[发明专利]模型推荐方法及装置、设备、计算机存储介质

权利要求书

1.一种模型推荐方法，其特征在于，所述方法包括：

获取第一网络结构库，所述第一网络结构库包括至少一种类型的初始神经网络结构；

对获取的第一网络结构库进行扩展，得到第二网络结构库；

基于第一数据集对所述第二网络结构库中各神经网络结构进行训练处理，得到对应的各神经网络模型；

在每一第二硬件下，以每一种批次量作为输入对所述各神经网络模型进行测试，得到所述各神经网络模型的计算速度值和计算精度值；

将所述第二硬件、所述批次量、所述计算速度值和所述计算精度值，与对应的所述神经网络模型进行关联，得到所述预设的神经网络模型库中的所述各神经网络模型的属性参数；

获取在第一硬件运行的神经网络模型目标属性参数；所述目标属性参数包括期望速度值和/或期望精度值；

基于所述第一硬件和所述目标属性参数，在预设的神经网络模型库中对各神经网络模型进行筛选，得到与所述目标属性参数相匹配的神经网络模型；所述预设的神经网络模型库中的各神经网络模型的属性参数为在第二硬件测试得到，所述第二硬件包括所述第一硬件。

2.根据权利要求1所述的方法，其特征在于，所述目标属性参数还包括基于所述第一硬件运行的神经网络模型处理的批次量；所述基于所述第一硬件和所述目标属性参数，在预设的神经网络模型库中对各神经网络模型进行筛选，得到与所述目标属性参数相匹配的神经网络模型，包括：

基于所述第一硬件、所述批次量、所述目标属性参数，在所述预设的神经网络模型库中对各神经网络模型进行筛选，得到帕累托模型；其中，所述帕累托模型为满足所述期望速度值和/或期望精度值，且计算速度和计算精度最优的神经网络模型；

将所述帕累托模型确定为与所述目标属性参数相匹配的神经网络模型。

3.根据权利要求1所述的方法，其特征在于，所述对获取的第一网络结构库进行扩展，得到第二网络结构库，包括：

对所述第一网络结构库中的各初始神经网络结构在至少一个维度上进行扩展处理，得到所述各初始神经网络结构对应的扩展后的神经网络结构集合；所述维度包括以下至少之一：神经网络结构的宽度、深度以及分辨率；

基于所述各初始神经网络结构与对应的所述扩展后的神经网络结构集合，构建所述第二网络结构库。

4.根据权利要求1所述的方法，其特征在于，所述基于预设训练数据集对所述第一神经网络结构集合中各神经网络结构进行训练处理，得到对应的各神经网络模型，包括：

基于预设的第一任务类型，使用所述第一数据集对所述第二网络结构库中的各神经网络结构进行训练处理，得到对应的各神经网络模型。

5.根据权利要求2至4任一项所述的方法，其特征在于，所述对所述模型库中各神经网络模型进行测试，得到测试结果，包括：

从预设测试数据集中提取至少一种批次量；

确定预设的至少一种所述第二硬件；

在每一所述第二硬件下，针对所述模型库中各神经网络模型，以每一种所述批次量作为输入对各神经网络模型进行测试，得到所述各神经网络模型在每一种所述批次量下对应的计算速度值和计算精度值。

6.根据权利要求1至4任一项所述的方法，其特征在于，所述得到与所述目标属性参数相匹配的神经网络模型之后，所述方法还包括：

获取所述神经网络模型在所述第一硬件上待处理的第二任务类型；

在所述第二任务类型与所述第一任务类型未匹配的情况下，基于所述第二任务类型对应的第二数据集对所述神经网络模型进行再训练，以对所述神经网络模型的参数进行微调。

7.根据权利要求6所述的方法，其特征在于，所述方法还包括：

确定预设的任务类型；其中，所述预设的任务类型至少包括所述第一任务类型和所述第二任务类型；

基于每一种所述任务类型和及其对应的输入格式和输出格式，确认所述预设的神经网络模型库中的每一所述神经网络模型的输入格式和输出格式。