[发明专利]数据处理方法及设备

说明书

本公开实施例提供一种数据处理方法及设备，该方法适用于通过模型蒸馏得到的生成式对抗网络，生成式对抗网络包括第一生成器、第二生成器和判别器，模型蒸馏为交替训练第一生成器和第二生成器的过程，第一生成器的模型规模小于第二生成器的模型规模。该方法包括：获取待处理的图像；通过第一生成器对图像进行处理，得到处理后的图像。从而，舍弃复杂的多阶段模型压缩过程，采用模型蒸馏实现模型的一步压缩，提高生成式对抗网络的模型压缩效率；通过模型蒸馏中第一生成器和第二生成器的交替训练，确保模型压缩后的生成器的图像处理效果。

技术领域

本公开实施例涉及计算机与网络通信技术领域，尤其涉及一种数据处理方法及设备。

背景技术

目前，随着硬件技术进步和业务发展，在轻量级设备(例如手机、智能可穿戴设备)上部署深度学习网络逐渐成为深度学习网络发展的趋势之一。鉴于深度学习网络的网络结构通常较为复杂、计算量较大，将深度学习网络部署在轻量级设备之前需对深度学习网络进行模型压缩。

目前，对深度学习网络进行模型压缩，是将深度学习网络的模型压缩过程制定为一个多阶段的任务，该任务包括网络结构搜索、蒸馏、剪枝、量化等多个操作。在将生成式对抗网络(Generative Adversarial Networks，GAN)部署在轻量级设备上时，若采用上述模型压缩过程对GAN进行模型压缩，会导致模型压缩的时间成本较高且对计算资源的要求较高。

发明内容

本公开实施例提供一种数据处理方法及设备，以提高生成式对抗网络的模型压缩效率，实现在轻量级设备上通过生成对抗网络对图像进行处理。

第一方面，本公开实施例提供一种数据处理方法，适用于通过模型蒸馏得到的生成式对抗网络，所述数据处理方法包括：

获取待处理的图像；

通过第一生成器对所述图像进行处理，得到处理后的图像；

其中，所述生成式对抗网络包括所述第一生成器、第二生成器和判别器，所述模型蒸馏为交替训练所述第一生成器和所述第二生成器的过程，所述第一生成器的模型规模小于所述第二生成器的模型规模。

第二方面，本公开实施例提供一种数据处理设备，适用于通过模型蒸馏得到的生成式对抗网络，所述数据处理设备包括：

获取模块，用于获取待处理的图像；

处理模块，用于通过第一生成器对所述图像进行处理，得到处理后的图像；

其中，所述生成式对抗网络包括所述第一生成器、所述第二生成器和判别器，所述模型蒸馏为交替训练所述第一生成器和所述第二生成器的过程，所述第一生成器的模型规模小于所述第二生成器的模型规模。

第三方面，本公开实施例提供一种电子设备，包括：至少一个处理器和存储器；

所述存储器存储计算机执行指令；

所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面以及第一方面各种可能的设计所述的数据处理方法。

第四方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面以及第一方面各种可能的设计所述的数据处理方法。

第五方面，本公开实施例提供一种计算机程序产品，所述计算机程序产品包含计算机执行指令，当处理器执行所述计算机执行指令时，实现如上述第一方面以及第一方面各种可能的设计所述的数据处理方法。