经网络模型的输入网络层至已注册的网络层的接口，所述接口在调用时，用于基于待处理数据对所述神经网络模型进行推理，得到所述已注册的网络层的向量输出结果。

基于本申请的技术方案，用户可以仅基于待输出网络层的预设标识信息便可以得到任意一个已注册的网络层的输出结果，与现有技术中用户通过手动更改网络结构或者改变模型对应的程序代码相比，提升了用户的工作效率及用户体验。

在上述第一方面的一种可能的实现中，所述得到已注册的网络层，包括：确定用户输入的待输出网络层的预设标识信息；基于所述待输出网络层的预设标识信息得到的已创建的调用所述神经网络模型的输入网络层至已注册的网络层的接口。

在上述第一方面的一种可能的实现中，所述已注册的网络层的数量为多个，多个所述已注册的网络层分别用于输出不同尺寸的向量。

如此，提高了神经网络模型输出的灵活性，用户可以根据实际场景和需求，得到任意尺寸的向量输出结果，提升了用户体验。

在上述第一方面的一种可能的实现中，所述方法还包括：对所述已注册的网络层进行可视化显示，以区分开所述已注册的网络层与未注册的网络层。

如此，用户可以直观的看到注册的网络层，提升用户体验。

在上述第一方面的一种可能的实现中，所述方法还包括：获取待处理数据；将所述待处理数据输入所述神经网络模型；调用所述神经网络模型的输入网络层至已注册的网络层的接口，基于所述待处理数据对所述神经网络模型进行推理，得到所述已注册的网络层的向量输出结果。