[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

说明书

本发明实施例公开一种用于自动驾驶的神经网络架构自动优化部署方法及装置。该方法包括：获取客户端发送的初始数据，根据初始数据得到训练数据集和测试数据集；接收客户端发送的搜索配置条件；从与搜索空间范围匹配的搜索空间中抽样得到候选网络架构，根据训练数据集对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，对各候选网络模型进行训练得到目标网络模型，并根据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，并自动部署最终网络模型。应用本发明实施例提供的方案，能够提高模型优化效率。

技术领域

本发明涉及自动驾驶技术领域，具体而言，涉及一种用于自动驾驶的神经网络架构自动优化部署方法及装置。

背景技术

在自动驾驶领域，通常会用到各种神经网络模型。随着算法的更新或数据量的增加，需要对神经网络模型进行优化以达到更好的使用效果。

目前自动驾驶领域里，有关对神经网络模型优化大多采用手工设计模型和对已有模型进行手工微调的方式来进行优化，非常耗费时间和精力然而，模型优化效率较低。因此，为了提高神经网络模型优化效率，亟需一种模型优化方法。

发明内容

本发明提供了一种用于自动驾驶的神经网络架构自动优化部署方法及装置，以提高神经网络架构优化效率。具体的技术方案如下。

第一方面，本发明实施例提供一种用于自动驾驶的神经网络架构自动优化部署方法，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。

可选的，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。

可选的，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。

可选的，所述方法还包括：

存储所述最终网络模型的各权重。

可选的，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。