(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210971296.6 (22)申请日 2022.08.15 (65)同一申请的已公布的文献号 申请公布号 CN 115081628 A (43)申请公布日 2022.09.20 (73)专利权人 浙江大华 技术股份有限公司 地址 310053 浙江省杭州市滨江区滨安路 1187号 (72)发明人 陈波扬　黄鹏　周祥明　韩建强　 (74)专利代理 机构 北京同达信恒知识产权代理 有限公司 1 1291 专利代理师 张洁 (51)Int.Cl. G06N 3/08(2006.01) G06N 3/04(2006.01)G06N 20/00(2019.01) (56)对比文件 CN 112633502 A,2021.04.09 CN 113420880 A,2021.09.21 CN 104410573 A,2015.0 3.11 CN 114430341 A,202 2.05.03 曹士杰.基 于算法-硬件协同设计的高性能 人工智能计算. 《中国博士学位 论文全文数据库 信息科技 辑》 .2022,第2022年卷(第2期),I137- 4. Markus Borsc hbach等.An Evo lutionary Solution for Cros s Layer Ad Hoc Connectivity Selecti on. 《Fifth An nual Conference o n Communication Networks and Services Researc h (CNSR "07)》 .20 07,1-6. 审查员 李华 (54)发明名称 一种深度学习模型适配度的确定方法及装 置 (57)摘要 本申请公开了一种深度学习模型适配度的 确定方法及装置， 用以在部署深度学习模型之前 确定模型与硬件设备之间的适配性， 以便于开发 人员调整深度学习模型， 提升深度学习模型在硬 件设备中的运行性能， 同时可以节约开发成本。 该方法包括： 获取用于部署深度学习模型的硬件 设备的规则库； 规则库包括的一条或多条规则是 根据硬件设备支持运行的算法的工作参数设置 的； 将一条或多条规则分别与 深度学习模型包括 的多个网络层进行匹配； 多个网络层中任意两个 网络层包括的参数不相同； 根据每一个网络层匹 配成功的规则的数量， 以及匹配成功的规则的级 别， 确定深度学习模型与硬件设备的适配度； 每 一条规则的级别用于表征每一条规则的重要程 度。 权利要求书2页 说明书11页 附图2页 CN 115081628 B 2022.12.09 CN 115081628 B 1.一种深度学习模型适配度的确定方法， 其特 征在于， 包括： 获取用于部署深度学习模型的硬件设备的规则库； 所述硬件设备为人工智能AI芯片， 所述规则库包括的一条或多条规则是根据所述硬件设备支持运行的算法的运行效率和工 作参数设置的； 获取所述一条或多条规则中的任意一条规则， 以及获取所述深度 学习模型包括的多个 网络层中的任意一个网络层； 在所述任意一个网络层采用的算法与所述任意一条规则相 关， 且所述任意一个网络层采用的算法不符合所述任意一条规则的要求时， 确定所述任意 一个网络层与所述任意一条规则匹配成功； 在所述任意一个网络层 采用的算法与所述任意 一条规则相关， 且所述任意一个网络层采用的算法符合所述任意一条规则的要求时， 确定 所述任意一个网络层与所述任意一条规则匹配失败； 在所述任意一个网络层采用的算法与 所述任意一条规则不相关时， 确定所述任意一个网络层与所述任意一条规则匹配失败； 所 述多个网络层中任意两个网络层包括的参数不相同； 根据每一个网络层匹配成功 的规则的数量， 以及所述匹配成功 的规则的级别， 确定所 述深度学习模型与所述硬件设备的适配度； 每一条规则的级别用于表征所述每一条规则的 重要程度， 所述适配度用于指导所述深度学习模型 的参数调整， 以使所述深度学习模型同 时满足一种或多种硬件设备计算。 2.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 若存在与所述规则库包括的每一条规则均不相关的网络层， 则根据与每一条规则均不 相关的网络层采用的算法生成新的规则； 采用所述 新的规则扩充所述 规则库。 3.根据权利要求2所述的方法， 其特征在于， 所述根据与每一条规则均不相关的网络层 采用的算法生成新的规则， 包括： 为所述与每一条规则均不相关的网络层采用的算法设置不同的工作参数； 逐个检测包含不同工作参数的算法在所述硬件设备中的运行效率； 根据运行效率 最高的算法的工作参数生成所述 新的规则。 4.根据权利要求1所述的方法， 其特 征在于， 所述方法还 包括： 根据每一个网络层匹配成功的规则， 与 所述匹配成功的规则的要求和所述每一个网络 层采用的算法的工作参数的对比结果， 以及所述 适配度， 生成深度学习模型的优化建议； 将所述优化建议发送到开发人员的设备。 5.一种深度学习模型适配度的确定装置， 其特 征在于， 包括： 获取单元， 用于获取用于部署深度学习模型的硬件设备的规则库； 所述硬件设备为人 工智能AI芯片， 所述规则库包括的一条或多条规则是根据所述硬件设备支持运行的算法的 运行效率和工作参数设置的； 处理单元， 通过所述获取单元获取所述一条或多条规则中的任意一条规则， 以及获取 所述深度学习模型包括的多个网络层中的任意一个网络层； 在所述任意一个网络层 采用的 算法与所述任意一条规则相关， 且所述任意一个网络层 采用的算法不符合所述任意一条规 则的要求时， 确定所述任意一个网络层与所述任意一条规则匹配成功； 在所述任意一个网 络层采用的算法与所述任意一条规则相关， 且所述任意一个网络层 采用的算法符合所述任 意一条规则的要求时， 确定所述任意一个网络层与所述任意一条规则匹配失败； 在所述任权　利　要　求　书 1/2 页 2 CN 115081628 B 2意一个网络层 采用的算法与所述任意一条规则不相关时， 确定所述任意一个网络层与所述 任意一条规则匹配失败； 所述多个网络层中任意两个网络层包括的参数不相同； 所述处理单元， 还用于根据每一个网络层匹配成功 的规则的数量， 以及所述匹配成功 的规则的级别， 确定所述深度学习模型与所述硬件设备 的适配度； 每一条规则的级别用于 表征所述每一条规则的重要程度， 所述适配度用于指导所述深度学习模型 的参数调整， 以 使所述深度学习模型同时满足一种或多种硬件设备计算。 6.根据权利要求5所述的装置， 其特 征在于， 所述处 理单元， 还用于： 在存在与所述规则库包括的每一条规则均不相关的网络层时， 根据与每一条规则均不 相关的网络层采用的算法生成新的规则； 采用所述 新的规则扩充所述 规则库。 7.一种电子设备， 其特 征在于， 包括： 存 储器以及控制器； 存储器， 用于存 储程序指令； 控制器， 用于调用所述存储器 中存储的程序指令， 按照获得的程序 执行权利要求1 ‑4中 任一项所述的方法。 8.一种计算机存储介质， 存储有计算机可执行指令， 其特征在于， 所述计算机可执行指 令用于执 行如权利要求1 ‑4中任一项所述的方法。权　利　要　求　书 2/2 页 3 CN 115081628 B 3