[发明专利]特征提取模块压缩方法、图像处理方法、装置、介质

权利要求书

1.一种特征提取模块压缩方法，其特征在于，包括：

获取待压缩的特征提取模块；

从所述待压缩的特征提取模块中确定一个或多个待剪枝层数据；

利用强化学习模型加载所述特征提取模块，并在每个所述待剪枝层数据下，确定当前的剪枝状态数据；

基于所述剪枝状态数据，确定每个所述待剪枝层数据的剪枝动作数据；

根据每个所述待剪枝层数据的剪枝动作数据对所述待压缩的特征提取模块的数据进行剪枝，以得到数据压缩后的特征提取模块。

2.根据权利要求1所述的方法，其特征在于，所述特征提取模块为卷积神经网络；

所述从所述待压缩的特征提取模块中确定一个或多个待剪枝层数据，包括：

将所述待压缩的卷积神经网络中的批归一化层数据确定为待剪枝层数据。

3.根据权利要求2所述的方法，其特征在于，在利用强化学习模型加载所述特征提取模块前，所述方法还包括：

对所述批归一化层数据的尺度系数进行正则化约束。

4.根据权利要求1所述的方法，其特征在于，所述利用强化学习模型加载所述特征提取模块包括：

利用初始的强化学习模型加载所述特征提取模块；

对于每个所述待剪枝层数据，通过以下步骤训练强化学习模型：

确定当前待剪枝层数据的剪枝状态数据；

通过所述强化学习模型输出当前的剪枝状态数据对应的当前的剪枝动作数据；

计算当前的剪枝动作数据对应的奖励值，根据所述奖励值更新所述强化学习模型的参数；

在完成训练所述强化学习模型后，将所述特征提取模块输入所述强化学习模型，以输出每个所述待剪枝层数据的剪枝动作数据。

5.根据权利要求4所述的方法，其特征在于，所述当前的剪枝状态数据包括以下任意一种或多种：

当前待剪枝层数据在全部待剪枝层数据中的序数；

当前待剪枝层数据的参数量占全部待剪枝层数据的总参数量的比例；

在当前待剪枝层数据之前，已确定裁剪的参数量占全部待剪枝层数据的总参数量的比例；

在当前待剪枝层数据之后，需要裁剪的参数量占全部待剪枝层数据的总参数量的比例。

6.根据权利要求4所述的方法，其特征在于，计算当前的剪枝动作数据对应的奖励值，包括：

采用当前的剪枝动作数据对所述特征提取模块进行剪枝，得到中间特征提取模块；

计算所述中间特征提取模块的准确率损失值和参数裁剪值；

根据所述准确率损失值和参数裁剪值确定当前的剪枝动作数据对应的奖励值。

7.根据权利要求6所述的方法，其特征在于，所述根据所述准确率损失值和参数裁剪值确定当前的剪枝动作数据对应的奖励值，包括：

当所述准确率损失值大于第一阈值时，确定所述奖励值为第一预设值，所述第一预设值小于0；

当所述准确率损失值处于0到所述第一阈值以内、且所述参数裁减值小于第二阈值时，确定所述奖励值为第二预设值，所述第二预设值大于所述第一阈值且小于0；

当所述准确率损失值处于0到所述第一阈值以内、且所述参数裁减值大于等于所述第二阈值时，确定所述奖励值为所述参数裁减值；

当所述准确率损失值小于0时，确定所述奖励值为所述准确率损失值和参数裁剪值之和。

8.根据权利要求1-7任一项所述的方法，其特征在于，所述特征提取模块为图像处理模型、语音处理模型、或目标检测模型中的任意一种。

9.一种图像处理方法，其特征在于，包括：

获取待处理图像，并提取所述待处理图像中的特征数据；

确定初始图像处理模型，并根据权利要求1至7任一项所述的方法，对所述初始图像处理模型进行压缩，得到目标图像处理模型；

基于所述目标图像处理模型对所述特征数据进行处理，得到所述待处理图像的处理结果。