[发明专利]用于自动驾驶的神经网络架构自动优化部署方法及装置

权利要求书

1.一种用于自动驾驶的神经网络架构自动优化部署方法，其特征在于，所述方法应用于服务端，所述方法包括：

获取客户端发送的初始数据，对所述初始数据进行结构化得到结构化数据，并将所述结构化数据划分为训练数据集和测试数据集；

接收所述客户端发送的搜索配置条件；所述搜索配置条件包括：模型约束、搜索算法、模型宏观架构、以及搜索空间范围；所述模型约束包括以下至少一项：模型参数量大小、模型延时要求、和硬件功耗；

按照预设抽样方式，从与所述搜索空间范围匹配的搜索空间中抽样得到候选网络架构，根据已存储的与所述搜索算法对应的已知网络模型确定各所述候选网络架构的各权重，并根据所述训练数据集对所述各候选网络架构进行预设数量的训练得到各候选网络模型，根据所述测试数据集计算各候选网络模型的回报值；

确定回报值从高到低排列的前N个候选网络模型，根据所述训练数据集对各候选网络模型进行训练得到目标网络模型，并根据所述测试数据集计算各目标网络模型的准确率，将准确率最高的目标网络模型作为最终网络模型，并自动部署所述最终网络模型。

2.根据权利要求1所述的方法，其特征在于，所述根据所述测试数据集计算各候选网络模型的回报值的步骤包括：

根据以下公式计算任一候选网络模型的回报值reward：

acc为该候选网络模型在所述测试数据集的准确率，constrain为模型参数量或模型延时对应的测试值，λ_i为模型参数量或模型延时对应的权重。

3.根据权利要求1所述的方法，其特征在于，对所述初始数据进行结构化得到结构化数据之后，所述方法还包括：

接收所述客户端发送的数据增广和配置代理数据集请求；所述数据增广包括以下至少其一：随机裁切、平移、镜像翻转、增加噪声；

对所述结构化数据进行数据增广处理，并对处理后的数据进行采样，将采样得到的预设数量的数据作为所述结构化数据。

4.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：

存储所述最终网络模型的各权重。

5.根据权利要求1-3任一项所述的方法，其特征在于，

所述搜索算法包括：高效神经网络架构搜索ENAS或一次训练满足多种场景约束的架构选择OFA。

6.一种用于自动驾驶的神经网络架构自动优化部署装置，其特征在于，所述装置应用于服务端，所述装置包括：

数据获取模块，用于获取客户端发送的初始数据，对所述初始数据进行结构化得到结构化数据，并将所述结构化数据划分为训练数据集和测试数据集；

条件配置模块，用于接收所述客户端发送的搜索配置条件；所述搜索配置条件包括：模型约束、搜索算法、模型宏观架构、以及搜索空间范围；所述模型约束包括以下至少一项：模型参数量大小、模型延时要求、和硬件功耗；

架构搜索模块，用于按照预设抽样方式，从与所述搜索空间范围匹配的搜索空间中抽样得到候选网络架构，根据已存储的与所述搜索算法对应的已知网络模型确定各所述候选网络架构的各权重，并根据所述训练数据集对所述各候选网络架构进行预设数量的训练得到各候选网络模型，根据所述测试数据集计算各候选网络模型的回报值；

模型优化模块，用于确定回报值从高到低排列的前N个候选网络模型，根据所述训练数据集对各候选网络模型进行训练得到目标网络模型，并根据所述测试数据集计算各目标网络模型的准确率，将准确率最高的目标网络模型作为最终网络模型，并自动部署所述最终网络模型。

7.根据权利要求6所述的装置，其特征在于，所述架构搜索模块，具体用于根据以下公式计算任一候选网络模型的回报值reward：

acc为该候选网络模型在所述测试数据集的准确率，constrain为模型参数量或模型延时对应的测试值，λ_i为模型参数量或模型延时对应的权重。