CN110852449B - 模型迁移方法和电子设备 - Google Patents

Abstract

本申请公开了模型迁移方法和电子设备，涉及机器学习技术领域。具体实现方案为：对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数；根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N；根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件。可将第一平台的学习模型迁移至第二平台上，无需重新编写代码，也不用对迁移至第二平台上的学习模型进行重新训练，节省重新编码和重新训练的时间，提高了学习模型的迁移效率。

Description

模型迁移方法和电子设备

技术领域

本申请涉及计算机技术领域中的机器学习技术，尤其涉及一种模型迁移方法和电子设备。

背景技术

现有技术中，不同的深度学习平台使用的编程语言和编程方式不同，如果将深度学习模型从一个平台迁移至另外一个平台，需要重新编写模型代码，因此用户需要掌握多种编程语言及编程方式。此外，对于已经完成训练的模型，在迁移到新的平台时，在重新编写代码的基础上，还需要花费大量的时间和算力对模型重新进行训练，浪费资源和时间，模型迁移效率低。

发明内容

本申请实施例提供一种模型迁移方法和电子设备，以解决现有模型迁移时，模型迁移的效率低的问题。

为解决上述技术问题，本申请是这样实现的：

本申请第一方面提供一种模型迁移方法，包括：

对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数；

根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N；

根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件。

可选的，所述根据所述M个节点，生成第二数据文件，包括：

对所述M个节点进行优化，获得I个节点，I为正整数，I小于M；

根据所述I个节点，生成所述第二数据文件。

可选的，所述对所述M个节点进行优化，获得I个节点，包括：

若所述M个节点的第一节点包括激活函数，且所述M个节点的拓扑序列包括与所述第一节点相邻的前一个节点，则将所述M个节点的所述第一节点与所述前一个节点合并，获得所述I个节点。

可选的，所述对所述M个节点进行优化，获得I个节点，包括：

若所述M个节点的第二节点用于偏置操作，且所述M个节点的拓扑序列包括与所述第二节点相邻的第三节点，所述第三节点包括偏置属性参数，则将所述M个节点的所述第二节点与所述第三节点合并，获得所述I个节点。

可选的，所述对所述M个节点进行优化，获得I个节点，包括：

若所述M个节点的拓扑序列包括相邻的且分别用于第一转置操作的第四节点和用于第二转置操作的第五节点，且所述第一转置操作和所述第二转置操作的作用相反，则删除所述M个节点的所述第四节点和所述第五节点，获得所述I个节点。

可选的，所述根据所述I个节点，生成第二数据文件，包括：

根据所述I个节点的节点信息，将所述I个节点转换成代码，获得模型代码文件和模型参数文件。

本申请第二方面提供一种电子设备，包括：

第一获取模块，用于对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数；

第二获取模块，用于根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N；

生成模块，用于根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件。

可选的，所述生成模块，包括：

优化子模块，用于对所述M个节点进行优化，获得I个节点，I为正整数，I小于M；

生成子模块，用于根据所述I个节点，生成所述第二数据文件。

可选的，所述优化子模块，用于：

若所述M个节点的第一节点包括激活函数，且所述M个节点的拓扑序列包括与所述第一节点相邻的前一个节点，则将所述M个节点的所述第一节点与所述前一个节点合并，获得所述I个节点。

可选的，所述优化子模块，用于：

若所述M个节点的第二节点用于偏置操作，且所述M个节点的拓扑序列包括与所述第二节点相邻的第三节点，所述第三节点包括偏置属性参数，则将所述M个节点的所述第二节点与所述第三节点合并，获得所述I个节点。

可选的，所述优化子模块，用于：

若所述M个节点的拓扑序列包括相邻的且分别用于第一转置操作的第四节点和用于第二转置操作的第五节点，且所述第一转置操作和所述第二转置操作的作用相反，则删除所述M个节点的所述第四节点和所述第五节点，获得所述I个节点。

可选的，所述生成子模块，用于：

根据所述I个节点的节点信息，将所述I个节点转换成代码，获得模型代码文件和模型参数文件。

本申请第三方面提供一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行第一方面所述的方法。

本申请第四方面提供一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行第一方面所述的方法。

上述申请中的一个实施例具有如下优点或有益效果：对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数；根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N；根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件。可将第一平台的学习模型迁移至第二平台上，无需重新编写代码，也不用对迁移至第二平台上的学习模型进行重新训练，节省重新编码和重新训练的时间，提高了学习模型的迁移效率。

另外，在生成第二数据文件之前，对获取的M个节点进行优化，以优化学习模型在第二平台上的网络结构，这可提升转换后学习模型运行的速度。

若M个节点的第一节点包括激活函数，则将第一节点与其相邻的前一个节点合并，以优化学习模型在第二平台上的网络结构，提升学习模型在第二平台上运行的速度。

若第二节点用于偏置操作(即bias操作)，且与第二节点相邻的第三节点包括偏置属性参数(即bias_attr参数)，则可将第二节点与第三节点合并，以优化学习模型在第二平台上的网络结构，提升学习模型在第二平台上运行的速度。

若所述M个节点的拓扑序列包括相邻的且分别用于第一转置操作的第四节点和用于第二转置操作的第五节点，且所述第一转置操作和所述第二转置操作的作用相反，则删除所述M个节点的所述第四节点和所述第五节点，提升学习模型在第二平台上运行的的速度。

根据I个节点的节点信息，确定节点对应的代码，并保存模型参数，获得模型代码文件和模型参数文件，无需重新编写代码，也不用对迁移至第二平台的学习模型进行重新训练，节省重新编码和重新训练的时间，提高了学习模型的迁移效率。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本申请实施例提供的模型迁移方法的流程图；

图2是本申请实施例提供的节点信息示意图；

图3是本申请实施例提供的电子设备的结构图之一；

图4是本申请实施例提供的电子设备的结构图之二；

图5是用来实现本申请实施例的模型迁移方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

参见图1，图1是本申请实施例提供的模型迁移方法的流程图，如图1所示，本实施例提供一种模型迁移方法，应用于电子设备，包括以下步骤：

步骤101、对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数。

在本申请中，第一平台和第二平台为不同的学习平台。第一平台可为TensorFlow平台(一个深度学习平台)，第二平台可为PaddlePaddle平台(飞浆平台)。本实施例的目的是在不需要重新编写代码和对模型重新进行训练的基础上，将第一平台上的学习模型迁移至第二平台上，提高模型迁移效率。

第一数据文件可为pb文件，即以pb为后缀的文件，pb文件为存储第一平台上存储学习模型信息的文件。对第一平台上的学习模型的第一数据文件进行解析，可获得学习模型的网络结构，网络结构包括N个节点。在获得网络结构的同时，还可获得学习模型的模型参数。

本申请中，一个节点对应一个操作，操作也可称为执行动作。学习模型包括但不限于ResNet_V1_101模型，ResNet_V2_101模型，MTCNN模型，VGG16模型，EfficientNet模型，ShuffleNet模型，Inception_V4模型等。

步骤102、根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N。

对网络结构的N个节点进行拓扑排序，根据拓扑排序获得的拓扑序列，依次对N个节点中的各个节点进行映射。在映射时，可将第一平台上的一个节点映射为第二平台上的一个或多个节点。

第一平台上的节点包括节点信息，节点信息包括输入节点标识、输出节点标识、节点的操作类型、操作参数等。此处的输入节点标识可理解为在N个节点的拓扑序列中排在当前节点之前的节点的标识。输出节点标识可理解为在N各节点的拓扑序列中排在当前节点之后的节点的标识。

如图2所示，图2展示了第一平台上，学习模型中Conv2d节点的节点信息，包括：类型(type)，节点对应的操作的类型；名称(name)，节点的名称；数据类型(T)，节点的数据类型；步长(strides)，指示步长大小；数据格式(data_format)，用于指定输入数据和输出数据的数据格式；填充(explicit_paddings)，指示某种填充的方法；是否使用cudnn内核(use_cudnn_on_gpu)；填充算法的类型(padding)，指示要使用的填充算法的类型；膨胀比例大小(dilations)；输入节点(input)；滤波器(filter)；输出节点(output)。

根据节点信息，将第一平台的节点映射为第二平台的节点。以BiasAdd操作为例，如下代码(采用Python语言)示出了将TensorFlow的节点映射为PaddlePaddle的节点：

上述代码中的第2行和第3行用于对节点信息进行获取，第4行用于对获取的节点信息进行整合，第5行至第8行用于生成对应的PaddlePaddle平台上的节点。

由于TensorFlow平台与PaddlePaddle平台中的操作不是一一对应关系，部分TensorFlow平台的操作在PaddlePaddle平台中没有直接的对应操作，因此，在映射的过程中，TensorFlow平台的部分操作可能需要由多个PaddlePaddle平台的操作组合实现。

TensorFlow平台中，图片数据默认的输入格式为NHWC，其中N为图片数量，H为图片高度，W为图片宽度，C为图片通道数。而在PaddlePaddle平台中，部分操作只支持NCHW格式的输入，因此，需要在只支持NCHW格式的操作节点处理之前，增加转置操作(即transpose操作)，通过transpose操作将NHWC格式的数据转换为NCHW格式，转换完成之后，再由只支持NCHW格式的操作节点处理，此种情况下，TensorFlow平台的一个操作对应了PaddlePaddle平台的两个操作。

由于第一平台上的N个节点是直接映射到第二平台，最大程度的保留了第一平台的网络结构，学习模型在第一平台上的模型参数可以应用于第二平台的模型结构中，避免了重新训练，提高了学习模型迁移效率。

步骤103、根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件。

M个节点中的节点包括节点信息，节点信息包括输入节点标识、输出节点标识、节点的操作类型、操作参数等。此处的输入节点标识可理解为在M个节点的拓扑序列中排在当前节点之前的节点的标识。输出节点标识可理解为在M个节点的拓扑序列中排在当前节点之后的节点的标识。

在获取M个节点之后，可根据M个节点生成第二数据文件。根据M个节点中每个节点对应的不同操作，根据节点信息获取节点对应的代码，并保存模型参数。由于PaddlePaddle的代码结构是相对固定的，在获得节点信息后，只需将对应的信息填入代码的对应参数即可。

例如，若M个节点中的节点A为leaky_relu操作(leaky_relu为leaky rectifiedlinear unit，带泄露修正线性单元，leaky_relu操作的作用主要是进行非线性映射)，节点A的节点信息包括输入节点为a，输出节点为b，操作为leaky_relu，参数alpha为0.1，则根据节点A的节点信息，将节点A转换成对应的PaddlePaddle代码即为b＝fluid.layers.leaky_relu(a,alpha＝0.1)。根据M个节点中各节点的节点信息可以将M个节点转换为代码。

此外，为了代码能够顺利运行，还需要添加固定的模型加载和运行的代码，这部分为PaddlePaddle的固定格式。这样，可获得学习模型在第二平台上的代码及训练参数。

通过上述步骤，可将TensorFlow平台训练好的学习模型迁移至PaddlePaddle平台上，无需重新编写代码，也不用对迁移至PaddlePaddle平台上的学习模型进行重新训练，节省重新编码和重新训练的时间，提高了学习模型的迁移效率。

本实施例中，对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数；根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N；根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件。可将第一平台的学习模型迁移至第二平台上，无需重新编写代码，也不用对迁移至第二平台上的学习模型进行重新训练，节省重新编码和重新训练的时间，提高了学习模型的迁移效率。

在本申请一个实施例中，所述根据所述M个节点，生成第二数据文件，包括：

对所述M个节点进行优化，获得I个节点，I为正整数，I小于M；

根据所述I个节点，生成所述第二数据文件。

具体的，由于第一平台上的N个节点是直接映射到第二平台，在最大程度的保留了第一平台的网络结构的同时，也产生了部分冗余的操作。在本实施例中，在生成第二数据文件之前，对获取的M个节点进行优化，以优化学习模型在第二平台上的网络结构，这可提升转换后学习模型运行的速度。

在本实施例中，对M个节点进行优化，例如合并节点或删除节点，以减少节点个数，优化学习模型在第二平台上的网络结构，这可提升学习模型在第二平台上运行的速度。

在本申请一个实施例中，所述对所述M个节点进行优化，获得I个节点，包括：

若所述M个节点的第一节点包括激活函数，且所述M个节点的拓扑序列包括与所述第一节点相邻的前一个节点，则将所述M个节点的所述第一节点与所述前一个节点合并，获得所述I个节点。

由于PaddlePaddle平台中例如conv2d等包括激活函数的操作，PaddlePaddle平台对这类操作进行了底层优化，相比于先经过conv2d，再经过激活函数，合并的操作在性能上具有优势。在本实施例中，若M个节点的第一节点包括激活函数，则将第一节点与其相邻的前一个节点合并，以优化学习模型在第二平台上的网络结构，提升学习模型在第二平台上运行的速度。与第一节点相邻的前一个节点可理解为在M个节点的拓扑序列中，与第一节点相邻且排在第一节点之前的节点。

例如，若M个节点中第一节点包括激活函数，与第一节点相邻的前一个节点对应conv2d操作，由于conv2d操作包括激活函数，因此，可将第一节点与conv2d操作对应的节点合并，以优化学习模型在第二平台上的网络结构，提升学习模型在第二平台上运行的速度。

在本申请一个实施例中，所述对所述M个节点进行优化，获得I个节点，包括：

若所述M个节点的第二节点用于偏置操作，且所述M个节点的拓扑序列包括与所述第二节点相邻的第三节点，所述第三节点包括偏置属性参数，则将所述M个节点的所述第二节点与所述第三节点合并，获得所述I个节点。

在本实施例中，若第二节点用于偏置操作(即bias操作)，且与第二节点相邻的第三节点包括偏置属性参数(即bias_attr参数)，则可将第二节点与第三节点合并，以优化学习模型在第二平台上的网络结构，提升学习模型在第二平台上运行的速度。与第二节点相邻的第三节点可理解为M个节点的拓扑序列中，与第二节点相邻的第三节点。

例如，第三节点的参数中，包括bias_attr参数，如果bias_attr参数设为None，即不进行偏置操作。如果在M个节点的拓扑序列中，第三节点之后接的是第二节点，则可将第二节点和第三节点合并，即将第三节点中的bias_attr参数设置为第二节点的名称，这样，第三个节点就可以一次性完成原来两个节点的功能。

在本申请一个实施例中，所述对所述M个节点进行优化，获得I个节点，包括：

若所述M个节点的拓扑序列包括相邻的且分别用于第一转置操作的第四节点和用于第二转置操作的第五节点，且所述第一转置操作和所述第二转置操作的作用相反，则删除所述M个节点的所述第四节点和所述第五节点，获得所述I个节点，提升学习模型在第二平台上运行的的速度。

在将第一平台上的N个节点转换为第二平台上的M个节点后，M个节点可能会包括多个转置操作(即transpose操作)。例如，为了适应TensorFlow的NHWC的输入格式，PaddlePaddle的部分操作会增加transpose操作，大量的transpose操作会影响学习模型在第二平台上的运行速度，可通过遍历第二平台上学习模型的网络结构，即遍历M个节点的拓扑序列，当出现两个转置操作相邻，且作用相反时，删除这两个转置操作。以Yolo-V3模型为例，未进行优化前，转换(又可称为迁移)至PaddlePaddle平台的Yolo-V3(Yolo即You OnlyLook Once，是一种基于深度神经网络的对象识别和定位算法)，共包含了522个转置操作，优化后，转置数量可减少为11个，极大地提升了在第二平台上运行的模型的速度。

在本申请一个实施例中，所述根据所述I个节点，生成第二数据文件，包括：

根据所述I个节点的节点信息，将所述I个节点转换成代码，获得模型代码文件和模型参数文件。

具体的，节点信息包括输入节点标识、输出节点标识、节点的操作类型、操作参数等。输入节点标识可理解为在I个节点的拓扑序列中排在当前节点之前的节点的标识。输出节点标识可理解为在I个节点的拓扑序列中排在当前节点之后的节点的标识。

根据I个节点的节点信息，确定节点对应的代码，并保存模型参数，获得模型代码文件和模型参数文件。由于PaddlePaddle的代码结构是相对固定的，在获得节点信息后，只需将对应的信息填入代码的对应参数即可。

例如，若I个节点中的节点A为leaky_relu操作，节点A的节点信息包括输入节点为a，输出节点为b，操作为leaky_relu，参数alpha为0.1，则根据节点A的节点信息，将节点A转换成对应的PaddlePaddle代码即为b＝fluid.layers.leaky_relu(a,alpha＝0.1)。根据I个节点中各节点的节点信息可以将I个节点转换为代码。

此外，为了代码能够顺利运行，还需要添加固定的模型加载和运行的代码，这部分为PaddlePaddle的固定格式。这样，可获得学习模型在第二平台上的模型代码文件及模型参数文件，即完成了学习模型从第一平台至第二平台的迁移，无需重新编写代码，也不用对迁移至第二平台的学习模型进行重新训练，节省重新编码和重新训练的时间，提高了学习模型的迁移效率。

本申请中的模型迁移方法，相比于已有的模型迁移方法，本申请既避免了重新编写和重新训练模型的工作量，本申请直接将第一平台上的节点映射为第二平台上的节点，在转换性能上也优于多次映射的方案，同时对映射后的节点进行优化，可使得迁移至第二平台的学习模型具有更佳的运行性能。

本申请中的模型迁移方法，能够降低PaddlePaddle平台的用户使用门槛，使得基于TensorFlow的模型能够直接迁移至PaddlePaddle平台中，方便了用户的使用，提升了用户尝试使用PaddlePaddle的可能性；可以快速地将学习模型从TensorFlow平台迁移至PaddlePaddle平台，然后结合PaddlePaddle其他的工具(例如Paddle-Lite等)，完成模型的部署与使用。在学习模型迁移的过程中，可节省大量的时间和算力，极大地便利了用户的模型迁移工作。

参见图3，图3是本申请实施例提供的电子设备的结构图，如图3所示，本实施例提供一种电子设备300，包括：

第一获取模块301，用于对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数；

第二获取模块302，用于根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N；

生成模块303，用于根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件。

可选的，如图4所示，所述生成模块303，包括：

优化子模块3031，用于对所述M个节点进行优化，获得I个节点，I为正整数，I小于M；

生成子模块3032，用于根据所述I个节点，生成所述第二数据文件。

可选的，所述优化子模块3031，用于：

若所述M个节点的第一节点包括激活函数，且所述M个节点的拓扑序列包括与所述第一节点相邻的前一个节点，则将所述M个节点的所述第一节点与所述前一个节点合并，获得所述I个节点。

可选的，所述优化子模块3031，用于：

若所述M个节点的第二节点用于偏置操作，且所述M个节点的拓扑序列包括与所述第二节点相邻的第三节点，所述第三节点包括偏置属性参数，则将所述M个节点的所述第二节点与所述第三节点合并，获得所述I个节点。

可选的，所述优化子模块3031，用于：

若所述M个节点的拓扑序列包括相邻的且分别用于第一转置操作的第四节点和用于第二转置操作的第五节点，且所述第一转置操作和所述第二转置操作的作用相反，则删除所述M个节点的所述第四节点和所述第五节点，获得所述I个节点。

可选的，所述生成子模块3032，用于：

根据所述I个节点的节点信息，将所述I个节点转换成代码，获得模型代码文件和模型参数文件。

电子设备300能够实现图1所示的方法实施例中电子设备实现的各个过程，为避免重复，这里不再赘述。

本申请实施例的电子设备300，对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数；根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N；根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件。可将第一平台的学习模型迁移至第二平台上，无需重新编写代码，也不用对迁移至第二平台上的学习模型进行重新训练，节省重新编码和重新训练的时间，提高了学习模型的迁移效率。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是根据本申请实施例的模型迁移方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的模型迁移方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的模型迁移方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的模型迁移方法对应的程序指令/模块(例如，附图3所示的第一获取模块301、第二获取模块302和生成模块303)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的模型迁移方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据实现模型迁移方法的电子设备的使用所创建的数据等。此外，存储器502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至实现模型迁移方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现模型迁移方法的电子设备还可以包括：输入装置505和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与实现模型迁移方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数；根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N；根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件。可将第一平台的学习模型迁移至第二平台上，无需重新编写代码，也不用对迁移至第二平台上的学习模型进行重新训练，节省重新编码和重新训练的时间，提高了学习模型的迁移效率。

另外，在生成第二数据文件之前，对获取的M个节点进行优化，以优化学习模型在第二平台上的网络结构，这可提升转换后学习模型运行的速度。

若M个节点的第一节点包括激活函数，则将第一节点与其相邻的前一个节点合并，以优化学习模型在第二平台上的网络结构，提升学习模型在第二平台上运行的速度。

若第二节点用于偏置操作(即bias操作)，且与第二节点相邻的第三节点包括偏置属性参数(即bias_attr参数)，则可将第二节点与第三节点合并，以优化学习模型在第二平台上的网络结构，提升学习模型在第二平台上运行的速度。

若所述M个节点的拓扑序列包括相邻的且分别用于第一转置操作的第四节点和用于第二转置操作的第五节点，且所述第一转置操作和所述第二转置操作的作用相反，则删除所述M个节点的所述第四节点和所述第五节点，提升学习模型在第二平台上运行的的速度。

根据I个节点的节点信息，确定节点对应的代码，并保存模型参数，获得模型代码文件和模型参数文件，无需重新编写代码，也不用对迁移至第二平台的学习模型进行重新训练，节省重新编码和重新训练的时间，提高了学习模型的迁移效率。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (6)

1.一种模型迁移方法，其特征在于，包括：

对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数；

根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N，所述节点包括节点信息，所述节点信息包括输入节点标识、输出节点标识、节点的操作类型和操作参数，所述输入节点标识为在拓扑序列中排在当前节点之前的节点的标识，所述输出节点标识为在拓扑序列中排在当前节点之后的节点的标识，在映射时，将所述第一平台上的一个节点映射为所述第二平台上的一个或多个节点；

根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件；

所述节点包括节点信息，所述根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件，包括：

根据所述M个节点的节点信息获取所述M个节点对应的代码；

将所述节点中的节点信息填入所述节点所对应的代码，得到所述第二数据文件；

所述根据所述M个节点，生成第二数据文件，包括：

对所述M个节点进行优化，获得I个节点，I为正整数，I小于M；

根据所述I个节点，生成所述第二数据文件；

所述对所述M个节点进行优化，获得I个节点，包括：

若所述M个节点的第二节点用于偏置操作，且所述M个节点的拓扑序列包括与所述第二节点相邻的第三节点，所述第三节点包括偏置属性参数，则将所述M个节点的所述第二节点与所述第三节点合并，获得所述I个节点；

在所述第三节点为所述第二节点的前一节点的情况下，所述将所述M个节点的所述第二节点与所述第三节点合并，包括：

将所述第三节点的偏置属性参数设置为所述第二节点的名称；

所述第二平台为PaddlePaddle平台，所述对所述M个节点进行优化，获得I个节点，包括：

若所述M个节点的第一节点包括激活函数，且所述M个节点的拓扑序列包括与所述第一节点相邻的前一个节点，则将所述M个节点的所述第一节点与前一个节点合并，获得所述I个节点；

所述对所述M个节点进行优化，获得I个节点，包括：

若所述M个节点的拓扑序列包括相邻的且分别用于第一转置操作的第四节点和用于第二转置操作的第五节点，且所述第一转置操作和所述第二转置操作的作用相反，则删除所述M个节点的所述第四节点和所述第五节点，获得所述I个节点。

2.根据权利要求1所述的模型迁移方法，其特征在于，所述根据所述I个节点，生成第二数据文件，包括：

根据所述I个节点的节点信息，将所述I个节点转换成代码，获得模型代码文件和模型参数文件。

3.一种电子设备，其特征在于，包括：

第一获取模块，用于对第一平台上的学习模型的第一数据文件进行解析，获得所述学习模型的网络结构；所述网络结构包括N个节点，N为正整数；

第二获取模块，用于根据所述N个节点的拓扑序列，依次将所述N个节点映射到第二平台，获得M个节点，M为正整数，M大于或等于N，所述节点包括节点信息，所述节点信息包括输入节点标识、输出节点标识、节点的操作类型和操作参数，所述输入节点标识为在拓扑序列中排在当前节点之前的节点的标识，所述输出节点标识为在拓扑序列中排在当前节点之后的节点的标识，在映射时，将所述第一平台上的一个节点映射为所述第二平台上的一个或多个节点；

生成模块，用于根据所述M个节点，生成所述学习模型在所述第二平台上的第二数据文件；

所述生成模块，具体用于根据所述M个节点的节点信息获取所述M个节点对应的代码；

所述生成模块，具体还用于将所述节点中的节点信息填入所述节点所对应的代码，得到所述第二数据文件；

所述生成模块，包括：

优化子模块，用于对所述M个节点进行优化，获得I个节点，I为正整数，I小于M；

生成子模块，用于根据所述I个节点，生成所述第二数据文件；

所述优化子模块，用于：

若所述M个节点的第二节点用于偏置操作，且所述M个节点的拓扑序列包括与所述第二节点相邻的第三节点，所述第三节点包括偏置属性参数，则将所述M个节点的所述第二节点与所述第三节点合并，获得所述I个节点；

在所述第三节点为所述第二节点的前一节点的情况下，所述将所述M个节点的所述第二节点与所述第三节点合并，包括：

将所述第三节点的偏置属性参数设置为所述第二节点的名称；

所述优化子模块，用于：

若所述M个节点的第一节点包括激活函数，且所述M个节点的拓扑序列包括与所述第一节点相邻的前一个节点，则将所述M个节点的所述第一节点与前一个节点合并，获得所述I个节点；

所述第二平台为PaddlePaddle平台，所述优化子模块，用于：

若所述M个节点的拓扑序列包括相邻的且分别用于第一转置操作的第四节点和用于第二转置操作的第五节点，且所述第一转置操作和所述第二转置操作的作用相反，则删除所述M个节点的所述第四节点和所述第五节点，获得所述I个节点。

4.根据权利要求3所述的电子设备，其特征在于，所述生成子模块，用于：

根据所述I个节点的节点信息，将所述I个节点转换成代码，获得模型代码文件和模型参数文件。

5.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-2中任一项所述的方法。

6.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-2中任一项所述的方法。