CN111222637A - 神经网络模型部署方法及装置、电子设备和存储介质 - Google Patents

Abstract

本公开涉及一种神经网络模型部署方法及装置、电子设备和存储介质，所述方法包括：加载神经网络模型；为所述神经网络模型配置初始化信息，所述初始化信息包括为神经网络模型的运行和数据存储分配的资源；基于所述神经网络模型的网络结构信息以及所述初始化信息，将所述神经网络模型转换为预设编程语言形式。本公开实施例可实现应用平台的扩展能力，提高神经网络模型的适用性。

Description

神经网络模型部署方法及装置、电子设备和存储介质

技术领域

本公开涉及人工智能技术领域，尤其涉及一种神经网络模型部署方法及装置、电子设备和存储介质。

背景技术

深度学习等神经网络在具体应用时，需要各个方面的工程技术协作。模型的部署方案关系着模型是如何被程序所使用的，它在整个神经网络学习应用场景中起着十分关键的作用。

目前，神经网络的训练与部署面对的环境是不同的，神经网络的部署要求更加高效的性能。

发明内容

本公开提出了一种神经网络模型部署的技术方案。

根据本公开的一方面，提供了一种神经网络模型部署方法，包括：

加载神经网络模型；

为所述神经网络模型配置初始化信息，所述初始化信息包括为神经网络模型的运行和数据存储分配的资源；

基于所述神经网络模型的网络结构信息以及所述初始化信息，将所述神经网络模型转换为预设编程语言形式。

在一些可能的实施方式中，所述基于所述神经网络模型的网络结构信息以及所述初始化信息，将所述神经网络模型转换为预设编程语言形式，包括：

确定所述神经网络模型内的网络层匹配的基础算子，所述基础算子由预设编程语言表示；

基于所述神经网络模型的网络结构信息、所述初始化信息和所述基础算子，将所述神经网络模型转换为所述预设编程语言的形式。

在一些可能的实施方式中，所述确定所述神经网络模型内的网络层匹配的基础算子，包括：

基于所述神经网络模型内的所述网络层的类型，确定与所述类型对应的至少一个第一基础算子；

从所述至少一个第一基础算子中选择出符合预设要求的第一基础算子，并将选择出的所述第一基础算子确定为与所述网络层匹配的所述基础算子。

在一些可能的实施方式中，所述从所述至少一个第一基础算子中选择出符合预设要求的第一基础算子，包括以下方式中的至少一种：

根据所述神经网络模型的所述网络层的参数，从所述第一基础算子中选择出符合所述预设要求的第一基础算子；

运行所述神经网络模型，基于所述至少一个第一基础算子的运行参数选择出符合所述预设要求的第一基础算子。

在一些可能的实施方式中，所述预设要求包括：运行时间最短和/或占用内存最小。

在一些可能的实施方式中，所述基于所述神经网络模型的网络结构信息、所述初始化信息和所述基础算子，将所述神经网络模型转换为所述预设编程语言的形式，包括：

利用所述初始化信息中包括的资源，运行所述神经网络模型；

确定运行所述神经网络模型的过程中的第一类数据以及第二类数据，所述第一类数据包括所述神经网络模型中各网络层的结构以及初始权重，所述第二类数据包括各网络层经过优化后的权重；

将所述第一类数据配置为全局只读数据，以及构建表示所述第二类数据的第一结构体，所述第一结构体包括所述第二类数据与所述基础算子对应的输入指针和输出指针；

编译形成由所述第一结构体作为参数的推理函数，并将所述基础算子的调用方法写入所述推理函数；

生成所述推理函数的输入接口和输出接口。

在一些可能的实施方式中，所述方法还包括：

获取输入数据；

利用所述预设编程语言形式的所述神经网络模型对所述输入数据进行处理，得到预测结果。

在一些可能的实施方式中，所述神经网络模型包括特征提取神经网络模型、分类神经网络模型以及目标检测神经网络模型中的至少一种。

根据本公开的第二方面，提供了一种神经网络模型部署装置，其包括：

加载模块，用于加载神经网络模型；

配置模块，用于为所述神经网络模型配置初始化信息，所述初始化信息包括为神经网络模型的运行和数据存储分配的资源；

转换模块，用于基于所述神经网络模型的网络结构信息以及所述初始化信息，将所述神经网络模型转换为预设编程语言形式。

在一些可能的实施方式中，所述转换模块还用于确定所述神经网络模型内的网络层匹配的基础算子，所述基础算子由预设编程语言表示；以及

基于所述神经网络模型的网络结构信息、所述初始化信息和所述基础算子，将所述神经网络模型转换为所述预设编程语言的形式。

在一些可能的实施方式中，所述转换模块还用于基于所述神经网络模型内的所述网络层的类型，确定与所述类型对应的至少一个第一基础算子；以及

从所述至少一个第一基础算子中选择出符合预设要求的第一基础算子，并将选择出的所述第一基础算子确定为与所述网络层匹配的所述基础算子。

在一些可能的实施方式中，所述转换模块还用于通过以下方式中的至少一种方式从所述至少一个第一基础算子中选择出符合预设要求的第一基础算子：

根据所述神经网络模型的所述网络层的参数，从所述第一基础算子中选择出符合所述预设要求的第一基础算子；

运行所述神经网络模型，基于所述至少一个第一基础算子的运行参数选择出符合所述预设要求的第一基础算子。

在一些可能的实施方式中，所述预设要求包括：运行时间最短和/或占用内存最小。

在一些可能的实施方式中，所述转换模块还用于利用所述初始化信息中包括的资源，运行所述神经网络模型；

确定运行所述神经网络模型的过程中的第一类数据以及第二类数据，所述第一类数据包括所述神经网络模型中各网络层的结构以及初始权重，所述第二类数据包括各网络层经过优化后的权重；

将所述第一类数据配置为全局只读数据，以及构建表示所述第二类数据的第一结构体，所述第一结构体包括所述第二类数据与所述基础算子对应的输入指针和输出指针；

编译形成由所述第一结构体作为参数的推理函数，并将所述基础算子的调用方法写入所述推理函数；

生成所述推理函数的输入接口和输出接口。

在一些可能的实施方式中，所述装置还包括：

获取模块，用于获取输入数据；

预测模块，用于利用所述预设编程语言形式的所述神经网络模型对所述输入数据进行处理，得到预测结果。

在一些可能的实施方式中，所述神经网络模型包括特征提取神经网络模型、分类神经网络模型以及目标检测神经网络模型中的至少一种。

根据本公开的第三方面，提供了一种电子设备，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行第一方面中任意一项所述的方法。

根据本公开的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现第一方面中任意一项所述的方法。

在本公开实施例中，在将神经网络模型部署到应用平台的过程中，可以将首先加载神经网络模型，并基于为神经网络配置初始化信息，将神经网络模型转换为预设编程语言形式，即生成预设编程语言形式的代码程序。通过上述实施例的配置，可以使得不支持神经网络文件读取的平台通过生成与神经网络模型对应的代码的形式，应用神经网络模型，增加平台的可扩展性和应用性能，同时代码的转换不需要额外的时间，在配置初始化信息的过程中可以生成对应的代码，节省网络部署时间。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本公开。

根据下面参考附图对示例性实施例的详细说明，本公开的其它特征及方面将变得清楚。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，这些附图示出了符合本公开的实施例，并与说明书一起用于说明本公开的技术方案。

图1示出根据本公开实施例的一种神经网络模型部署方法的流程图；

图2示出根据本公开实施例中将神经网络模型转换为预设编程语言形式的流程图；

图3示出根据本公开实施例中步骤S31的流程图；

图4示出根据本公开实施例中步骤S32的流程图；

图5示出根据本公开实施例的一种神经网络模型部署装置的框图；

图6示出根据本公开实施例的一种电子设备的框图；

图7示出根据本公开实施例的另一种电子设备的框图。

具体实施方式

以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。

在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。

本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合，例如，包括A、B、C中的至少一种，可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。

另外，为了更好地说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。

本公开实施例提供的神经网络模型部署方法的执行主体可以是任意的电子设备，例如，神经网络模型部署方法可以由终端设备或服务器执行，其中，终端设备可以为用户设备(User Equipment，UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal Digital Assistant，PDA)、手持设备、计算设备、车载设备、可穿戴设备等。服务器可以为本地服务器或者云端服务器。在一些可能的实现方式中，该神经网络模型部署方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。

图1示出根据本公开实施例的一种神经网络模型部署方法的流程图，如图1所示，神经网络模型部署方法包括：

S10：加载神经网络模型；

在一些可能的实施方式中，本公开实施例可以实现在应用平台中部署神经网络模型，其中，应用平台可以为终端设备的应用平台、也可以为服务器中的应用平台，本公开对此不作具体限定。下述以电子设备执行本公开实施例进行说明，但不作为本公开的具体限定。

在一些可能的实施方式中，神经网络模型可以为实现任意功能的神经网络模型，例如可以包括实现输入数据的特征信息提取的特征提取神经网络模型、实现对象检测的目标检测神经网络模型、实现目标分割的神经网络模型、实现目标分类的神经网络模型、自然语言处理的神经网络模型中的至少一种。上述仅为示例性说明，不作为本公开的具体限定。

在一些可能的实施方式中，在电子设备中部署相应的神经网络模型的情况下，可以首先加载神经网络模型，即将神经网络模型的文件加载到应用平台的程序中。其中，神经网络模型可以包括描述神经网络的网络结构的第一文件，以及用于存储神经网络中使用的权重等参数信息的第二文件。例如，本公开实施例中的神经网络模型可以为caffemodel格式。神经网络模型可以包括两个文件，其中第一文件为lenet.prototxt，第二文件为lenet.caffemodel。络的权重。上述仅为示例性说明，本公开对此不作具体限定。

S20：为神经网络模型配置初始化信息，初始化信息包括为神经网络模型的运行和数据存储分配的资源；

在一些可能的实施方式中，可以在加载神经网络模型的过程中，或者加载神经网络模型完成的情况下，为神经网络模型配置初始化信息。其中，配置初始化信息可以包括为神经网络模型的运行和数据存储分配相应的资源，例如配置内存和显存中的至少一种。在神经网络模型被运行过程中，需要有很多的数据结构做支撑，每一个数据结构对应着一项计算用的资源，比如内存、显存等，可以用来存储输入输出数据、网络的权重、网络的参数等。

本公开实施例可以基于神经网络的网络结构，推理执行神经网络的运算过程，基于推理过程中的数据量以及占用的内存，计算出神经网络模型的执行过程所需的资源，为神经网络模型执行初始化的配置。

S30：基于神经网络模型的网络结构信息以及初始化信息，将神经网络模型转换为预设编程语言形式。

本公开实施例在配置初始化信息的过程中，或者在配置初始化信息完成的情况下，可以将神经网络模型转化为预设编程语言的形式。例如本公开实施例的预设编程语言可以包括C语言和C++语言中的至少一种。通过将神经网络模型转换为预设编码语言，可以使得神经网络模型适用于不同的应用平台，提高神经网络的应用性。另外，在步骤S20和S30同时执行的情况下，可以无需浪费时间执行编程语言的转换，节省时间成本。

本公开实施例中，将神经网络模型转换成预设编程语言形式，可以包括利用预设编程语言实现神经网络模型内各网络层的功能，利用预设编程语言生成实现各网络层对应的函数的调用，从而实现神经网络的功能，以及利用预设编程语言为配置输入输出接口等。

通过上述配置，则可以实现将神经网络模型转换为预设编程语言的形式，可以适用于各应用平台。其中，在将神经网络模型转换为预设编程语言形式的情况下，在应用平台中，可以利用该预设编程语言形式的神经网络模型执行输入数据的处理，其中输入数据可以根据神经网络的功能确定，例如输入数据可以包括语音、文字、图像、视频等中的至少一种。通过预设编程语言形式的神经网络模型执行输入数据的处理，得到预测结果。

例如，本公开实施例中的神经网络模型可以为用于识别手写数字的神经网络mnist，首先可以将神经网络模型中加载到程序中，例如将lenet.prototxt和lenet.caffemodel加载到程序中并转换为预设编码语言形式，在应用过程中，可以将图片形式的输入数据传入程序，执行推理后，程序会返回预测结果，用于预测图片中的数字。其中预测结果可以包括10个浮点数，第几个浮点数的值(编程中从0开始计数)表示数字为几的概率。如果我们将“0”这个图片传入，程序会返回(1,0,0,0,0,0,0,0,0,0),将“3”这个图片传入，程序会返回(0,0,0,1,0,0,0,0,0,0),其它数字同理，对应的位置会为1.由此我们便知道了输入的图片中的数值。

下面结合附图对本公开实施例的具体过程进行详细说明。本公开实施例在将神经网络模型的文件加载到程序的情况下，可以为神经网络的运行分配相应的资源，同时还需要将生成关于神经网络模型的执行过程的代码，如C代码，即将神经网络模型转换为预设编程语言形式。

图2示出根据本公开实施例中将神经网络模型转换为预设编程语言形式的流程图。其中基于神经网络模型的网络结构信息以及初始化信息，将神经网络模型转换为预设编程语言形式，包括：

S31：确定神经网络模型内的网络层匹配的基础算子，基础算子由预设编程语言表示；

S32：基于神经网络模型的网络结构信息、初始化信息和基础算子，将神经网络模型转换为预设编程语言的形式。

在一些可能的实施方式中，在生成关于神经网络模型的预设编程语言的过程中，可以为神经网络模型中网络结构内各网络层选择匹配的基础算子。

其中，本公开实施例可以预先在应用平台内配置不同功能的基础算子，每个基础算子均为预设编程语言编写而成，例如基础算子可以包括用于执行池化操作的池化算子Pooling_3x3_pad1x1_method0，用于执行卷积操作的卷积算子Convolution_3x3_pad1x1_method0，Reduce_mean_method0)，以及还可以包括全连接算子、分类算子等，本公开实施例可以预先配置实现不同的网络层功能的基础算子，预先配置的各基础算子可以存储在基础算子库中。

在加载神经网络模型的情况下，可以根据网络结构中的各网络层的类型得到与网络层匹配的基础算子，其中网络层的类型与功能可以对应。例如网络层可以包括卷积层、池化层、全连接层等。本公开实施例中，实现同一功能的基础算子可以至少包括一个，不同的基础算子内的代码程序不同。

图3示出根据本公开实施例中步骤S31的流程图。其中确定神经网络模型内的网络层匹配的基础算子，包括：

S311：基于神经网络模型内的网络层的类型，确定与类型对应的至少一个第一基础算子；

S312：从至少一个第一基础算子中选择出符合预设要求的第一基础算子，并将选择出的第一基础算子确定为与网络层匹配的基础算子。

在一些可能的实施方式中，在确定神经网络中的网络层的类型(功能)的情况下，可以随机从基础算子库中选择出与神经网络的网络层的功能相同的基础算子，作为匹配的基础算子。

在一些可能的实施方式中，在实现网络层的功能的基础算子为多个的情况下，可以随机从中选择一个基础算子作为匹配的基础算子，也可以从中选择出符合预设要求的基础算子作为匹配的基础算子。本公开实施例将与网络层的类型匹配的基础算子称为第一基础算子。

其中，从网络层匹配的多个第一基础算子中选择出符合预设要求的第一基础算子可以包括以下方式中的至少一种：

A)根据神经网络模型的网络层的参数，从第一基础算子中选择出符合预设要求的第一基础算子；

在一些可能的实施方式中，可以根据网络层使用的参数，直接通过各第一基础算子进行模拟运算，得到运行资源的占用量参数，该占用量参数可以包括运行时间和占用内存。即，本公开实施例可以根据网络层使用的参数，直接通过各第一基础算子进行模拟运算，得到运行资源的占用量参数，该占用量参数可以包括运行时间和占用内存。进一步地，可以根据各第一基础算子的运行资源的占用量参数确定符合预设要求的第一基础算子。本公开实施例可以将运行时间最短和/或占用内存最少的第一基础算子确定为符合预设要求的第一基础算子，从而可以选择出与网络层匹配的最优的基础算子。

B)运行神经网络模型，基于至少一个第一基础算子的运行参数选择出符合预设要求的第一基础算子。

在一些可能的实施方式中，可以运行未转换编程语言形式的神经网络，并得到实际运行过程内各网络层对应的第一基础算子在处理相应的数据时占用的运行资源，同样的该运行资源也可以包括运行时间和占用内存，进一步可以根据每个第一基础算子的运行资源确定符合预设要求的第一基础算子。本公开实施例可以将运行时间最短和/或占用内存最少的第一基础算子确定为符合预设要求的第一基础算子，从而可以选择出与网络层匹配的最优的基础算子。

通过上述方式，可以确定出与神经网络模型中各网络层匹配的基础算子，实现各网络层的预设编程语言的实现。

在得到每个网络层匹配的基础算子的情况下，可以进一步生成神经网络模型的主推理函数的框架，实现各网络层对应的基础算子之间的调用。

图4示出根据本公开实施例中步骤S32的流程图，其中，基于神经网络模型的网络结构信息、初始化信息和基础算子，将神经网络模型转换为预设编程语言的形式，包括：

S321：利用初始化信息中包括的资源，运行神经网络模型；

在一些可能的实施方式中，在执行预设编程语音的神经网络的转换的过程中，可以利用配置好的初始化信息执行加载的神经网络模型，该过程可以单独执行，也可以是与基础算子的确定过程同时执行，本公开对此不作具体限定。

S322：确定运行神经网络模型的过程中的第一类数据以及第二类数据，第一类数据包括神经网络模型中各网络层的结构以及初始权重，第二类数据包括各网络层经过优化后的权重；

在一些可能的实施方式中，可以预先确定神经网络模型在运行过程中所使用或者生成的第一类数据和第二类数据，第一类数据为运行过程中不会改变的全局数据，例如网络层的结构、卷积核的大小，池化核的大小、网络的初始权重等，第二类数据为运行过程中会被修改的数据，例如经过优化后的网络的权重，每一个算子的输入输出空间等，上述仅为示例性说明，不作为本公开的具体限定。

S323：将第一类数据配置为全局只读数据，以及构建表示第二类数据的第一结构体，第一结构体包括第二类数据与基础算子对应的输入指针和输出指针；

在一些可能的实施方式中，可以将S32中描述的各个部分数据转化为预设编程语言表示。其中，可以将运行过程不会改变的第一类数据写为全局只读数据。针对第二类数据，可以定义一个第一结构体，如C结构体(这里称之为推理用结构体)，用来表示推理过程中会产生变化的信息，第一结构体可以包含在基础算子间传播的输入输出的指针以及其它必要的信息。

S324：编译形成由第一结构体作为参数的推理函数，并将基础算子的调用方法写入推理函数；

在一些可能的实施方式中，还可以生成神经网络的主推理函数，例如生成推理代码，按照预设编程语言的语法，编译一个参数为步骤S33中生成描述第一结构体的推理函数框架。然后可以利用预设编程语言，将与各网络层匹配的基础算子的调用方法写到这个推理函数中。其中，各基础算子的函数参数的来源可以包括生成的全局只读数据以及第一结构体。

S325：生成推理函数的输入接口和输出接口。

在一些可能的实施方式中，执行神经网络的操作的目标是提供输入，然后获取输出。因此，对应的需要建立神经网络模型与外部的输入和输出，对应的需要提供设置输入，获取输出的接口。其中，输入接口和输出接口所需的参数应该在上述定义的全局只读数据和第一结构体中。

在一些可能的实施方式中，可能会存在多个网络层或者网络模型协作处理的场景，通常可以将定义的全局只读数据和第一结构体进行隐藏标识，提供通过名称反应模型的功能的创建函数以及销毁函数。然后对推理函数的设置输入接口以及获取输出接口也执行同样的处理(函数名称反应模型功能)，这样便可以在程序中使用多个模型。

通过上述方式可以将神经网络的网络模块的功能与相应的预设编程语言的函数联系起来。在具体应用中，可以将一个模型名称(如C字符串)与生成的推理函数绑定起来(通过一个简单的字符串结构体映射表，结构体中包含创建，销毁推理结构体实例的函数指针，设置输入获取输出的函数指针)。这样更上层的逻辑便可以将模型功能与底层的C函数隔离开来。也就是说，本公开实施例可以实现，将每个神经网络模型生成的推理函数与神经网络模型对应的功能进行绑定，形成表示上述绑定关系的映射表，该映射表中还可以包括对全局只读数据和第一结构体执行创建和销毁的函数的指针，以及推理参数的设置输入、获取输出的函数指针(输入接口和输出接口的指针)。从而可以方便的实现各个神经网络模型的执行，而且不相互干扰。

另外，本公开实施例中，如果实际应用的平台环境不支持实现代码的转换，可以通过服务器或者其他设备实现神经网络模型的转换，并将转换后的代码加载到应用平台中。即可以采用与应用平台相似的环境，或者采用离线的方法实现代码的转换。

另外，如果实际应用的平台不支持动态内存的分配，可以在加载神经网络模型之前或者配置初始化信息之前，接收预先配置好的资源管理信息，进而实现资源的配置。

综上，本公开实施例在将神经网络模型部署到应用平台的过程中，可以将首先加载神经网络模型，基于神经网络配置初始化信息，将神经网络模型转换为预设编程语言形式，即生成预设编程语言形式的代码程序。通过上述实施例的配置，可以使得不支持神经网络文件读取的平台通过生成与神经网络模型对应的代码的形式，应用神经网络模型，增加平台的可扩展性和应用性能，同时代码的转换不需要额外的时间，在配置初始化信息的过程中可以生成对应的代码，节省网络部署时间，例如可以减少初始化的时间，在将本公开实施例的神经网络应用到车辆，或者其他对时间响应要求高的场景下时(如应用在需要反复启动和关闭装置情况下)，降低启动时的初始化的时间就显得尤为重要。另外，本公开实施例还可以解决在应用环境无文件IO的问题。

本领域技术人员可以理解，在具体实施方式的上述方法中，各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定，各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。

可以理解，本公开提及的上述各个方法实施例，在不违背原理逻辑的情况下，均可以彼此相互结合形成结合后的实施例，限于篇幅，本公开不再赘述。

此外，本公开还提供了神经网络模型部署装置、电子设备、计算机可读存储介质、程序，上述均可用来实现本公开提供的任一种神经网络模型部署方法，相应技术方案和描述和参见方法部分的相应记载，不再赘述。

图5示出根据本公开实施例的一种神经网络模型部署装置的框图，如图5所示，神经网络模型部署装置可以包括：

加载模块10，用于加载神经网络模型；

配置模块20，用于为神经网络模型配置初始化信息，初始化信息包括为神经网络模型的运行和数据存储分配的资源；

转换模块30，用于基于神经网络模型的网络结构信息以及初始化信息，将神经网络模型转换为预设编程语言形式。

在一些可能的实施方式中，转换模块还用于确定神经网络模型内的网络层匹配的基础算子，基础算子由预设编程语言表示；以及

基于神经网络模型的网络结构信息、初始化信息和基础算子，将神经网络模型转换为预设编程语言的形式。

在一些可能的实施方式中，转换模块还用于基于神经网络模型内的网络层的类型，确定与类型对应的至少一个第一基础算子；以及

从至少一个第一基础算子中选择出符合预设要求的第一基础算子，并将选择出的第一基础算子确定为与网络层匹配的基础算子。

在一些可能的实施方式中，转换模块还用于通过以下方式中的至少一种方式从至少一个第一基础算子中选择出符合预设要求的第一基础算子：

根据神经网络模型的网络层的参数，从第一基础算子中选择出符合预设要求的第一基础算子；

运行神经网络模型，基于至少一个第一基础算子的运行参数选择出符合预设要求的第一基础算子。

在一些可能的实施方式中，预设要求包括：运行时间最短和/或占用内存最小。

在一些可能的实施方式中，转换模块还用于利用初始化信息中包括的资源，运行神经网络模型；

确定运行神经网络模型的过程中的第一类数据以及第二类数据，第一类数据包括神经网络模型中各网络层的结构以及初始权重，第二类数据包括各网络层经过优化后的权重；

将第一类数据配置为全局只读数据，以及构建表示第二类数据的第一结构体，第一结构体包括第二类数据与基础算子对应的输入指针和输出指针；

编译形成由第一结构体作为参数的推理函数，并将基础算子的调用方法写入推理函数；

生成推理函数的输入接口和输出接口。

在一些可能的实施方式中，装置还包括：

获取模块，用于获取输入数据；

预测模块，用于利用预设编程语言形式的神经网络模型对输入数据进行处理，得到预测结果。

在一些可能的实施方式中，神经网络模型包括特征提取神经网络模型、分类神经网络模型以及目标检测神经网络模型中的至少一种。

在一些实施例中，本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法，其具体实现可以参照上文方法实施例的描述，为了简洁，这里不再赘述。

本公开实施例还提出一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。

本公开实施例还提出一种电子设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为上述方法。

电子设备可以被提供为终端、服务器或其它形态的设备。

图6示出根据本公开实施例的一种电子设备的框图。例如，电子设备800可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等终端。

参照图6，电子设备800可以包括以下一个或多个组件：处理组件802，存储器804，电源组件806，多媒体组件808，音频组件810，输入/输出(I/O)的接口812，传感器组件814，以及通信组件816。

处理组件802通常控制电子设备800的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件802可以包括一个或多个模块，便于处理组件802和其他组件之间的交互。例如，处理组件802可以包括多媒体模块，以方便多媒体组件808和处理组件802之间的交互。

存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统，一个或多个电源，及其他与为电子设备800生成、管理和分配电力相关联的组件。

多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件810被配置为输出和/或输入音频信号。例如，音频组件810包括一个麦克风(MIC)，当电子设备800处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中，音频组件810还包括一个扬声器，用于输出音频信号。

I/O接口812为处理组件802和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件814包括一个或多个传感器，用于为电子设备800提供各个方面的状态评估。例如，传感器组件814可以检测到电子设备800的打开/关闭状态，组件的相对定位，例如所述组件为电子设备800的显示器和小键盘，传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变，用户与电子设备800接触的存在或不存在，电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件814还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件816还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述方法。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器804，上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。

图7示出根据本公开实施例的另一种电子设备的框图。例如，电子设备1900可以被提供为一服务器。参照图7，电子设备1900包括处理组件1922，其进一步包括一个或多个处理器，以及由存储器1932所代表的存储器资源，用于存储可由处理组件1922的执行的指令，例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件1922被配置为执行指令，以执行上述方法。

电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理，一个有线或无线网络接口1950被配置为将电子设备1900连接到网络，和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM或类似。

在示例性实施例中，还提供了一种非易失性计算机可读存储介质，例如包括计算机程序指令的存储器1932，上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。

这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。

也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。

附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分，所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

以上已经描述了本公开的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (18)

1.一种神经网络模型部署方法，其特征在于，包括：

加载神经网络模型；

为所述神经网络模型配置初始化信息，所述初始化信息包括为神经网络模型的运行和数据存储分配的资源；

基于所述神经网络模型的网络结构信息以及所述初始化信息，将所述神经网络模型转换为预设编程语言形式。

2.根据权利要求1所述的方法，其特征在于，所述基于所述神经网络模型的网络结构信息以及所述初始化信息，将所述神经网络模型转换为预设编程语言形式，包括：

确定所述神经网络模型内的网络层匹配的基础算子，所述基础算子由预设编程语言表示；

基于所述神经网络模型的网络结构信息、所述初始化信息和所述基础算子，将所述神经网络模型转换为所述预设编程语言的形式。

3.根据权利要求2所述的方法，其特征在于，所述确定所述神经网络模型内的网络层匹配的基础算子，包括：

基于所述神经网络模型内的所述网络层的类型，确定与所述类型对应的至少一个第一基础算子；

从所述至少一个第一基础算子中选择出符合预设要求的第一基础算子，并将选择出的所述第一基础算子确定为与所述网络层匹配的所述基础算子。

4.根据权利要求3所述的方法，其特征在于，所述从所述至少一个第一基础算子中选择出符合预设要求的第一基础算子，包括以下方式中的至少一种：

根据所述神经网络模型的所述网络层的参数，从所述第一基础算子中选择出符合所述预设要求的第一基础算子；

运行所述神经网络模型，基于所述至少一个第一基础算子的运行参数选择出符合所述预设要求的第一基础算子。

5.根据权利要求3或4所述的方法，其特征在于，所述预设要求包括：运行时间最短和/或占用内存最小。

6.根据权利要求2-5中任意一项所述的方法，其特征在于，所述基于所述神经网络模型的网络结构信息、所述初始化信息和所述基础算子，将所述神经网络模型转换为所述预设编程语言的形式，包括：

利用所述初始化信息中包括的资源，运行所述神经网络模型；

确定运行所述神经网络模型的过程中的第一类数据以及第二类数据，所述第一类数据包括所述神经网络模型中各网络层的结构以及初始权重，所述第二类数据包括各网络层经过优化后的权重；

将所述第一类数据配置为全局只读数据，以及构建表示所述第二类数据的第一结构体，所述第一结构体包括所述第二类数据与所述基础算子对应的输入指针和输出指针；

编译形成由所述第一结构体作为参数的推理函数，并将所述基础算子的调用方法写入所述推理函数；

生成所述推理函数的输入接口和输出接口。

7.根据权利要求1-6中任意一项所述的方法，其特征在于，所述方法还包括：

获取输入数据；

利用所述预设编程语言形式的所述神经网络模型对所述输入数据进行处理，得到预测结果。

8.根据权利要求1-7中任意一项所述的方法，其特征在于，所述神经网络模型包括特征提取神经网络模型、分类神经网络模型以及目标检测神经网络模型中的至少一种。

9.一种神经网络模型部署装置，其特征在于，包括：

加载模块，用于加载神经网络模型；

配置模块，用于为所述神经网络模型配置初始化信息，所述初始化信息包括为神经网络模型的运行和数据存储分配的资源；

转换模块，用于基于所述神经网络模型的网络结构信息以及所述初始化信息，将所述神经网络模型转换为预设编程语言形式。

10.根据权利要求9所述的装置，其特征在于，所述转换模块还用于确定所述神经网络模型内的网络层匹配的基础算子，所述基础算子由预设编程语言表示；以及

基于所述神经网络模型的网络结构信息、所述初始化信息和所述基础算子，将所述神经网络模型转换为所述预设编程语言的形式。

11.根据权利要求10所述的装置，其特征在于，所述转换模块还用于基于所述神经网络模型内的所述网络层的类型，确定与所述类型对应的至少一个第一基础算子；以及

从所述至少一个第一基础算子中选择出符合预设要求的第一基础算子，并将选择出的所述第一基础算子确定为与所述网络层匹配的所述基础算子。

12.根据权利要求11所述的装置，其特征在于，所述转换模块还用于通过以下方式中的至少一种方式从所述至少一个第一基础算子中选择出符合预设要求的第一基础算子：

根据所述神经网络模型的所述网络层的参数，从所述第一基础算子中选择出符合所述预设要求的第一基础算子；

运行所述神经网络模型，基于所述至少一个第一基础算子的运行参数选择出符合所述预设要求的第一基础算子。

13.根据权利要求11或12所述的装置，其特征在于，所述预设要求包括：运行时间最短和/或占用内存最小。

14.根据权利要求10-13中任意一项所述的装置，其特征在于，所述转换模块还用于利用所述初始化信息中包括的资源，运行所述神经网络模型；

确定运行所述神经网络模型的过程中的第一类数据以及第二类数据，所述第一类数据包括所述神经网络模型中各网络层的结构以及初始权重，所述第二类数据包括各网络层经过优化后的权重；

将所述第一类数据配置为全局只读数据，以及构建表示所述第二类数据的第一结构体，所述第一结构体包括所述第二类数据与所述基础算子对应的输入指针和输出指针；

编译形成由所述第一结构体作为参数的推理函数，并将所述基础算子的调用方法写入所述推理函数；

生成所述推理函数的输入接口和输出接口。

15.根据权利要求9-14中任意一项所述的装置，其特征在于，所述装置还包括：

获取模块，用于获取输入数据；

预测模块，用于利用所述预设编程语言形式的所述神经网络模型对所述输入数据进行处理，得到预测结果。

16.根据权利要求9-15中任意一项所述的装置，其特征在于，所述神经网络模型包括特征提取神经网络模型、分类神经网络模型以及目标检测神经网络模型中的至少一种。

17.一种电子设备，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1-8中任意一项所述的方法。

18.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1-8中任意一项所述的方法。

Images