[发明专利]基于聚类的深度学习模型压缩方法、存储介质及系统

权利要求书

1.一种基于聚类的深度学习模型压缩方法，其特征在于，包括以下步骤：

实时获取直播间的直播视频数据；

创建一深度学习模型用于对实时获取的直播视频数据进行压缩，并在压缩过程中依次获取创建的深度学习模型中各layer的权值和权值维度；

判断当前所获取layer的权值维度是否大于设定阈值：

-若是，采用分桶的有损粗量化方法，降低当前layer的权值维度，并记录降低维度后的权值索引；

-若否，记录当前layer的权值索引，并对当前layer的权值进行聚类量化编码，记录聚类完成后的聚类中心和聚类索引；

压缩完成后的直播视频数据存储至直播平台服务器。

2.如权利要求1所述的一种基于聚类的深度学习模型压缩方法，其特征在于，所述layer的权值表示为：

其中，w_layer表示layer的权值，n表示layer的权值维度，表示layer所有权值中的其中一权值。

3.如权利要求2所述的一种基于聚类的深度学习模型压缩方法，其特征在于，所述降低当前layer的权值维度，具体公式为：

其中，i为layer的权值索引，为layer第i维的权值，为layer降低维度后第i维的权值，m为期望粗量化后的维度。

4.如权利要求3所述的一种基于聚类的深度学习模型压缩方法，其特征在于，所述期望粗量化后的维度m的计算公式为：

5.如权利要求4所述的一种基于聚类的深度学习模型压缩方法，其特征在于，所述记录当前layer的权值索引，还包括对当前layer的权值进行取值合并，具体公式为：

其中，wⁱ为取值合并后当前layer的权值，T为设定阈值。

6.如权利要求5所述的一种基于聚类的深度学习模型压缩方法，其特征在于，所述对当前layer的权值进行聚类量化编码，所使用公式为：

其中，ncluster为聚类量化的聚类中心个数，clusters为初始化的聚类中心，KMeans表示k均值聚类算法，w^j等于wⁱ，表示layer的第j个权值的聚类量化编码。

7.如权利要求6所述的一种基于聚类的深度学习模型压缩方法，其特征在于：

所述聚类量化的聚类中心个数ncluster的计算公式为：

所述初始化的聚类中心clusters的计算公式为：

其中，clusters^j表示第j个初始化后的聚类中心。

8.一种存储介质，该存储介质上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现以下步骤：

实时获取直播间的直播视频数据；

创建一深度学习模型用于对实时获取的直播视频数据进行压缩，并在压缩过程中依次获取创建的深度学习模型中各layer的权值和权值维度；

判断当前所获取layer的权值维度是否大于设定阈值：

若是，则采用分桶的有损粗量化方法，降低当前layer的权值维度，并记录降低维度后的权值索引，然后将压缩完成后的直播视频数据存储至直播平台服务器；

若否，则记录当前layer的权值索引，并对当前layer的权值进行聚类量化编码，记录聚类完成后的聚类中心和聚类索引，然后将压缩完成后的直播视频数据存储至直播平台服务器。