[发明专利]模型构建及图像处理方法、装置、硬件平台及存储介质

权利要求书

1.一种模型构建方法，其特征在于，包括：

训练用于图像处理的神经网络模型，所述神经网络模型包括至少一个深度可分离卷积模块，所述深度可分离卷积模块包括依次连接的逐层卷积层、逐点卷积层、批归一化层以及激活层；

对训练好的所述神经网络模型进行量化，获得量化后的所述神经网络模型。

2.根据权利要求1所述的模型构建方法，其特征在于，在所述训练用于图像处理的神经网络模型之后，以及在所述对训练好的所述神经网络模型进行量化之前，所述方法还包括：

对训练好的所述神经网络模型进行参数裁剪。

3.根据权利要求1所述的模型构建方法，其特征在于，在所述训练用于图像处理的神经网络模型之后，以及在所述对训练好的所述神经网络模型进行量化之前，所述方法还包括：

将训练好的所述神经网络模型中的所述激活层采用的第一激活函数替换为目标平台支持的第二激活函数，所述目标平台为搭载有神经网络处理器的硬件平台。

4.根据权利要求1所述的模型构建方法，其特征在于，在所述训练用于图像处理的神经网络模型之后，以及在所述获得量化后的所述神经网络模型之前，所述方法还包括：

将训练好的所述神经网络模型中相邻的卷积层和批归一化层进行融合。

5.根据权利要求1-4中任一项所述的模型构建方法，其特征在于，所述训练用于图像处理的神经网络模型，包括：

在第一深度学习框架下训练用于图像处理的神经网络模型，获得保存有训练好的所述神经网络模型的第一模型文件；

所述对训练好的所述神经网络模型进行量化，获得量化后的所述神经网络模型，包括：

将所述第一模型文件转化目标平台下的平台文件，并在转化过程中对所述第一模型文件中保存的模型参数进行量化；其中，所述第一深度学习框架为所述目标平台支持的框架，所述目标平台为搭载有神经网络处理器的硬件平台；

或者，

将所述第一模型文件转化第二深度学习框架下的第二模型文件，将所述第二模型文件转化目标平台下的平台文件，并在转化过程中对所述第二模型文件中保存的模型参数进行量化；其中，所述第二深度学习框架为所述目标平台支持的框架，所述目标平台为搭载有神经网络处理器的硬件平台。

6.一种图像处理方法，其特征在于，包括：

获取待处理的目标图像；

利用如权利要求1-5中任一项所述的模型构建方法得到的神经网络模型对所述目标图像进行处理，并输出处理结果。

7.一种模型构建装置，其特征在于，包括：

训练单元，用于训练用于图像处理的神经网络模型，所述神经网络模型包括至少一个深度可分离卷积模块，所述深度可分离卷积模块包括依次连接的逐层卷积层、逐点卷积层、批归一化层以及激活层；

量化单元，用于对训练好的所述神经网络模型进行量化，获得量化后的所述神经网络模型。

8.一种图像处理装置，其特征在于，包括：

图像获取单元，用于获取待处理的目标图像；

图像处理单元，用于利用如权利要求1-5中任一项所述的模型构建方法得到的神经网络模型对所述目标图像进行处理，并输出处理结果。

9.一种硬件平台，其特征在于，包括：中央处理器、神经网络处理器以及存储器；

其中，所述神经网络处理器用于：在所述中央处理器的控制下从所述存储器中读取待处理的目标图像以及如权利要求5所述的平台文件，利用所述平台文件中保存的神经网络模型对所述目标图像进行处理，并将获得的处理结果写入所述存储器。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有利用如权利要求1-5中任一项所述的模型构建方法得到的神经网络模型。