[发明专利]一种数据处理方法、装置及设备

权利要求书

1.一种数据处理方法，其特征在于，应用于中间设备，所述中间设备位于训练平台与硬件设备之间，所述训练平台用于训练深度学习模型，所述硬件设备用于运行深度学习模型以实现数据处理，所述方法包括：

获取至少一个训练平台训练的第一深度学习模型，每一训练平台训练的第一深度学习模型包括第一模型结构、第一模型参数；每一训练平台训练的第一深度学习模型中的第一模型结构的表达方式与该训练平台支持的模型结构表达方式相同，每一训练平台训练的第一深度学习模型中的第一模型参数的表达方式与该训练平台支持的模型参数表达方式相同；

将每一训练平台训练的第一深度学习模型转换为第二深度学习模型，该第二深度学习模型包括第二模型结构、第二模型参数；该第二模型结构的表达方式与该中间设备支持的模型结构表达方式相同，该第二模型参数的表达方式与该中间设备支持的模型参数表达方式相同；其中，所述第二模型结构是通过所述第一模型结构查询第一映射关系得到，所述第二模型参数是通过所述第一模型参数查询第二映射关系得到；

将该第二深度学习模型转换为与硬件设备匹配的第三深度学习模型，该第三深度学习模型包括第三模型结构、第三模型参数，该第三模型结构的表达方式与该硬件设备支持的模型结构表达方式相同，该第三模型参数的表达方式与该硬件设备支持的模型参数表达方式相同；其中，所述第三模型结构是通过所述第二模型结构查询已配置的第三映射关系得到，所述第三模型参数是通过所述第二模型参数查询已配置的第四映射关系得到；

将该第三深度学习模型发送给该硬件设备，以使该硬件设备运行该第三深度学习模型，并通过该第三深度学习模型实现数据处理。

2.根据权利要求1所述的方法，其特征在于，所述将每一训练平台训练的第一深度学习模型转换为第二深度学习模型，包括：

针对每一训练平台训练的第一深度学习模型，通过该第一深度学习模型中的第一模型结构查询第一映射关系，得到第二模型结构，通过该第一深度学习模型中的第一模型参数查询第二映射关系，得到第二模型参数；通过该第二模型结构替换该第一深度学习模型中的第一模型结构，通过该第二模型参数替换该第一深度学习模型中的第一模型参数，得到转换后的第二深度学习模型；

其中，所述第一映射关系包括训练平台支持的模型结构表达方式的模型结构与中间设备支持的模型结构表达方式的模型结构之间的对应关系；

所述第二映射关系包括训练平台支持的模型参数表达方式的模型参数与中间设备支持的模型参数表达方式的模型参数之间的对应关系。

3.根据权利要求1所述的方法，其特征在于，第一深度学习模型中还包括第一模型参数对应的参数值，第二深度学习模型中还包括第二模型参数对应的参数值；其中，所述第一模型参数对应的参数值为浮点型参数值或者定点型参数值；所述第二模型参数对应的参数值为定点型参数值；

将每一训练平台训练的第一深度学习模型转换为第二深度学习模型，包括：

若所述第一模型参数对应的参数值为浮点型参数值，则将所述第一模型参数对应的浮点型参数值转换为定点型参数值，并将转换后的定点型参数值确定为第二深度学习模型中的第二模型参数对应的参数值；或者，

若所述第一模型参数对应的参数值为定点型参数值，则将所述第一模型参数对应的参数值确定为第二深度学习模型中的第二模型参数对应的参数值。

4.根据权利要求3所述的方法，其特征在于，所述将转换后的定点型参数值确定为第二深度学习模型中的第二模型参数对应的参数值之后，还包括：

获取训练数据集，所述训练数据集至少包括多个训练数据以及每个训练数据对应的标签信息；基于所述训练数据集对所述第二深度学习模型进行调优操作，得到优化后的第二深度学习模型；其中，所述中间设备是将所述优化后的第二深度学习模型转换为与硬件设备匹配的第三深度学习模型。

5.根据权利要求3所述的方法，其特征在于，所述将所述第一模型参数对应的浮点型参数值转换为定点型参数值之后，所述方法还包括：

确定浮点型参数值与定点型参数值之间的转换信息，所述转换信息包括以下至少一种：定点化参数、定点化参数的类型、定点化计算方式；

其中，所述中间设备是将包括所述转换信息的第二深度学习模型转换为与硬件设备匹配的第三深度学习模型。