[发明专利]一种多深度学习模型的最优选取方法及系统

权利要求书

1.一种多深度学习模型的最优选取方法，其特征在于，包括：

对于同一类型的深度学习模型，基于相同的训练数据集进行训练，得到多个不同版本的深度学习模型；

确定深度学习模型的多个评价指标，计算每一个版本的深度学习模型的每一个评价指标值；

对于同一个执行任务的多个版本的深度学习模型，基于每一个版本的深度学习模型的多个评价指标值，选取最优版本的深度学习模型。

2.根据权利要求1所述的多深度学习模型的最优选取方法，其特征在于，所述同一类型的深度学习模型是指训练数据集的处理方式、深度学习模型的网络结构的设置以及深度学习模型的训练方法相同的深度学习模型；

所述同一类型的深度学习模型包括与不同的执行任务相对应的多种深度学习模型。

3.根据权利要求2所述的多深度学习模型的最优选取方法，其特征在于，所述多种深度学习模型包括图像分类识别模型、目标检测模型和语义分割模型。

4.根据权利要求2所述的多深度学习模型的最优选取方法，其特征在于，所述训练数据集的处理方式包括是否需要对训练数据集中的数据进行增强操作和向深度学习模型中输入图像的分辨率；

所述深度学习模型的网络结构的设置包括卷积网络层数的设置、非线性化所使用的激活方式、损失函数的选择、学习率递减的速率、反向传播时优化器的选择和IOU阈值的设置；

所述深度学习模型的训练方法包括batchsize的大小、迭代的次数和同一模型分布在不同显卡上面进行分布式训练方式。

5.根据权利要求3所述的多深度学习模型的最优选取方法，其特征在于，所述深度学习模型的多个评价指标包括深度学习模型的基本信息和深度学习模型的算法评测指标；

所述深度学习模型的基本信息是指深度学习模型在硬件上运行时产生的参数，包括深度学习模型输入数据的格式和类型、输出数据的格式和类型、模型参数量、模型运行内存占用量和推理时间(FPS)；

对于不同的深度学习模型对应不同的算法评估指标。

6.根据权利要求5所述的多深度学习模型的最优选取方法，其特征在于，所述对于不同的深度学习模型对应不同的算法评估指标，包括：

对于图像分类识别模型，所述算法评测指标包括准确率；

对于目标检测模型，所述算法评测指标包括召回率和精确率；

对于语义分割模型，所述算法评测指标包括像素精度、平均像素精度、交并比和平均交并比。

7.根据权利要求6所述的多深度学习模型的最优选取方法，其特征在于，所述对于同一个执行任务的多个版本的深度学习模型，基于每一个版本的深度学习模型的多个评价指标值，选取最优版本的深度学习模型，包括：

对于同一个执行任务的多个版本的深度学习模型，根据执行任务的应用场景，确定模型选择策略；

根据模型选择策略和每一个版本的深度学习模型的多个评价指标值，选取最优版本的深度学习模型。

8.一种多深度学习模型的最优选取系统，其特征在于，包括：

训练模块，用于对于同一类型的深度学习模型，基于相同的训练数据集进行训练，得到多个不同版本的深度学习模型；

计算模块，用于确定深度学习模型的多个评价指标，计算每一个版本的深度学习模型的每一个评价指标值；

选取模块，用于对于同一个执行任务的多个版本的深度学习模型，基于每一个版本的深度学习模型的多个评价指标值，选取最优版本的深度学习模型。

9.一种电子设备，其特征在于，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-7任一项所述的多深度学习模型的最优选取方法的步骤。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现如权利要求1-7任一项所述的多深度学习模型的最优选取方法的步骤。