[发明专利]一种多深度学习模型的最优选取方法及系统

说明书

本发明提供一种多深度学习模型的最优选取方法及系统，方法包括：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。本发明通过对多个不同版本的深度学习模型的对比评估，从而选取最优的深度学习模型，提高应用选定的最优深度学习算法模型进行目标预测的适用准确性及有效性。

技术领域

本发明涉及人工智能领域，更具体地，涉及一种多深度学习模型的最优选取方法及系统。

背景技术

在计算机科学中，特别是在使用有监督学习的机器学习和深度学习算法过程中，通过对模型的测量和评估才能选择最优的模型参数或者算法参数。只有选择与问题相匹配的评估方法，我们才能够快速的发现在模型选择和训练过程中可能出现的问题，迭代地对模型进行优化。

目前深度学习算法的理论知识的研究是慢于实验研究的，那么在设计和配置深度学习模型时，面临很多选择(如网络的层数、大小和类型、卷积层激活方式以及损失函数的选择)，必须做出决策来选择合适的设计与配置。因此有效的深度学习模型评估方式和模型对比分析方式就显得尤为重要。

发明内容

本发明针对现有技术中存在的技术问题，提供一种多深度学习模型的最优选取方法及系统。

根据本发明的第一方面，提供了一种多深度学习模型的最优选取方法，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。

在上述技术方案的基础上，本发明还可以作出如下改进。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。

可选的，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。