[发明专利]一种深度学习模型文件的转换方法、系统、计算机设备及计算机可读存储介质

说明书

本发明公开了一种深度学习模型文件的转换方法、系统、计算机设备及计算机可读存储介质，所述方法包括以下步骤，接收原始深度学习框架下取得的待转换模型文件；根据所述待转换模型文件的文件类型，选择相应的可读框架读取待转换模型文件，以获得待转换模型文件的载入信息；将载入信息进行解析和/或翻译处理，以获得中间规范的信息；根据中间规范的信息整合成中间规范模型文件；通过目标深度学习框架开启中间规范模型文件并启用目标深度学习框架的存储引擎将取得的中间规范模型文件保存为目标模型文件，所述目标模型文件可应用于目标深度学习框架，从而扩展了目标模型文件的应用环境。

技术领域

本发明涉及深度学习技术领域，尤其涉及一种扩展了目标模型文件的应用环境的深度学习模型文件的转换方法、系统、计算机设备及计算机可读存储介质。

背景技术

现有常用的深度学习框架有很多，在进行算法开发到算法部署的过程中，往往需要用到不同的框架。由于不同框架输出的模型文件互不兼容，用户在第一学习框架下训练得到的第一模型文件无法在第二学习框架的场景下使用，比如用户用Pytorch框架训练好了一个图像识别的模型，但是生产环境是使用 TensorFlow框架进行推理。传统方法需要用TensorFlow框架重写模型，然后再训练参数，这将是一个非常耗时耗力的过程。对于神经网络的结构，每种框架都有它自己的定义，并为模型设定它自己的保存格式，诸如此类的框架差异限制了模型文件的应用场景。

中国专利申请号CN201710669779揭露一种根据通用深度学习框架建立与 NPU模型对应的数据标准化框架；利用所述数据标准化框架将深度学习模型的参数转换为所述数据标准化框架的标准参数；将所述标准参数转换为NPU模型的参数。中国专利申请号CN201710669779针对各通用深度学习框架的参数结构为特定处理器建立统一的数据标准化框架，根据通用深度学习框架形成的深度学习模型的参数可以利用数据标准化框架统一的数据结构形成标准数据，使得处理器进行数据解析处理的过程与深度学习模型的结构相关性大大降低，使得处理器处理过程的开发与深度学习模型的开发可以有效分离。但是，中国专利申请号CN201710669779只揭示了将通用深度学习模型转换为单一的NPU模型的参数，并未揭示将通用深度学习模型转换为其它深度学习框架下的模型文件，应用环境仍具局限性。

发明内容

本发明的目的是提供一种深度学习模型文件的转换方法、系统、计算机设备及计算机可读存储介质，可有效扩展模型文件的应用场景。

为实现所述目的，本发明提供一种深度学习模型文件的转换方法，其包括以下步骤：

接收原始深度学习框架下取得的待转换模型文件；

根据所述待转换模型文件的文件类型，选择相应的可读框架读取待转换模型文件，以获得待转换模型文件的载入信息；

将所述载入信息进行解析和/或翻译处理，以获得中间规范的信息；

根据中间规范的信息整合成中间规范模型文件；

通过目标深度学习框架开启中间规范模型文件并启用目标深度学习框架的存储引擎将取得的中间规范模型文件保存为目标模型文件，所述目标模型文件可应用于目标深度学习框架。

进一步地，所述原始深度学习框架包括Caffe、Keras、MXNet、Tensorflow、Microsoft Cognitive Toolkit(CNTK)、PyTorch、CoreML的任一种，所述目标深度学习框架包括Caffe、Keras、MXNet、Tensorflow、Microsoft Cognitive Toolkit(CNTK)、PyTorch、CoreML的任一种。

进一步地，所述待转换模型文件包括完整的模型文件和不完整的模型文件，所述完整的模型文件包括权重文件与网络结构代码，不完整的模型文件包括权重文件而不包括网络结构代码。

进一步地，获得待转换模型文件的载入信息的步骤包括，