本技術涉及計算機，特別是涉及一種模型轉換方法、裝置、計算機設備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。

背景技術：

1、目前，為了拓展模型的應用范疇，如何有效地對模型進行轉換處理，顯得至關重要。

2、傳統(tǒng)技術中，在對模型進行轉換處理時，一般采用手動重寫代碼的方式；但是，這種方式容易耗費大量的時間和人力，導致模型轉換的效率較低。

技術實現(xiàn)思路

1、基于此，有必要針對上述技術問題，提供一種能夠提高模型轉換的效率的模型轉換方法、裝置、計算機設備、計算機可讀存儲介質(zhì)和計算機程序產(chǎn)品。

2、第一方面，本技術提供了一種模型轉換方法，包括：

3、對待處理深度學習模型進行解析處理，得到所述待處理深度學習模型對應的圖結構信息和權重信息；

4、根據(jù)所述待處理深度學習模型對應的配置信息，對所述待處理深度學習模型對應的圖結構信息進行更新，得到所述待處理深度學習模型對應的更新后圖結構信息；

5、根據(jù)所述待處理深度學習模型對應的更新后圖結構信息、權重信息和配置信息，構建所述待處理深度學習模型對應的轉換后深度學習模型；

6、對所述轉換后深度學習模型進行校驗，得到所述轉換后深度學習模型的目標校驗結果；

7、在所述目標校驗結果滿足預設校驗結果的情況下，將所述轉換后深度學習模型作為目標轉換后深度學習模型。

8、在其中一個實施例中，所述根據(jù)所述待處理深度學習模型對應的更新后圖結構信息、權重信息和配置信息，構建所述待處理深度學習模型對應的轉換后深度學習模型，包括：

9、對所述待處理深度學習模型對應的權重信息進行格式轉換處理，得到所述待處理深度學習模型對應的處理后權重信息；

10、根據(jù)所述待處理深度學習模型對應的更新后圖結構信息、處理后權重信息和配置信息，構建所述待處理深度學習模型對應的轉換后深度學習模型。

11、在其中一個實施例中，所述對所述轉換后深度學習模型進行校驗，得到所述轉換后深度學習模型的目標校驗結果，包括：

12、獲取所述轉換后深度學習模型的性能信息；

13、根據(jù)所述性能信息，確定出所述轉換后深度學習模型的目標校驗結果。

14、在其中一個實施例中，在對待處理深度學習模型進行解析處理，得到所述待處理深度學習模型對應的圖結構信息和權重信息之后，還包括：

15、對所述待處理深度學習模型對應的圖結構信息進行校驗，得到第一校驗結果，以及對所述待處理深度學習模型對應的權重信息進行校驗，得到第二校驗結果；

16、所述根據(jù)所述待處理深度學習模型對應的配置信息，對所述待處理深度學習模型對應的圖結構信息進行更新，得到所述待處理深度學習模型對應的更新后圖結構信息，包括：

17、在所述第一校驗結果和所述第二校驗結果均滿足預設條件的情況下，根據(jù)所述待處理深度學習模型對應的配置信息，對所述待處理深度學習模型對應的圖結構信息進行更新，得到所述待處理深度學習模型對應的更新后圖結構信息。

18、在其中一個實施例中，在根據(jù)所述待處理深度學習模型對應的配置信息，對所述待處理深度學習模型對應的圖結構信息進行更新，得到所述待處理深度學習模型對應的更新后圖結構信息之前，還包括：

19、獲取所述待處理深度學習模型對應的應用場景信息；

20、根據(jù)所述應用場景信息，查詢應用場景信息與配置信息之間的對應關系，得到所述待處理深度學習模型對應的配置信息。

21、在其中一個實施例中，在所述目標校驗結果滿足預設校驗結果的情況下，將所述轉換后深度學習模型作為目標轉換后深度學習模型之后，還包括：

22、根據(jù)模型保存指令，確定出所述目標轉換后深度學習模型的保存路徑；

23、根據(jù)所述保存路徑，將所述目標轉換后深度學習模型進行保存。

24、第二方面，本技術還提供了一種模型轉換裝置，包括：

25、模型解析模塊，用于對待處理深度學習模型進行解析處理，得到所述待處理深度學習模型對應的圖結構信息和權重信息；

26、信息更新模塊，用于根據(jù)所述待處理深度學習模型對應的配置信息，對所述待處理深度學習模型對應的圖結構信息進行更新，得到所述待處理深度學習模型對應的更新后圖結構信息；

27、模型構建模塊，用于根據(jù)所述待處理深度學習模型對應的更新后圖結構信息、權重信息和配置信息，構建所述待處理深度學習模型對應的轉換后深度學習模型；

28、模型校驗模塊，用于對所述轉換后深度學習模型進行校驗，得到所述轉換后深度學習模型的目標校驗結果；

29、目標確定模塊，用于在所述目標校驗結果滿足預設校驗結果的情況下，將所述轉換后深度學習模型作為目標轉換后深度學習模型。

30、第三方面，本技術還提供了一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)以下步驟：

31、對待處理深度學習模型進行解析處理，得到所述待處理深度學習模型對應的圖結構信息和權重信息；

32、根據(jù)所述待處理深度學習模型對應的配置信息，對所述待處理深度學習模型對應的圖結構信息進行更新，得到所述待處理深度學習模型對應的更新后圖結構信息；

33、根據(jù)所述待處理深度學習模型對應的更新后圖結構信息、權重信息和配置信息，構建所述待處理深度學習模型對應的轉換后深度學習模型；

34、對所述轉換后深度學習模型進行校驗，得到所述轉換后深度學習模型的目標校驗結果；

35、在所述目標校驗結果滿足預設校驗結果的情況下，將所述轉換后深度學習模型作為目標轉換后深度學習模型。

36、第四方面，本技術還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

37、對待處理深度學習模型進行解析處理，得到所述待處理深度學習模型對應的圖結構信息和權重信息；

38、根據(jù)所述待處理深度學習模型對應的配置信息，對所述待處理深度學習模型對應的圖結構信息進行更新，得到所述待處理深度學習模型對應的更新后圖結構信息；

39、根據(jù)所述待處理深度學習模型對應的更新后圖結構信息、權重信息和配置信息，構建所述待處理深度學習模型對應的轉換后深度學習模型；

40、對所述轉換后深度學習模型進行校驗，得到所述轉換后深度學習模型的目標校驗結果；

41、在所述目標校驗結果滿足預設校驗結果的情況下，將所述轉換后深度學習模型作為目標轉換后深度學習模型。

42、第五方面，本技術還提供了一種計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)以下步驟：

43、對待處理深度學習模型進行解析處理，得到所述待處理深度學習模型對應的圖結構信息和權重信息；

44、根據(jù)所述待處理深度學習模型對應的配置信息，對所述待處理深度學習模型對應的圖結構信息進行更新，得到所述待處理深度學習模型對應的更新后圖結構信息；

45、根據(jù)所述待處理深度學習模型對應的更新后圖結構信息、權重信息和配置信息，構建所述待處理深度學習模型對應的轉換后深度學習模型；

46、對所述轉換后深度學習模型進行校驗，得到所述轉換后深度學習模型的目標校驗結果；

47、在所述目標校驗結果滿足預設校驗結果的情況下，將所述轉換后深度學習模型作為目標轉換后深度學習模型。

48、上述模型轉換方法、裝置、計算機設備、存儲介質(zhì)和計算機程序產(chǎn)品，先對待處理深度學習模型進行解析處理，得到待處理深度學習模型對應的圖結構信息和權重信息，再根據(jù)待處理深度學習模型對應的配置信息，對待處理深度學習模型對應的圖結構信息進行更新，得到待處理深度學習模型對應的更新后圖結構信息，接著，根據(jù)待處理深度學習模型對應的更新后圖結構信息、權重信息和配置信息，構建待處理深度學習模型對應的轉換后深度學習模型，然后，對轉換后深度學習模型進行校驗，得到轉換后深度學習模型的目標校驗結果，最后，在目標校驗結果滿足預設校驗結果的情況下，將轉換后深度學習模型作為目標轉換后深度學習模型。這樣，在對模型進行轉換處理時，通過對待處理深度學習模型進行解析、更新和轉換等處理過程，從而使得待處理深度學習模型能夠在不同的環(huán)境中運行，有利于擴大待處理深度學習模型的應用范圍，進而使得待處理深度學習模型能夠更好地適應新的場景；而且，整個過程無需人工進行干預，避免了通過采用手動重寫代碼的方式容易耗費大量的時間和人力，導致模型轉換的效率較低的缺陷，進而提高了模型轉換的效率。