[发明专利]神经网络模型的运行方法、介质和电子设备

说明书

本申请涉及人工智能领域，提供了一种神经网络模型的运行方法、介质和电子设备。该方法通过获取待运行的神经网络模型中运行顺序相邻的多个网络层的网络层类型，再将获取的多个网络层的网络层类型与电子设备的多个预设优化模型的网络层类型进行对比，在预设优化模型的网络层类型满足预设条件的情况下，确定该预设优化模型能够对获取的多个网络层的至少部分网络层进行优化计算，并基于该预设优化模型对应的预设优化方法对获取的多个网络层的至少部分网络层进行优化。如此，可以快速确定电子设备是否可以对待运行神经网络模型进行优化计算，降低了算法复杂度，提高了对待运行神经网络模型的优化速度，进而提高了电子设备运行神经网络模型的速度。

技术领域

本申请涉及人工智能领域，特别涉及一种神经网络模型的运行方法、介质和电子设备。

背景技术

随着人工智能(artificial intelligence，AI)的迅速发展，神经网络模型在人工智能领域的应用越来越广泛。同时，虽然智能电子设备的发展，能够运行神经网络模型的电子设备的类型也越来越多。由于不同的电子设备的硬件/软件性能不同，不同电子设备对神经网络模型各网络层的运行方式、支持程度也可能不同，因此，在将神经网络模型部署到电子设备运行时，需要根据电子设备的硬件/软件的性能，对神经网络模型进行优化。

发明内容

有鉴于此，本申请实施例提供了一种神经网络模型的运行方法、介质和电子设备。通过将神经网络模型中运行顺序相邻的多个网络层的网络层类型，与多个预设优化模型的网络层类型进行对比，以确定可以对该多个网络层的至少一个网络层进行优化的在预设优化模型，可以快速确定电子设备是否可以对待运行神经网络模型进行优化计算，降低了算法复杂度，提高了对待运行神经网络模型的优化速度，进而提高了电子设备运行神经网络模型的速度。

第一方面，本申请实施例提供了一种神经网络模型的运行方法，应用于第一电子设备，第一神经网络模型包括N个网络层，该方法包括：获取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；将第j层至第j+m-1层网络层的网络层类型标识与各预设优化模型的网络层类型标识进行比对，确定出能够对第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；运行第二神经网络模型。

也即是在本申请实施例中，可以通过获取待运行的神经网络模型(第一神经网络模型)中运行顺序相邻的多个(m)网络层的网络层类型，再将获取的多个网络层的网络层类型与第一电子设备(例如电子设备100)的优化模型数据库中的各预设优化模型的网络层类型进行对比，以确定能够对获取的多个网络层中的至少一层网络层进行优化的第一预设优化模型，并基于确定出的第一预设优化模型对应的预设优化方法对获取的多个网络层的至少一层网络层进行优化，生成优化的神经网络模型(第二神经网络模型)，并通过运行优化后的神经网络模型实现待运行神经网络模型的功能。如此，可以快速确定多个预设优化模型中能够对待运行神经网络模型进行优化的预设优化模型，降低了算法复杂度，提高了对待运行神经网络模型的优化速度，进而提高了第一电子设备运行神经网络模型的速度。

在上述第一方面的一种可能实现中，在预设优化模型满足以下条件的情况下，确定预设优化模型能够对第j层至第j+m-1层网络层中的至少一层网络层进行优化：在预设优化模型的网络层数小于m的情况下，第j层至第j+m-1层网络层存在网络层数与预设优化模型的网络层数相同的子网络层，并且子网络层的各网络层的网络层类型标识与预设优化模型的各网络层的网络层类型标识相同；或在预设优化模型的网络层数等于m的情况下，第j层至第j+m-1层网络层的网络层类型标识与预设优化模型的各网络层的网络层类型标识相同。