[发明专利]深度学习模型的转换方法、装置、电子设备和存储介质

权利要求书

1.一种深度学习模型的转换方法，包括：

将深度学习模型的原深度学习框架进行转换，以得到所述深度学习模型的目标深度学习框架；

根据所述目标深度学习框架，确定所述深度学习模型的模型图结构，其中，所述模型图结构包括依次连接的N个运算节点，其中，N为大于1的整数；

根据所述N个运算节点，确定出对应的频繁项集集合，其中，所述频繁项集集合包括至少一个频繁项集，其中，所述频繁项集由依次连接的M个运算节点组成，其中，M为大于1，且小于N的整数；

根据所述至少一个频繁项集对所述N个运算节点之中的部分节点进行合并，以合并为模块；

根据所述模块和未合并的所述运算节点生成优化后的模型图结构；

对所述优化后的模型图结构进行代码转换，以得到所述深度学习模型的代码结果；

其中，所述根据所述N个运算节点，确定出对应的频繁项集集合，包括：

根据所述N个运算节点，确定出多个不同的候选k项集，其中，所述k为大于1，且小于N的整数，其中，所述候选k项集包括依次连接的k个运算节点；

针对每个所述候选k项集，确定所述候选k项集在所述N个运算节点中的出现次数；

根据每个所述候选k项集的出现次数，从多个所述候选k项集中获取出现次数超过预设次数阈值的候选k项集，以生成所述频繁项集集合。

2.如权利要求1所述的方法，其中，所述根据所述N个运算节点，确定出多个不同的候选k项集，包括：

根据每个所述运算节点的类型，将所述N个运算节点进行分类，以得多类运算节点；

分别将每一类运算节点作为一个候选1项集，以得到所述多类运算节点所对应的多个候选1项集；

确定每个所述候选1项集在所述N个运算节点的出现次数；

根据每个所述候选1项集的出现次数，从所述多个候选1项集中获取出现次数超过预设次数阈值的候选1项集，以形成多个频繁1项集；

根据所述多个频繁1项集，确定出多个不同的候选k项集。

3.如权利要求1所述的方法，其中，所述根据所述至少一个频繁项集对所述N个运算节点之中的部分节点进行合并，以合并为模块，包括：

根据所述至少一个频繁项集，对所述N个运算节点进行组合，以得到组合出所述N个运算节点的目标组合方式，其中，目标组合方式组合出所述N个运算节点所使用的频繁项集的数量最少；

根据所述目标组合方式对应的组合信息，确定所述N个运算节点之中的多个可合并节点；

对所述多个可合并节点进行合并以生成所述模块。

4.如权利要求3所述的方法，其中，所述组合信息包括：组合所述N个运算节点所使用的目标频繁项集，所述根据所述目标组合方式对应的组合信息，确定所述N个运算节点之中的多个可合并节点，包括：

从所述N个运算节点之中获取与所述目标频繁项集相匹配的项集；

将所述项集中的运算节点作为所述可合并节点。

5.如权利要求1所述的方法，其中，所述根据所述模块和未合并的所述运算节点生成优化后的模型图结构，包括：

获取所述模块中的多个目标运算节点，并获取所述多个目标运算节点各自对应的属性信息；

根据所述多个目标运算节点各自对应的属性信息，生成所述模块的参数信息；

根据所述模块的参数信息以及未合并的所述运算节点的属性信息，生成优化后的模型图结构。