一种模型优化方法、装置、设备及可读存储介质与流程

技术特征：
1.一种模型优化方法，其特征在于，包括：确定m个网络模型；基于待分析数据集确定所述m个网络模型的描述长度；从所述m个网络模型中确定描述长度最小的目标网络模型作为优化的网络模型；基于所述优化的网络模型进行数据处理。2.根据权利要求1所述模型优化方法，其特征在于，所述确定m个网络模型包括：在m为第一数量的情况下，确定所述第一数量的网络模型，所述网络模型包括卷积层；确定与每一个网络模型对应的卷积层的数量，基于所述卷积层的数量设置相应层数的卷积层以生成所述m个网络模型。3.根据权利要求1所述模型优化方法，其特征在于，所述确定m个网络模型包括：在m为第二数量的情况下，确定第二数量的网络模型，所述网络模型包括全连接层；确定与每一个网络模型对应的全连接层的维度数，基于所述全连接层的维度数生成相应维度的全连接层以生成所述m个网络模型。4.根据权利要求1所述模型优化方法，其特征在于，所述确定m个网络模型包括：在m为第三数量的情况下，确定第三数量的网络模型，所述网络模型包括卷积层和全连接层；确定与每一个网络模型对应的卷积层的数量以及全连接层的维度数量，基于所述卷积层的数量生成相应层数的卷积层，并基于所述全连接层的维度数量生成相应层数的全连接层以生成所述m个网络模型。5.根据权利要求1所述的模型优化方法，其特征在于，所述基于待分析数据集确定所述m个网络模型的描述长度包括：分别计算所述待分析数据集在所述m个网络模型下的似然度和复杂度；基于所述似然度和所述复杂度计算所述m个网络的所述描述长度。6.根据权利要求5所述的模型优化方法，其特征在于，所述基于所述似然度和所述复杂度计算所述m个网络模型的所述描述长度包括：计算所述似然度和所述复杂度的加权和作为所述描述长度。7.一种模型优化装置，其特征在于，包括：第一确定模块，用于确定m个网络模型；第二确定模块，用于基于待分析数据集确定所述m个网络模型的描述长度；优化模块，用于从所述m个网络模型中确定描述长度最小的目标网络模型作为优化的网络模型；处理模块，用于基于所述优化的网络模型进行数据处理。8.根据权利要求7所述的模型优化装置，其特征在于，所述第二确定模块还用于：分别计算所述待分析数据集在所述m个网络模型下的似然度和复杂度；基于所述似然度和所述复杂度计算所述m个网络的所述描述长度。9.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1-6中任一项所述的模型优化方法的步骤。10.一种可读存储介质，其特征在于，所述可读存储介质上存储程序或指令，所述程序
或指令被处理器执行时实现如权利要求1-6中任一项所述的模型优化方法的步骤。

技术总结
本发明提供一种模型优化方法、装置、设备及可读存储介质，涉及深度学习技术领域，该模型优化方法包括确定M个网络模型；基于待分析数据集确定所述M个网络模型的描述长度；从所述M个网络模型中确定描述长度最小的目标网络模型作为优化的网络模型，基于所述优化的网络模型进行数据处理。这样，解决了现有的深度学习网络模型的优化程度较弱，不能有效降低深度学习网络模型的复杂度的问题。学习网络模型的复杂度的问题。学习网络模型的复杂度的问题。


技术研发人员：马文婷 张志鹏 徐青青
受保护的技术使用者：中国移动通信集团有限公司
技术研发日：2020.09.10
技术公布日：2022/3/10