[发明专利]一种部署到HTML5的模型压缩方法

权利要求书

1.一种部署到 HTML5 的模型压缩方法，其特征在于，包括：

A.使用常规模型训练方法，在训练集上训练模型，验证集 Val 上评估模型，达到预定的评估效果后，获得原始的未经压缩的模型 M_A 和模型 M_A 对应的网络权重W_A；

B.从模型的输入到输出的处理过程，逐层检验模型每层运算单元去除后的预测能力，确认运算单元的重要性，给出运算单元去除后，剩余网络在验证集上的准确率 Acc_A；

C.设定一个初始准确率阈值，并根据这个初始准确率阈值、步骤 B 中的准确率 Acc_A，构建辅助压缩模型 M_C来提升准确率；辅助压缩模型 M_C 在第一次使用模型时未构建，辅助压缩模型M_C 的提升准确率此时为 0；构建主要压缩模型 M_B 及对应的模型参数 W_B，将重要性低的运算单元构成新的通路网络，并通过新的通路网络构建辅助压缩模型 M_C及对应的模型参数 W_C，主要压缩模型 M_B 和辅助压缩模型 M_C 为初始压缩模型；辅助压缩模型 M_C 的提升准确率为使用模型 M_C 后带来的准确率提升值，即：辅助压缩模型M_C 的提升准确率 =主要压缩模型 M_B、辅助压缩模型 M_C一起使用的准确率−主要压缩模型 M_B的准确率；

D.在验证集 Val 上评估主要压缩模型 M_B，输入分类任务并预测分类任务的概率，形成验证子集和其余验证子集并计算出验证子集的预测概率、其余验证子集的预测概率，最终获取验证集 Val 总准确率；

E.若步骤 D 中的验证集 Val 总准确率步骤 B 中的初始准确率阈值，则停止压缩，并使用上一版本的主要压缩模型 M_B 和辅助压缩模型 M_C；若步骤 D 中的最后准确率≥步骤B 中的初始准确率阈值，则重复步骤 C 和步骤 D，直至满足停止压缩的条件成立；

F.将步骤 E 中的两个压缩模型通过 TensorFlow.js 转换为 HTML5 可用的模型,部署在HTML5 上，使用压缩模型时，优先使用主要压缩模型 M_B 并预测分类任务的概率，根据分类任务的概率选择是否加入辅助压缩模型 M_C。

2.如权利要求 1 所述的一种部署到 HTML5 的模型压缩方法，其特征在于，步骤 D 包括：

D1.在验证集 Val 上评估主要压缩模型 M_B，获得主要压缩模型 M_B 的权重和辅助压缩

模型 M_C 的权重；

D2.根据分类任务创建具体的分类，且主要压缩模型 M_B 预测具体分类的概率、辅助压缩模型 M_C 预测具体分类的概率；

D3.形成验证子集和其余验证子集，利用主要压缩模型 M_B 的权重和 M_B 预测具体分类的概率计算在验证子集上的预测概率，利用主要压缩模型 M_C 的权重和 M_C 预测具体分类的概率计算在其余验证子集上的预测概率；

D4.通过步骤D3 获得的验证子集预测概率和其余验证子集预测概率获取验证集 Val总准确率。

3.如权利要求 1 所述的一种部署到 HTML5 的模型压缩方法，其特征在于，步骤 F 包

括：

F1.将步骤 E 中的两个压缩模型通过 TensorFlow.js 转换为 HTML5 可用的模型,部署在

HTML5 上；

F2.使用压缩模型时，优先使用主要压缩模型 M_B 并预测分类任务的概率；

F3.若步骤 F2 预测的分类任务的概率指定分类的阈值，则只使用主要压缩模型 M_B并将主要压缩模型 M_B 的预测结果作为最终输出结果；否则，则加入辅助压缩模型 M_C，使用主要压缩模型 M_B 和辅助压缩模型 M_C 对具体分类进行预测，并将预测结果作为最终输出结果。