[发明专利]特征提取模块压缩方法、图像处理方法、装置、介质

说明书

本公开提供一种特征提取模块压缩方法、图像处理方法、特征提取模块压缩装置、图像处理装置、计算机可读存储介质与电子设备，涉及计算机技术领域。该方法包括：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。本公开可以对特征提取模块进行有效处理，降低其复杂度。

技术领域

本公开涉及计算机技术领域，尤其涉及一种特征提取模块压缩方法、图像处理方法、特征提取模块压缩装置、图像处理装置、计算机可读存储介质与电子设备。

背景技术

近年来，随着人工智能的发展，各种特征提取模块被应用到各个领域，例如神经网络模型的普及。特别的，随着问题复杂度和对准确率要求的不断提高，特征提取模块也逐渐复杂，如神经网络模型的深度的增加。这对特征提取模块的存储、传输以及数据的处理效率带来了极大的不变。因此，对特征提取模块进行合理的压缩处理，是很有必要的。

现有技术中，在进行模块压缩时通常依赖于工程师的历史经验，人为调整压缩算法的参数。例如在对神经网络进行压缩时，工程师会通过其自身经验或大量试验，确定各个卷积层的通道裁剪比例，对神经网络进行剪枝，以完成对其的压缩处理。然而，该过程极大的依赖于人为操作过程，不但会花费较多的时间，还难以保证压缩后特征提取模块的精度，对特征提取模块的处理效率造成了影响。

因此，如何在保证特征提取模块精度的同时，对其进行快速、有效的压缩是现有技术亟待解决的问题。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

本公开提供了一种特征提取模块压缩方法、图像处理方法、特征提取模块压缩装置、图像处理装置、计算机可读存储介质与电子设备，进而至少在一定程度上克服现有技术模型数据处理效率低的问题。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种特征提取模块压缩方法，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。

在本公开的一种示例性实施例中，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。

在本公开的一种示例性实施例中，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。

在本公开的一种示例性实施例中，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。