[发明专利]深度学习模型的模型训练方法、装置、设备及存储介质

权利要求书

1.一种深度学习模型的模型训练方法，其特征在于，包括：

在模型训练阶段，采用训练数据对第一浮点型深度学习模型进行预训练，获得预训练后的第二浮点型深度学习模型，并将所述第二浮点型深度学习模型转换为整数型深度学习模型；

在模型测试阶段，采用测试数据对所述整数型深度学习模型进行模型测试，根据测试结果判断所述整数型深度学习模型是否满足模型收敛状态条件；

若满足模型收敛状态条件，将所述整数型深度学习模型部署到嵌入式系统中使用，否则，返回所述模型训练阶段，采用训练数据对所述第二浮点型深度学习模型进行下一轮的预训练，直至获得满足模型收敛状态条件的整数型深度学习模型为止。

2.根据权利要求1所述的深度学习模型的模型训练方法，其特征在于，所述在模型测试阶段，采用测试数据对所述整数型深度学习模型进行模型测试，根据测试结果判断所述整数型深度学习模型是否满足模型收敛状态条件的步骤，包括：

将目标测试数据输入至所述整数型深度学习模型中进行模型测试，以使所述整数型深度学习模型基于所述目标测试数据进行数据处理并输出对应的实际处理结果；

将所述实际处理结果与基于所述目标测试数据预设的期望处理结果进行相似度比对，计算出所述实际处理结果与所述期望处理结果之间的相似度值，将所述相似度值作为模型测试的测试结果；

根据所述测试结果，将所述相似度值与预设的相似度阈值进行大小比较，若所述相似度值大于所述预设的相似度阈值，则判断所述整数型深度学习模型满足模型收敛状态条件。

3.根据权利要求1所述的深度学习模型的模型训练方法，其特征在于，所述将所述测试数据输入至所述整数型深度学习模型中进行模型测试，以使所述整数型深度学习模型基于所述测试数据进行数据处理并输出对应的实际处理结果的步骤之前，包括：

构建用于对所述整数型深度学习模型进行模型测试的测试样本，其中，所述测试样本中包含有测试数据以及基于测试数据预设的期望处理结果，并在所述测试数据与所述基于测试数据预设的期望处理结果之间建立有相关对应的映射关联关系。

4.根据权利要求3所述的深度学习模型的模型训练方法，其特征在于，所述将所述第二浮点型深度学习模型转换为整数型深度学习模型的步骤，包括：

将所述第二浮点型深度学习模型中内存机制的数据存储格式由浮点型修改为整数型。

5.一种深度学习模型的模型训练装置，其特征在于，所述深度学习模型的模型训练装置包括：

模型训练模块，用于在模型训练阶段，采用训练数据对第一浮点型深度学习模型进行预训练，获得预训练后的第二浮点型深度学习模型，并将所述第二浮点型深度学习模型转换为整数型深度学习模型；

模型测试模块，用于在模型测试阶段，采用测试数据对所述整数型深度学习模型进行模型测试，根据测试结果判断所述整数型深度学习模型是否满足模型收敛状态条件；

模型部署模块，用于若满足模型收敛状态条件，将所述整数型深度学习模型部署到嵌入式系统中使用，否则，返回所述模型训练阶段，采用训练数据对所述第二浮点型深度学习模型进行下一轮的预训练，直至获得满足模型收敛状态条件的整数型深度学习模型为止。

6.根据权利要求5所述的深度学习模型的模型训练装置，其特征在于，所述深度学习模型的模型训练装置包括：

测试子模块，用于将所述测试数据输入至所述整数型深度学习模型中进行模型测试，以使所述整数型深度学习模型基于所述测试数据进行数据处理并输出对应的实际处理结果；

计算子模块，用于将所述实际处理结果与基于所述测试数据预设的期望处理结果进行相似度比对，计算出所述实际处理结果与所述期望处理结果之间的相似度值，将所述相似度值作为模型测试的测试结果；

判断子模块，用于根据所述测试结果，将所述相似度值与预设的相似度阈值进行大小比较，若所述相似度值大于所述预设的相似度阈值，则判断所述整数型深度学习模型满足模型收敛状态条件。