[发明专利]模型优化、质量检测方法、装置、设备及存储介质

说明书

本公开提供一种模型优化、质量检测方法、装置、设备及存储介质，所述模型优化方法包括：获取基于卷积神经网络训练获得的初始模型；基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度，对所述初始模型中卷积层的通道进行筛选，获得目标模型，所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量；所述卷积层的通道是卷积核的输入通道，每个通道内进行卷积运算。由于减少了卷积层的通道数量，进而减少了卷积运算，因此可以减少计算量，提高计算效率。

技术领域

本申请涉及数据处理技术领域，尤其涉及模型优化、质量检测方法、装置、设备及存储介质。

背景技术

在数据挖掘的业务场景中，经常需要利用大规模的训练数据训练机器学习算法模型，进行分类或者回归计算等。只有用大量数据训练该机器学习算法模型之后，才有可能获得预测精度较高的模型，进而在应用阶段，可以根据输入数据进行各种预测。以图像识别为例，可以基于大规模的训练数据对卷积神经网络进行训练，获得用于进行图像识别的模型。

然而，传统的深度卷积网络结构中，随着卷积层以及卷积核个数的增多，卷积层的通道数也越来越多，而每个通道都会进行卷积运算，因此，过多的通道导致算法的计算量大。

发明内容

为克服相关技术中存在的问题，本公开提供了模型优化、质量检测方法、装置、设备及存储介质。

根据本公开实施例的第一方面，提供一种模型优化方法，所述方法包括：

获取基于卷积神经网络训练获得的初始模型；

基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度，对所述初始模型中卷积层的通道进行筛选，获得目标模型，所述目标模型中卷积层的通道数量少于所述初始模型中卷积层的通道数量；

所述卷积层的通道是卷积核的输入通道，每个通道内进行卷积运算。

在一个可选的实现方式中，所述基于所述初始模型中卷积层的通道对初始模型预测结果的影响程度，对所述初始模型中卷积层的通道进行筛选，获得目标模型，包括：

针对每层卷积层，基于预设的优化目标函数，在保证卷积层的输出值的误差在允许误差范围内时，通过调整通道的权重值，使部分通道的权重值为0，获得卷积层每个通道的权重值；

基于通道的权重值对所述卷积层的通道进行筛选；

在对所有卷积层执行完通道筛选操作后，获得目标模型。

在一个可选的实现方式中，所述优化目标函数如下：

subject to||β||0≤c′

其中，Xi表示进行第i个通道的卷积运算时输入的特征图的值；Wi表示进行第i个通道的卷积运算时输入的卷积核的值；Y表示所述卷积层的输出值，βi表示第i个通道的权重值；c表示所述卷积层的实际通道个数；c'表示所述卷积层的期望通道个数；c'＜c；N表示进行优化目标函数运算时所使用所述卷积层内特征图的个数。

在一个可选的实现方式中，所述基于通道的权重值对所述卷积层的通道进行筛选，包括：

若βi＝0，删除第i个通道，以禁止第i个通道的卷积运算；