预览加载中,请您耐心等待几秒...
1/10
2/10
3/10
4/10
5/10
6/10
7/10
8/10
9/10
10/10

亲,该文档总共15页,到这已经超出免费预览范围,如果喜欢就直接下载吧~

如果您无法下载资料,请参考说明:

1、部分资料下载需要金币,请确保您的账户上有足够的金币

2、已购买过的文档,再次下载不重复扣费

3、资料包下载后请先用软件解压,在使用对应软件打开

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113688796A(43)申请公布日2021.11.23(21)申请号202111137863.X(22)申请日2021.09.27(71)申请人中国平安财产保险股份有限公司地址518000广东省深圳市福田区益田路5033号平安金融中心12、13、38、39、40层(72)发明人钟宇翔(74)专利代理机构深圳市沃德知识产权代理事务所(普通合伙)44347代理人高杰于志光(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书10页附图2页(54)发明名称基于边缘计算的对象识别方法、装置、设备及介质(57)摘要本发明涉及人工智能技术领域,提供了一种基于边缘计算的对象识别方法、装置、设备及介质。所述方法包括:获取待处理的原始模型,基于原始模型中每个层所有卷积核的权重对原始模型执行剪枝操作,得到剪枝后的模型,基于第一训练样本集对剪枝后的模型进行训练,得到剪枝结束的模型,基于第二训练样本集对剪枝结束的模型执行混合精度训练,将训练后的模型转换成半精度浮点数的二进制模型文件得到目标压缩模型,以供客户端加载目标压缩模型对待识别对象进行识别。本发明可以提高模型识别的时效性,减小服务器宕机的风险。本发明还涉及区块链技术领域,上述目标压缩模型可以存储于一区块链的节点中。CN113688796ACN113688796A权利要求书1/2页1.一种基于边缘计算的对象识别方法,其特征在于,所述方法包括:获取待处理的原始模型,基于所述原始模型中每个层所有卷积核的权重对所述原始模型执行剪枝操作,得到剪枝后的模型;基于第一训练样本集对所述剪枝后的模型进行训练,得到剪枝结束的模型;基于第二训练样本集对所述剪枝结束的模型执行混合精度训练,将执行混合精度训练后的模型转换成半精度浮点数的二进制模型文件,得到目标压缩模型,以供客户端加载所述目标压缩模型对待识别对象进行识别。2.如权利要求1所述的基于边缘计算的对象识别方法,其特征在于,所述基于所述原始模型中每个层所有卷积核的权重对所述原始模型执行剪枝操作,包括:计算所述原始模型的每个层中所有卷积核的权重的绝对值之和,保留绝对值之和大于预设阈值的卷积核,丢弃绝对值小于或等于所述预设阈值的卷积核。3.如权利要求1所述的基于边缘计算的对象识别方法,其特征在于,所述基于所述原始模型中每个层所有卷积核的权重对所述原始模型执行剪枝操作,包括:计算所述原始模型的每个层中所有卷积核的权重的绝对值之和,并对各层中各卷积核的绝对值之和由大到小进行排序,保留排序结果中靠前的预设数量的卷积核。4.如权利要求1所述的基于边缘计算的对象识别方法,其特征在于,所述原始模型包括两个层,所述基于第一训练样本集对所述剪枝后的模型进行训练,得到剪枝结束的模型,包括:当完成所述原始模型的第一层剪枝操作时,将完成第一层剪枝操作后的模型的学习率调整至预设区间,利用所述第一训练样本集中第一预设数量的训练样本对调整学习率后的模型进行训练,得到训练后的第一剪枝模型;对所述第一剪枝模型执行第二层剪枝操作,利用所述第一预设数量的训练样本对执行第二层剪枝操作后的模型进行训练,得到训练后的第二剪枝模型;利用所述第一训练样本集中第二预设数量的训练样本对所述第二剪枝模型进行训练,得到所述剪枝结束的模型。5.如权利要求1所述的基于边缘计算的对象识别方法,其特征在于,所述调整学习率后的模型的训练过程,包括:将所述第一训练样本集中每个样本输入调整学习率后的模型,得到所述样本集中每个样本对应的预测结果;基于所述样本集中每个样本的标注信息读取所述第一训练样本集中每个样本预先标注的真实结果。通过最小化预测结果与真实结果之间的损失值确定调整学习率后的模型的结构参数,得到训练后的模型。6.如权利要求1所述的基于边缘计算的对象识别方法,其特征在于,所述基于第二训练样本集对所述剪枝结束的模型执行混合精度训练,包括:将所述第二训练样本集划分为多个批次,将前一批次样本训练得到的模型中单精度权重转换为半精度权重;基于所述半精度权重和所述模型的网络结构参数,对当前批次的训练样本进行预测得到输出数据,并根据输出数据和训练样本中的标注信息确定单精度损失值;2CN113688796A权利要求书2/2页将所述单精度损失乘以当前批次样本在所述第二训练样本集中的比例,得到半精度损失值,基于反向传播算法及所述半精度损失值确定半精度梯度值;将所述半精度梯度值除以所述比例,得到单精度梯度值,根据所述单精度梯度值更新所述单精度权重。7.如权利要求1至6中任意一项所述的基于边缘计算的对象识别方法,其特征在于,所述对待识别对象进行识别,包括:接收用户发出的对象识别请求