[发明专利]神经网络模型的运行方法、介质和电子设备

权利要求书

1.一种神经网络模型的运行方法，应用于第一电子设备，其特征在于，第一神经网络模型包括N个网络层；

所述方法包括：

获取所述第一神经网络模型的第j层至第j+m-1层网络层的网络层类型标识，其中m为多个预设优化模型中网络层数最多的预设优化模型的网络层数量，j＝1、2、……、N-m+1；

将所述第j层至第j+m-1层网络层的网络层类型标识与各所述预设优化模型的网络层类型标识进行比对，确定出能够对所述第j层至第j+m-1层网络中的至少一层网络层进行优化的至少一个第一预设优化模型；

根据确定出的各第一预设优化模型对应的优化方法对第j层至第j+m-1层网络层中的至少一层网络层进行优化，生成第二神经网络模型；

运行所述第二神经网络模型。

2.根据权利要求1所述的方法，其特征在于，在所述预设优化模型满足以下条件的情况下，确定所述预设优化模型能够对所述第j层至第j+m-1层网络层中的至少一层网络层进行优化：

在所述预设优化模型的网络层数小于m的情况下，所述第j层至第j+m-1层网络层存在网络层数与所述预设优化模型的网络层数相同的子网络层，并且所述子网络层的各网络层的网络层类型标识与所述预设优化模型的各网络层的网络层类型标识相同；或

在所述预设优化模型的网络层数等于m的情况下，所述第j层至第j+m-1层网络层的网络层类型标识与所述预设优化模型的各网络层的网络层类型标识相同。

3.根据权利要求1所述的方法，所述根据确定出的各预设优化模型对应的优化方法对第j层至第j+m-1层网络层中的至一层网络层进行优化，生成第二神经网络模型，包括：

确定出所述至少一个第一预设优化模型中能够对所述第j层至第j+m-1层网络层中最多层数进行优化的至少一个第二预设优化模型；

通过所述至少一个第二预设优化模型对应的优化方法对所述第j层至第j+m-1层网络层中的至少一层网络层进行优化，生成第二神经网络模型。

4.根据权利要求1所述的方法，其特征在于，所述获取所述第一神经网络模型的第j层至第j+m-1层网络层的网络层类型标识，包括：

获取所述第一神经网络模型各网络层的运行顺序表，所述运行顺序表中包括各网络层的网络层类型标识；

通过m个指针遍历所述运行顺序表，获取所述第一神经网络模型的第j层至第j+m-1层网络层的网络层类型标识。

5.根据权利要求4所述的方法，其特征在于，所述多个预设优化模型以哈希表的形式进行存储；并且

所述哈希表中的键包括各所述预设优化模型的网络层类型标识，所述哈希表中的值包括所述哈希表中的键表示的预设优化模型对应的所述预设优化方法的指令或所述预设优化方法的指针。

6.根据权利要求1至5任一项所述的方法，其特征在于，还包括：

从第二电子设备获取所述多个预设的优化模型以及各所述预设优化模型对应的预设优化方法。

7.根根据权利要求1至5任一项所述的方法，其特征在于，所述预设优化方法，包括以下方法中的至少一种：

将所述第一神经网络模型的第j层至第j+m-1层网络层的至少部分网络层融合为一个网络层；

在所述第一神经网络模型的第j层至第j+m-1层网络层中插入至少一个网络层；

替换所述第一神经网络模型的第j层至第j+m-1层网络层中的至少一个网络层；

改变所述第一神经网络模型的第j层至第j+m-1层中网络层的至少一个网络层的输入数据和/或输出数据的格式。

8.根据权利要求1至5任一项所述的方法，其特征在于，所述预设优化模型包括以下模型中的至少一种：卷积层-激活层、池化层-激活层、全连接层-激活层、算术运算层-激活层、均值层-全连接层、计算层-排序层、卷积层-池化层-激活层。

9.根据权利要求1至5任一项所述的方法，其特征在于，所述第一神经网络模型和所述第二神经网络模型的功能相同。