本申请涉及深度学习,特别是涉及一种模型评估的方法及相关装置。
背景技术:
1、目前,将神经网络算法应用到电子设备上,须先将训练好的神经网络模型转换为目标电子设备平台的模型,然后将模型部署到目标电子设备,才能使用神经网络算法进行推理工作。然而,转换后神经网络模型的推理效果往往不能完全与原始的神经网络模型推理效果一致,从而很难保证模型在目标电子设备上的部署效果。
技术实现思路
1、本申请提供一种模型评估的方法及相关装置,可以通过目标平台的设备的运行情况选择出符合目标平台的设备的最优模型,可以提升模型在目标平台的设备上的部署效果。
2、为达到上述目的,本申请提供一种模型评估的方法,该方法包括:
3、获得多个候选训练模型,其中,所述多个候选训练模型为初始模型在多个不同迭代周期的训练结果;
4、利用目标平台的模型转换参数,将每个候选训练模型转换成候选目标模型,得到多个所述候选目标模型;
5、让所述目标平台的设备利用每个所述候选目标模型对素材数据进行处理,得到多个所述候选目标模型对所述素材数据的验证结果,以基于所述验证结果筛选出用于部署到所述目标平台的最优候选目标模型。
6、为达到上述目的,本申请提供一种模型评估的方法,该方法包括:
7、目标平台的设备获得多个候选目标模型,其中,所述多个候选目标模型是利用目标平台的模型转换参数将多个候选训练模型转换得到的,所述多个候选训练模型为初始模型在多个不同迭代周期的训练结果;
8、利用每个所述候选目标模型对素材数据进行处理,得到多个所述候选目标模型对所述素材数据的验证结果,以基于所述验证结果筛选出用于部署到所述目标平台的最优候选目标模型。
9、为达到上述目的,本申请提供一种电子设备,该电子设备包括处理器;所述处理器用于执行指令以实现上述方法的步骤。
10、为达到上述目的,本申请还提供一种计算机可读存储介质,其用于存储指令/程序数据,指令/程序数据能够被执行以实现上述方法。
11、本申请模型评估的方法将多个候选训练模型,利用目标平台的模型转换参数转换成多个候选目标模型,其中,多个候选训练模型为初始模型在多个不同迭代周期的训练结果;且让目标平台的设备运行每个候选目标模型对素材数据进行处理,得到多个候选目标模型对素材数据的验证结果,以筛选出用于部署到目标平台的最优候选目标模型,从而通过目标平台的设备运行由多个候选训练模型转换而成的多个候选目标平台的设备,以基于运行结果从多个候选目标平台的设备中筛选出用于部署到目标平台的最优候选目标模型;在同一神经网络迭代训练时不同迭代周期生成的多个模型,在训练环境表现的效果优劣排序,与这几个模型在某个目标平台的设备上表现的效果优劣排序不一致的情况下,能够通过目标平台的设备的运行情况选择出符合目标平台的设备的最优模型,可以提升模型在目标平台的设备上的部署效果。
1.一种模型评估方法,其特征在于,所述方法还包括:
2.根据权利要求1所述的模型评估方法,其特征在于,所述让所述目标平台的设备利用每个所述候选目标模型对素材数据进行处理,得到多个所述候选目标模型对所述素材数据的验证结果,包括:
3.根据权利要求1所述的模型评估方法,其特征在于,所述让所述目标平台的设备利用每个所述候选目标模型对素材数据进行处理,之前包括:
4.根据权利要求3所述的模型评估方法,其特征在于,所述基于所述可执行程序基础编译命令和所述目标平台的参数,确定出所述可执行程序,包括:
5.根据权利要求3所述的模型评估方法,其特征在于,所述确定出运行所述候选目标模型的可执行程序,之后包括:
6.根据权利要求1所述的模型评估方法,其特征在于,所述让所述目标平台的设备利用每个所述候选目标模型对素材数据进行处理,得到多个所述候选目标模型对所述素材数据的验证结果,以基于所述验证结果筛选出用于部署到所述目标平台的最优候选目标模型,包括:
7.根据权利要求1所述的模型评估方法,其特征在于,所述方法还包括:
8.一种模型评估方法,其特征在于,所述方法还包括:
9.一种电子设备,其特征在于,所述电子设备包括处理器;所述处理器用于执行指令以实现如权利要求1-8中的任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有指令/程序数据,其特征在于,所述指令/程序数据被执行时实现权利要求1-8中任一项所述方法的步骤。