[发明专利]图像模型训练、图像处理方法、芯片、设备及介质

说明书

本发明公开了一种图像模型训练、图像处理方法、芯片、设备及介质。该方法通过获取样本图像；一个样本图像与一个原始网络输出关联；将样本图像输入至包含初始参数的预设神经网络模型中，对样本图像进行对称量化处理，得到第一量化网络输出；确定第一量化网络输出与原始网络输出之间的第一余弦相似度；根据第一余弦相似度、预设相似度阈值以及预设混合精度量化方法，对预设神经网络模型进行优化处理，获取优化处理后的预设神经网络模型的预设网络输出；确定预设网络输出与所述原始网络输出之间的损失值，在损失值预设收敛条件时，将预设神经网络模型记录为图像处理模型。本发明减小了预设神经网络模型的参数，提高了预设神经网络模型的计算速率。

技术领域

本发明涉及智能芯片领域，尤其涉及一种图像模型训练、图像处理方法、芯片、设备及介质。

背景技术

随着科学技术的发展，人工智能技术也应用在各个场景中，例如智能机器人、智能家居、智能安防等场景。在上述场景中，往往是通过若干集成的智能芯片亦或者单独智能芯片实现各个场景下的不同功能，不同的场景下，对于智能芯片的要求也不尽相同。

一般的智能芯片中的神经网络模型参数均为float32型算子，但是随着智能芯片中神经网络模型的参数越来越多，智能芯片要获取更高性能以及能耗比时，不得不采用低比特算子计算，例如采用int4/int8/int16/float16来代替原始模型float32算子，因此需要对智能芯片进行量化。虽然量化采用的比特数越少，智能芯片所需要的内存越少，计算越快，功耗越低，但是过少的比特数必然会引起整个神经网络精度的下降。如何决定神经网络中每个处理过程需要量化的比特数来平衡性能和精度是一项复杂的工程，因此现有的智能芯片中缺少具有有效量化方式的神经网路。

发明内容

本发明实施例提供一种图像模型训练、图像处理方法、芯片、设备及介质，以解决神经网络量化的比特数无法平衡智能芯片性能和精度的问题。

一种图像模型训练方法，包括：

获取样本图像集，所述样本图像集中包含至少一个样本图像；一个所述样本图像与一个原始网络输出关联；

将所述样本图像输入至包含初始参数的预设神经网络模型中，通过所述预设神经网络模型对所述样本图像进行对称量化处理，以获取所述预设神经网络模型输出的第一量化网络输出；

确定所述第一量化网络输出与所述原始网络输出之间的第一余弦相似度；

根据所述第一余弦相似度、预设相似度阈值以及预设混合精度量化方法，对所述预设神经网络模型进行优化处理，获取优化处理后的预设神经网络模型的预设网络输出；

确定所述预设网络输出与所述原始网络输出之间的损失值，在所述损失值未达到预设收敛条件时，迭代更新所述预设神经网络模型的初始参数，直至所述损失值达到预设收敛条件时，将所述预设神经网络模型记录为图像处理模型。

一种图像处理方法，包括：

获取待处理图像；

将所述待处理图像输入至图像处理模型中，得到与所述待处理图像对应图像输出结果；所述图像处理模型是根据上述图像模型训练方法得到的。

一种智能芯片，包括存储模块、处理模块以及存储在所述存储模块中并可在所述处理模块上运行的图像处理模型，所述图像处理模型是根据上述图像处理模型训练方法得到的；所述处理模块用于通过所述图像处理模型执行上述图像处理方法。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述图像处理模型训练方法，或者所述处理器执行所述计算机程序时实现上述图像处理方法。