【技术实现步骤摘要】
一种前向耗时的确定方法、装置及设备
本申请涉及机器学习领域,尤其是一种前向耗时的确定方法、装置及设备。
技术介绍
机器学习是实现人工智能的一种途径,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习用于研究计算机如何模拟或实现人类的学习行为,以获取新的知识或技能,重新组织已有的知识结构使之不断改善自身的性能。机器学习更加注重算法设计,使计算机能够自动地从数据中学习规律,并利用规律对未知数据进行预测。机器学习已经有了十分广泛的应用,如深度学习、数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA序列测序、语音和手写识别、战略游戏和机器人运用等等。神经网络是以人脑为模型的机器学习,是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法模型,神经网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。神经网络的前向耗时,是网络结构搜索任务和网络裁剪任务的重要依据,因此,需要有效预测神经网络的前向耗时。但是,应该如何有效预测神经网络的前向耗时,在相关技术中并没有给出合理的解决方案。
技术实现思路
有鉴于此,本申请提供一种前向耗时的确定方法,所述方法包括:将待测神经网络划分为多个子网络;从所述多个子网络中选取至少一个子网络作为目标子网络;针对每个目标子网络,确定与所述目标子网络对应的子网络集合;其中,所述子网络集合包括所述目标子 ...
【技术保护点】
1.一种前向耗时的确定方法,其特征在于,所述方法包括:/n将待测神经网络划分为多个子网络;/n从所述多个子网络中选取至少一个子网络作为目标子网络;/n针对每个目标子网络,确定与所述目标子网络对应的子网络集合;其中,所述子网络集合包括所述目标子网络和所述目标子网络的关联子网络,所述关联子网络为所述多个子网络中除所述目标子网络之外的子网络;/n根据所述子网络集合的信息获取所述目标子网络的耗时;/n根据每个目标子网络的耗时确定所述待测神经网络的前向耗时。/n
【技术特征摘要】
1.一种前向耗时的确定方法,其特征在于,所述方法包括:
将待测神经网络划分为多个子网络;
从所述多个子网络中选取至少一个子网络作为目标子网络;
针对每个目标子网络,确定与所述目标子网络对应的子网络集合;其中,所述子网络集合包括所述目标子网络和所述目标子网络的关联子网络,所述关联子网络为所述多个子网络中除所述目标子网络之外的子网络;
根据所述子网络集合的信息获取所述目标子网络的耗时;
根据每个目标子网络的耗时确定所述待测神经网络的前向耗时。
2.根据权利要求1所述的方法,其特征在于,
基于所述多个子网络的顺序关系,所述关联子网络为:
所述目标子网络相邻的前M1个子网络;或者,
所述目标子网络相邻的后M2个子网络;或者,
所述目标子网络相邻的前M3个子网络和相邻的后M4个子网络;
其中,M1,M2,M3和M4均为正整数。
3.根据权利要求1或2所述的方法,其特征在于,
所述子网络集合还包括所述目标子网络与所述关联子网络组成的整体网络。
4.根据权利要求1或2所述的方法,其特征在于,
所述子网络集合的信息为所述子网络集合的网络标识,所述根据所述子网络集合的信息获取所述目标子网络的耗时,包括:
通过所述子网络集合的网络标识查询映射关系表,得到与所述网络标识对应的所述目标子网络的耗时;其中,所述映射关系表包括子网络集合的网络标识与该子网络集合对应的目标子网络的耗时之间的对应关系。
5.根据权利要求4所述的方法,其特征在于,
所述映射关系表的获取方式包括:
获取子网络集合,所述子网络集合包括目标子网络和关联子网络;
将测试数据输入到所述子网络集合,由所述子网络集合中的目标子网络和关联子网络对所述测试数据进行处理;
根据所述测试数据的处理结果确定所述目标子网络的耗时;
将所述子网络集合的网络标识与所述目标子网络的耗时记录到映射关系表。
6.根据权利要求1或2所述的方法,其特征在于,
所述子网络集合的信息为所述子网络集合的网络特征,所述根据所述子网络集合的信息获取所述目标子网络的耗时,包括:
基于函数映射模型,确定所述子网络集合的每个网络特征的耗时;其中,所述函数映射模型包括网络特征与该网络特征的耗时之间的对应关系;
根据所述子网络集合的每个网络特征的耗时,获取所述目标子网络的耗时;或者,从所述子网络集合的所有网络特征中选取所述目标子网...
【专利技术属性】
技术研发人员:张如意,李哲暘,杨子伟,谭文明,
申请(专利权)人:杭州海康威视数字技术股份有限公司,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。