本發(fā)明涉及數(shù)據(jù)處理，特別是涉及一種圖像識(shí)別方法、裝置、設(shè)備、介質(zhì)和剪枝方法。

背景技術(shù)：

1、隨著深度學(xué)習(xí)模型計(jì)算復(fù)雜度的增長(zhǎng)，導(dǎo)致模型的計(jì)算和存儲(chǔ)成本逐步提升。如何保證深度學(xué)習(xí)模型精度的同時(shí)，降低深度學(xué)習(xí)模型的計(jì)算和存儲(chǔ)成本已成為當(dāng)前模型優(yōu)化中的一個(gè)重要目標(biāo)。模型剪枝技術(shù)是解決該問(wèn)題的一個(gè)有效方法。模型剪枝通過(guò)對(duì)模型進(jìn)行結(jié)構(gòu)優(yōu)化和參數(shù)刪減，去除不重要或冗余參數(shù)，在保證模型準(zhǔn)確率的同時(shí)，降低模型的計(jì)算和存儲(chǔ)成本。

2、但是目前的模型剪枝方案，多為針對(duì)剪枝方法和剪枝評(píng)估的優(yōu)化，缺乏對(duì)模型剪枝整體流程的優(yōu)化。對(duì)于訓(xùn)練好的原始模型，目前方案多為直接丟棄被剪枝的模型參數(shù)，在剪枝模型的再訓(xùn)練中重新學(xué)習(xí)模型參數(shù)，這不僅忽略了被剪枝參數(shù)對(duì)剪枝模型的影響，而且也降低了剪枝模型再訓(xùn)練的效率。在利用剪枝模型進(jìn)行圖像識(shí)別時(shí)，由于圖像識(shí)別模型整個(gè)訓(xùn)練過(guò)程訓(xùn)練效率的偏低，導(dǎo)致圖像識(shí)別模型計(jì)算和存儲(chǔ)成本的增加。

3、可見(jiàn)，如何降低圖像識(shí)別模型的計(jì)算和存儲(chǔ)成本，是本領(lǐng)域技術(shù)人員需要解決的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例的目的是提供一種圖像識(shí)別方法、裝置、設(shè)備、介質(zhì)和剪枝方法，可以解決圖像識(shí)別模型計(jì)算和存儲(chǔ)成本的增加問(wèn)題。

2、為解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例提供一種圖像識(shí)別模型圖像識(shí)別方法，包括：

3、根據(jù)原始圖像識(shí)別模型訓(xùn)練過(guò)程中不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)更新值以及不同神經(jīng)元節(jié)點(diǎn)組合的數(shù)目，確定出不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值；其中，不同神經(jīng)元節(jié)點(diǎn)組合包括模型每次訓(xùn)練迭代所丟棄的神經(jīng)元節(jié)點(diǎn)與所保留的神經(jīng)元節(jié)點(diǎn)形成的組合；

4、對(duì)不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值進(jìn)行分類統(tǒng)計(jì)，以確定出不同剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值；

5、基于原始圖像識(shí)別模型的初始模型參數(shù)以及不同剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值，完成對(duì)不同剪枝模型的模型參數(shù)初始化；

6、利用模型參數(shù)初始化后的不同剪枝模型對(duì)圖像樣本進(jìn)行分析訓(xùn)練，以得到剪枝優(yōu)化后的圖像識(shí)別模型；

7、在獲取到待分析圖像的情況下，將所述待分析圖像輸入至所述圖像識(shí)別模型，以確定出所述待分析圖像中包含的目標(biāo)物。

8、一方面，根據(jù)原始圖像識(shí)別模型訓(xùn)練過(guò)程中不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)更新值以及不同神經(jīng)元節(jié)點(diǎn)組合的數(shù)目，確定出不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值包括：

9、在所述原始圖像識(shí)別模型每次訓(xùn)練迭代時(shí)按照設(shè)定的比例隨機(jī)丟棄神經(jīng)元節(jié)點(diǎn)，以記錄不同神經(jīng)元節(jié)點(diǎn)組合對(duì)應(yīng)的參數(shù)更新值；

10、在每次訓(xùn)練迭代出現(xiàn)與已有的神經(jīng)元節(jié)點(diǎn)組合相同的神經(jīng)元節(jié)點(diǎn)組合的情況下，將同一神經(jīng)元節(jié)點(diǎn)組合的數(shù)目加一；其中，初始狀態(tài)下不同神經(jīng)元節(jié)點(diǎn)組合的數(shù)目均為零；

11、將每個(gè)神經(jīng)元節(jié)點(diǎn)組合對(duì)應(yīng)的參數(shù)更新值及其數(shù)目進(jìn)行除法運(yùn)算，將得到的商值作為每個(gè)神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值。

12、一方面，在所述原始圖像識(shí)別模型每次訓(xùn)練迭代時(shí)按照設(shè)定的比例隨機(jī)丟棄神經(jīng)元節(jié)點(diǎn)，以記錄不同神經(jīng)元節(jié)點(diǎn)組合對(duì)應(yīng)的參數(shù)更新值包括：

13、在所述原始圖像識(shí)別模型每次訓(xùn)練迭代時(shí)按照設(shè)定的比例隨機(jī)丟棄神經(jīng)元節(jié)點(diǎn)，并統(tǒng)計(jì)每次訓(xùn)練迭代所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值；

14、將每次訓(xùn)練迭代所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值按照其所屬的神經(jīng)元節(jié)點(diǎn)組合進(jìn)行累加，以得到每個(gè)神經(jīng)元節(jié)點(diǎn)組合對(duì)應(yīng)的參數(shù)更新值。

15、一方面，在所述原始圖像識(shí)別模型每次訓(xùn)練迭代時(shí)按照設(shè)定的比例隨機(jī)丟棄神經(jīng)元節(jié)點(diǎn)，并統(tǒng)計(jì)每次訓(xùn)練迭代所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值包括：

16、將上一輪訓(xùn)練迭代下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值以及所丟棄的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的初始參數(shù)值作為當(dāng)前訓(xùn)練迭代的模型參數(shù)；其中，初始狀態(tài)下所保留的各神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值為各神經(jīng)元節(jié)點(diǎn)的初始參數(shù)值；

17、在當(dāng)前訓(xùn)練迭代下按照設(shè)定的比例隨機(jī)丟棄神經(jīng)元節(jié)點(diǎn)，利用當(dāng)前批次的樣本對(duì)隨機(jī)丟棄神經(jīng)元節(jié)點(diǎn)后的圖像識(shí)別模型進(jìn)行訓(xùn)練，并記錄當(dāng)前批次下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值；

18、直至所有批次樣本訓(xùn)練完成，則將所有批次下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值的累加值作為當(dāng)前訓(xùn)練迭代下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值。

19、一方面，將每次訓(xùn)練迭代所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值按照其所屬的神經(jīng)元節(jié)點(diǎn)組合進(jìn)行累加，以得到每個(gè)神經(jīng)元節(jié)點(diǎn)組合對(duì)應(yīng)的參數(shù)更新值包括：

20、在當(dāng)前訓(xùn)練迭代下神經(jīng)元節(jié)點(diǎn)組合為丟棄第i個(gè)神經(jīng)元節(jié)點(diǎn)并且保留第j個(gè)神經(jīng)元節(jié)點(diǎn)的情況下，獲取當(dāng)前訓(xùn)練迭代下第j個(gè)神經(jīng)元節(jié)點(diǎn)的參數(shù)更新值；

21、將上一次訓(xùn)練迭代下神經(jīng)元節(jié)點(diǎn)組合為丟棄第i個(gè)神經(jīng)元節(jié)點(diǎn)并且保留第j個(gè)神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值與當(dāng)前訓(xùn)練迭代下第j個(gè)神經(jīng)元節(jié)點(diǎn)的參數(shù)更新值進(jìn)行累加，并將累加值作為當(dāng)前訓(xùn)練迭代下神經(jīng)元節(jié)點(diǎn)組合為丟棄第i個(gè)神經(jīng)元節(jié)點(diǎn)并且保留第j個(gè)神經(jīng)元節(jié)點(diǎn)的參數(shù)更新值。

22、一方面，對(duì)不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值進(jìn)行分類統(tǒng)計(jì)，以確定出不同剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值包括：

23、從不同神經(jīng)元節(jié)點(diǎn)組合中查詢與所保留的神經(jīng)元節(jié)點(diǎn)匹配的至少一個(gè)神經(jīng)元節(jié)點(diǎn)組合；

24、對(duì)匹配的至少一個(gè)神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值進(jìn)行求平均值運(yùn)算，以得到所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值。

25、一方面，基于原始圖像識(shí)別模型的初始模型參數(shù)以及不同剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值，完成對(duì)不同剪枝模型的模型參數(shù)初始化包括：

26、基于目標(biāo)剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值、所述初始模型參數(shù)以及設(shè)定的調(diào)參比例，確定出目標(biāo)剪枝模型初始化后的模型參數(shù)；其中，所述目標(biāo)剪枝操作為不同剪枝操作中的任意一種剪枝操作；所述目標(biāo)剪枝模型為按照所述目標(biāo)剪枝操作對(duì)所述原始圖像識(shí)別模型進(jìn)行剪枝操作得到的剪枝模型。

27、一方面，基于目標(biāo)剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值、所述初始模型參數(shù)以及設(shè)定的調(diào)參比例，確定出目標(biāo)剪枝模型初始化后的模型參數(shù)包括：

28、計(jì)算目標(biāo)剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值與所述初始模型參數(shù)的差值；

29、按照設(shè)定的調(diào)參比例，將所述差值加權(quán)累加到所述初始模型參數(shù)，以得到目標(biāo)剪枝模型初始化后的模型參數(shù)。

30、一方面，利用模型參數(shù)初始化后的不同剪枝模型對(duì)圖像樣本進(jìn)行分析訓(xùn)練，以得到剪枝優(yōu)化后的圖像識(shí)別模型包括：

31、將同一圖像樣本分別輸入到模型參數(shù)初始化后的不同剪枝模型中進(jìn)行分析，以確定出不同剪枝模型的輸出損失值；

32、依據(jù)所述圖像樣本對(duì)輸出損失值最小的剪枝模型進(jìn)行訓(xùn)練，以得到剪枝優(yōu)化后的圖像識(shí)別模型。

33、一方面，在利用模型參數(shù)初始化后的不同剪枝模型對(duì)圖像樣本進(jìn)行分析訓(xùn)練，以得到剪枝優(yōu)化后的圖像識(shí)別模型之后，還包括：

34、統(tǒng)計(jì)所述原始圖像識(shí)別模型對(duì)待處理數(shù)據(jù)進(jìn)行分析所花費(fèi)的第一時(shí)間以及所述剪枝優(yōu)化后的圖像識(shí)別模型對(duì)待處理數(shù)據(jù)進(jìn)行分析所花費(fèi)的第二時(shí)間；

35、在所述第二時(shí)間大于所述第一時(shí)間的情況下，輸出剪枝優(yōu)化異常的提示信息。

36、本發(fā)明實(shí)施例還提供了一種圖像識(shí)別裝置，包括確定單元、統(tǒng)計(jì)單元、初始化單元、訓(xùn)練單元和分析單元；

37、所述確定單元，用于根據(jù)原始圖像識(shí)別模型訓(xùn)練過(guò)程中不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)更新值以及不同神經(jīng)元節(jié)點(diǎn)組合的數(shù)目，確定出不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值；其中，不同神經(jīng)元節(jié)點(diǎn)組合包括模型每次訓(xùn)練迭代所丟棄的神經(jīng)元節(jié)點(diǎn)與所保留的神經(jīng)元節(jié)點(diǎn)形成的組合；

38、所述統(tǒng)計(jì)單元，用于對(duì)不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值進(jìn)行分類統(tǒng)計(jì)，以確定出不同剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值；

39、所述初始化單元，用于基于原始圖像識(shí)別模型的初始模型參數(shù)以及不同剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值，完成對(duì)不同剪枝模型的模型參數(shù)初始化；

40、所述訓(xùn)練單元，用于利用模型參數(shù)初始化后的不同剪枝模型對(duì)圖像樣本進(jìn)行分析訓(xùn)練，以得到剪枝優(yōu)化后的圖像識(shí)別模型；

41、所述分析單元，用于在獲取到待分析圖像的情況下，將所述待分析圖像輸入至所述圖像識(shí)別模型，以確定出所述待分析圖像中包含的目標(biāo)物。

42、一方面，所述確定單元包括記錄單元、加一單元和除法運(yùn)算單元；

43、所述記錄單元，用于在所述原始圖像識(shí)別模型每次訓(xùn)練迭代時(shí)按照設(shè)定的比例隨機(jī)丟棄神經(jīng)元節(jié)點(diǎn)，以記錄不同神經(jīng)元節(jié)點(diǎn)組合對(duì)應(yīng)的參數(shù)更新值；

44、所述加一單元，用于在每次訓(xùn)練迭代出現(xiàn)與已有的神經(jīng)元節(jié)點(diǎn)組合相同的神經(jīng)元節(jié)點(diǎn)組合的情況下，將同一神經(jīng)元節(jié)點(diǎn)組合的數(shù)目加一；其中，初始狀態(tài)下不同神經(jīng)元節(jié)點(diǎn)組合的數(shù)目均為零；

45、所述除法運(yùn)算單元，用于將每個(gè)神經(jīng)元節(jié)點(diǎn)組合對(duì)應(yīng)的參數(shù)更新值及其數(shù)目進(jìn)行除法運(yùn)算，將得到的商值作為每個(gè)神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值。

46、一方面，所述記錄單元包括統(tǒng)計(jì)子單元和累加子單元；

47、所述統(tǒng)計(jì)子單元，用于在所述原始圖像識(shí)別模型每次訓(xùn)練迭代時(shí)按照設(shè)定的比例隨機(jī)丟棄神經(jīng)元節(jié)點(diǎn)，并統(tǒng)計(jì)每次訓(xùn)練迭代所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值；

48、所述累加子單元，用于將每次訓(xùn)練迭代所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值按照其所屬的神經(jīng)元節(jié)點(diǎn)組合進(jìn)行累加，以得到每個(gè)神經(jīng)元節(jié)點(diǎn)組合對(duì)應(yīng)的參數(shù)更新值。

49、一方面，所述統(tǒng)計(jì)子單元用于將上一輪訓(xùn)練迭代下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值以及所丟棄的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的初始參數(shù)值作為當(dāng)前訓(xùn)練迭代的模型參數(shù)；其中，初始狀態(tài)下所保留的各神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值為各神經(jīng)元節(jié)點(diǎn)的初始參數(shù)值；

50、在當(dāng)前訓(xùn)練迭代下按照設(shè)定的比例隨機(jī)丟棄神經(jīng)元節(jié)點(diǎn)，利用當(dāng)前批次的樣本對(duì)隨機(jī)丟棄神經(jīng)元節(jié)點(diǎn)后的圖像識(shí)別模型進(jìn)行訓(xùn)練，并記錄當(dāng)前批次下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值；

51、直至所有批次樣本訓(xùn)練完成，則將所有批次下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值的累加值作為當(dāng)前訓(xùn)練迭代下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值。

52、一方面，所述累加子單元用于在當(dāng)前訓(xùn)練迭代下神經(jīng)元節(jié)點(diǎn)組合為丟棄第i個(gè)神經(jīng)元節(jié)點(diǎn)并且保留第j個(gè)神經(jīng)元節(jié)點(diǎn)的情況下，獲取當(dāng)前訓(xùn)練迭代下第j個(gè)神經(jīng)元節(jié)點(diǎn)的參數(shù)更新值；

53、將上一次訓(xùn)練迭代下神經(jīng)元節(jié)點(diǎn)組合為丟棄第i個(gè)神經(jīng)元節(jié)點(diǎn)并且保留第j個(gè)神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)更新值與當(dāng)前訓(xùn)練迭代下第j個(gè)神經(jīng)元節(jié)點(diǎn)的參數(shù)更新值進(jìn)行累加，并將累加值作為當(dāng)前訓(xùn)練迭代下神經(jīng)元節(jié)點(diǎn)組合為丟棄第i個(gè)神經(jīng)元節(jié)點(diǎn)并且保留第j個(gè)神經(jīng)元節(jié)點(diǎn)的參數(shù)更新值。

54、一方面，所述統(tǒng)計(jì)單元包括查詢子單元和平均值運(yùn)算子單元；

55、所述查詢子單元，用于從不同神經(jīng)元節(jié)點(diǎn)組合中查詢與所保留的神經(jīng)元節(jié)點(diǎn)匹配的至少一個(gè)神經(jīng)元節(jié)點(diǎn)組合；

56、所述平均值運(yùn)算子單元，用于對(duì)匹配的至少一個(gè)神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值進(jìn)行求平均值運(yùn)算，以得到所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值。

57、一方面，所述初始化單元用于基于目標(biāo)剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值、所述初始模型參數(shù)以及設(shè)定的調(diào)參比例，確定出目標(biāo)剪枝模型初始化后的模型參數(shù)；其中，所述目標(biāo)剪枝操作為不同剪枝操作中的任意一種剪枝操作；所述目標(biāo)剪枝模型為按照所述目標(biāo)剪枝操作對(duì)所述原始圖像識(shí)別模型進(jìn)行剪枝操作得到的剪枝模型。

58、一方面，所述初始化單元包括計(jì)算子單元和加權(quán)累加子單元；

59、所述計(jì)算子單元，用于計(jì)算目標(biāo)剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值與所述初始模型參數(shù)的差值；

60、所述加權(quán)累加子單元，用于按照設(shè)定的調(diào)參比例，將所述差值加權(quán)累加到所述初始模型參數(shù)，以得到目標(biāo)剪枝模型初始化后的模型參數(shù)。

61、一方面，所述訓(xùn)練單元用于將同一圖像樣本分別輸入到模型參數(shù)初始化后的不同剪枝模型中進(jìn)行分析，以確定出不同剪枝模型的輸出損失值；

62、依據(jù)所述圖像樣本對(duì)輸出損失值最小的剪枝模型進(jìn)行訓(xùn)練，以得到剪枝優(yōu)化后的圖像識(shí)別模型。

63、一方面，在利用模型參數(shù)初始化后的不同剪枝模型對(duì)圖像樣本進(jìn)行分析訓(xùn)練，以得到剪枝優(yōu)化后的圖像識(shí)別模型之后，還包括時(shí)間統(tǒng)計(jì)單元和輸出單元；

64、所述時(shí)間統(tǒng)計(jì)單元，用于統(tǒng)計(jì)所述原始圖像識(shí)別模型對(duì)待處理數(shù)據(jù)進(jìn)行分析所花費(fèi)的第一時(shí)間以及所述剪枝優(yōu)化后的圖像識(shí)別模型對(duì)待處理數(shù)據(jù)進(jìn)行分析所花費(fèi)的第二時(shí)間；

65、所述輸出單元，用于在所述第二時(shí)間大于所述第一時(shí)間的情況下，輸出剪枝優(yōu)化異常的提示信息。

66、本發(fā)明實(shí)施例還提供了一種深度學(xué)習(xí)模型的剪枝設(shè)備，包括：

67、存儲(chǔ)器，用于存儲(chǔ)計(jì)算機(jī)程序；

68、處理器，用于執(zhí)行所述計(jì)算機(jī)程序以實(shí)現(xiàn)如上述圖像識(shí)別方法的步驟。

69、本發(fā)明實(shí)施例還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如上述圖像識(shí)別方法的步驟。

70、本發(fā)明實(shí)施例還提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序/指令，該計(jì)算機(jī)程序/指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述圖像識(shí)別方法的步驟。

71、本發(fā)明實(shí)施例還提供了一種深度學(xué)習(xí)模型的剪枝方法，包括：

72、根據(jù)原始深度學(xué)習(xí)模型訓(xùn)練過(guò)程中不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)更新值以及不同神經(jīng)元節(jié)點(diǎn)組合的數(shù)目，確定出不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值；其中，不同神經(jīng)元節(jié)點(diǎn)組合包括模型每次訓(xùn)練迭代所丟棄的神經(jīng)元節(jié)點(diǎn)與所保留的神經(jīng)元節(jié)點(diǎn)形成的組合；

73、對(duì)不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值進(jìn)行分類統(tǒng)計(jì)，以確定出不同剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值；

74、基于原始深度學(xué)習(xí)模型的初始模型參數(shù)以及不同剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值，完成對(duì)不同剪枝模型的模型參數(shù)初始化；

75、利用模型參數(shù)初始化后的不同剪枝模型對(duì)樣本集進(jìn)行分析訓(xùn)練，以得到剪枝優(yōu)化后的深度學(xué)習(xí)模型。

76、一方面，在利用模型參數(shù)初始化后的不同剪枝模型對(duì)樣本集進(jìn)行分析訓(xùn)練，以得到剪枝優(yōu)化后的深度學(xué)習(xí)模型之后，還包括：

77、利用剪枝優(yōu)化后的深度學(xué)習(xí)模型對(duì)待處理數(shù)據(jù)進(jìn)行分析，以得到分析結(jié)果；其中，所述待處理數(shù)據(jù)為圖像數(shù)據(jù)、文本數(shù)據(jù)或語(yǔ)音數(shù)據(jù)。

78、由上述技術(shù)方案可以看出，根據(jù)原始圖像識(shí)別模型訓(xùn)練過(guò)程中不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)更新值以及不同神經(jīng)元節(jié)點(diǎn)組合的數(shù)目，確定出不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值；其中，不同神經(jīng)元節(jié)點(diǎn)組合包括模型每次訓(xùn)練迭代所丟棄的神經(jīng)元節(jié)點(diǎn)與所保留的神經(jīng)元節(jié)點(diǎn)形成的組合。對(duì)不同神經(jīng)元節(jié)點(diǎn)組合的參數(shù)平均值進(jìn)行分類統(tǒng)計(jì)，以確定出不同剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值。基于原始圖像識(shí)別模型的初始模型參數(shù)以及不同剪枝操作下所保留的神經(jīng)元節(jié)點(diǎn)對(duì)應(yīng)的參數(shù)平均值，完成對(duì)不同剪枝模型的模型參數(shù)初始化。利用模型參數(shù)初始化后的不同剪枝模型對(duì)圖像樣本進(jìn)行分析訓(xùn)練，以得到剪枝優(yōu)化后的圖像識(shí)別模型。在獲取到待分析圖像的情況下，將待分析圖像輸入至圖像識(shí)別模型可以確定出待分析圖像中包含的目標(biāo)物。

79、本發(fā)明的有益效果在于，通過(guò)分析原始圖像識(shí)別模型訓(xùn)練過(guò)程中丟棄的神經(jīng)元節(jié)點(diǎn)對(duì)所保留的神經(jīng)元節(jié)點(diǎn)的影響，并基于此完成對(duì)不同剪枝模型的模型參數(shù)初始化，有助于提升剪枝模型再訓(xùn)練的效率，降低了模型整個(gè)訓(xùn)練過(guò)程對(duì)計(jì)算資源的需求，有效的縮減了模型的計(jì)算和存儲(chǔ)成本，使得利用剪枝優(yōu)化后的圖像識(shí)別模型可以快速準(zhǔn)確的識(shí)別出待分析圖像中包含的目標(biāo)物。