【技术实现步骤摘要】
本申请涉及自动驾驶，尤其是涉及到一种针对自动驾驶芯片的网络模型生成的方法及装置。
技术介绍
1、随着汽车智能化的迅速发展，各大车企也开始尝试重视芯片研发，从而使自动驾驶技术迎来发展的契机。在自动驾驶芯片领域，由于“大算力”的发展趋势越专利技术显，针对自动驾驶芯片中融合网络模型，可提高芯片的可扩展性，优化信息处理效率。
2、相关技术中，研究人员通常不考虑算力限制来设计和研发网络模型，而是依赖经验进行手工涉及或者通过人工大量实验来对网络模型进行结构调整，尽可能得到固定算力限制下的最优模型。然而，传统的结构调整方式过于依赖经验，使得生成的网络模型不够准确，达不到预期的模型调整效果。
技术实现思路
1、有鉴于此，本申请提供了一种针对自动驾驶芯片的网络模型生成的方法及装置，主要目的在于解决现有技术中结构调整方式过于依赖经验，使得生成的网络模型不够准确，达不到预期的模型调整效果问题。
2、根据本申请的第一个方面，提供了一种针对自动驾驶芯片的网络模型生成的方法，该方法包括：
3、针对自动驾驶芯片设计的原始网络模型生成搜索空间，所述搜索空间内包括针对所述原始网络模型在不同属性维度上使用变更步长所形成的多个候选网络模型结构；
4、利用所述搜索空间内的候选网络模型结构在自动驾驶芯片上实测得到的样本性能数据，训练预测器，所述预测器用于对网络模型结构进行性能数据预测；
5、使用所述预测器对所述搜索空间内的候选网络模型结构进行预测，得到网络模型结构
6、根据所述预测性能数据，从所述候选网络模型结构中选取耗时精度最高的网络模型结构作为自动驾驶芯片的最终网络模型。
7、进一步地，所述针对自动驾驶芯片设计的原始网络模型生成搜索空间，具体包括：
8、根据网络模型结构预先分配的单位变更步长和针对搜索空间设置的上下步长限制，确定所述搜索空间中包括的候选网络模型结构的数量；
9、在所述候选网络模型结构的数量范围内，将所述原始网络模型结构在不同维度上使用单位变更步长后进行组合，针对自动驾驶芯片设计的原始网络模型生成搜索空间。
10、进一步地，在所述针对自动驾驶芯片设计的原始网络模型生成搜索空间之前，所述方法还包括：
11、针对视觉感知任务将网络模型结构划分为不同属性维度；
12、结合自动驾驶芯片的硬件特性，针对所述网络模型结构在不同属性维度上分配单位变更步长。
13、进一步地，所述利用所述搜索空间内的候选网络模型结构在自动驾驶芯片上实测得到的样本性能数据，训练预测器，具体包括：
14、从所述搜索空间内的候选网络模型结构中筛选出预设数量的测试网络模型结构；
15、在所述自动驾驶芯片上实测所述测试网络模型结构的性能参数，得到实测模型结构的样本性能数据；
16、基于图卷积网络算法对所述样本性能数据进行训练，构建预测器。
17、进一步地，所述样本性能数据包括样本模型性能数据和样本芯片耗时数据，所述基于图卷积网络算法对所述样本性能数据进行训练，构建预测器，具体包括：
18、基于所述图卷积网络算法对所述样本性能数据中样本模型性能数据使用从头训练机制，在训练过程中保留剪枝后的网络模型结构，构建模型性能预测器；
19、基于所述图卷积网络算法对所述样本性能数据中样本芯片耗时数据使用预训练机制，在训练过程中保留历史学习得到的模型参数，构建芯片耗时预测器。
20、进一步地，所述预测性能数据包括预测模型性能数据和预测芯片耗时数据，所述根据所述预测性能数据，从所述候选网络模型结构中选取耗时精度最高的网络模型结构作为自动驾驶芯片的最终网络模型，具体包括：
21、根据所述预测模型性能数据和预测芯片耗时数据，确定自动驾驶芯片使用不同网络模型结构在限定性能下的精度表征；
22、选取在限定性能下精度表征最高的网络模型结构作为自动驾驶芯片的最终网络模型。
23、进一步地，所述根据所述预测模型性能数据和预测芯片耗时数据，确定自动驾驶芯片使用不同网络模型结构在限定性能下的精度表征，具体包括：
24、将所述预测模型性能数据和预测芯片耗时数据映射至二维坐标轴上，形成离散数据变量；
25、使用预先设置的目标函数将所述离散数据变量约束在预设取值范围内，选取所述预设取值范围内处于位置处于区域边缘的离散数据变量；
26、根据所述位置处于区域边缘的离散数据变量，确定自动驾驶芯片使用不同网络模型结构在限定性能下的精度表征。
27、根据本申请的第二个方面，提供了一种针对自动驾驶芯片的网络模型生成的装置，该装置包括：
28、生成模块，用于针对自动驾驶芯片设计的原始网络模型生成搜索空间，所述搜索空间内包括针对所述原始网络模型在不同属性维度上使用变更步长所形成的多个候选网络模型结构；
29、训练模块，用于利用所述搜索空间内的候选网络模型结构在自动驾驶芯片上实测得到的样本性能数据，训练预测器，所述预测器用于对网络模型结构进行性能数据预测；
30、预测模块，用于使用所述预测器对所述搜索空间内的候选网络模型结构进行预测，得到网络模型结构的预测性能数据；
31、选取模块，用于根据所述预测性能数据，从所述候选网络模型结构中选取耗时精度最高的网络模型结构作为自动驾驶芯片的最终网络模型。
32、进一步地，所述生成模块，具体用于根据网络模型结构预先分配的单位变更步长和针对搜索空间设置的上下步长限制，确定所述搜索空间中包括的候选网络模型结构的数量；在所述候选网络模型结构的数量范围内，将所述原始网络模型结构在不同维度上使用单位变更步长后进行组合，针对自动驾驶芯片设计的原始网络模型生成搜索空间。
33、进一步地，所述装置还包括：
34、划分模块，用于在所述针对自动驾驶芯片设计的原始网络模型生成搜索空间之前，针对视觉感知任务将网络模型结构划分为不同属性维度；
35、分配模块，用于结合自动驾驶芯片的硬件特性，针对所述网络模型结构在不同属性维度上分配单位变更步长。
36、进一步地，所述训练模块，具体用于从所述搜索空间内的候选网络模型结构中筛选出预设数量的测试网络模型结构；在所述自动驾驶芯片上实测所述测试网络模型结构的性能参数，得到实测模型结构的样本性能数据；基于图卷积网络算法对所述样本性能数据进行训练，构建预测器。
37、进一步地，所述样本性能数据包括样本模型性能数据和样本芯片耗时数据，所述训练模块，具体还用于基于所述图卷积网络算法对所述样本性能数据中样本模型性能数据使用从头训练机制，在训练过程中保留剪枝后的网络模型结构，构建模型性能预测器；基于所述图卷积网络算法对所述样本性能数据中样本芯片耗时数据使用预训练机制，在训练过程中保留历史学习得到的模型参数，构建芯片耗时预测器。
38、进本文档来自技高网...
【技术保护点】
1.一种针对自动驾驶芯片的网络模型生成的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述针对自动驾驶芯片设计的原始网络模型生成搜索空间，具体包括：
3.根据权利要求1所述的方法，其特征在于，在所述针对自动驾驶芯片设计的原始网络模型生成搜索空间之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述利用所述搜索空间内的候选网络模型结构在自动驾驶芯片上实测得到的样本性能数据，训练预测器，具体包括：
5.根据权利要4所述的方法，其特征在于，所述样本性能数据包括样本模型性能数据和样本芯片耗时数据，所述基于图卷积网络算法对所述样本性能数据进行训练，构建预测器，具体包括：
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述预测性能数据包括预测模型性能数据和预测芯片耗时数据，所述根据所述预测性能数据，从所述候选网络模型结构中选取耗时精度最高的网络模型结构作为自动驾驶芯片的最终网络模型，具体包括：
7.根据权利要求6所述的方法，其特征在于，所述根据所述预测模型性能数据和预测芯片耗
8.一种针对自动驾驶芯片的网络模型生成的装置，其特征在于，包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种针对自动驾驶芯片的网络模型生成的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述针对自动驾驶芯片设计的原始网络模型生成搜索空间，具体包括：
3.根据权利要求1所述的方法，其特征在于，在所述针对自动驾驶芯片设计的原始网络模型生成搜索空间之前，所述方法还包括：
4.根据权利要求1所述的方法，其特征在于，所述利用所述搜索空间内的候选网络模型结构在自动驾驶芯片上实测得到的样本性能数据，训练预测器，具体包括：
5.根据权利要4所述的方法，其特征在于，所述样本性能数据包括样本模型性能数据和样本芯片耗时数据，所述基于图卷积网络算法对所述样本性能数据进行训练，构建预测器，具体包括：
6.根据权利要求1-5中任一项所述的方法，其特征在于，所述预测性能...
【专利技术属性】
技术研发人员：陈彦君，刘运泽，王晋玮，陈铭，刘宇冲，李琦，李豪雨，刘伟，李牧昀，黄致远，
申请(专利权)人：魔门塔苏州科技有限公司，
类型：发明
国别省市：
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。