本发明涉及神经网络，特别是涉及一种神经网络算子优化方法、电子设备和介质。
背景技术：
1、随着人工智能技术的迅速发展，深度学习模型的规模和复杂度不断攀升，导致对计算资源和内存的需求急剧增加，不仅限制了模型在边缘设备上的部署，还显著增加了运行成本和能源消耗。此外，现有模型在处理分布外或异常数据时表现出较差的鲁棒性，容易受到噪声干扰，影响其泛化能力和实际应用价值。
技术实现思路
1、针对上述现有技术的不足，本专利申请所要解决的技术问题是如何提供一种精度高，稳定性强和适用范围广的神经网络算子优化方法、电子设备和介质。
2、为了解决上述技术问题，本发明采用了如下的技术方案：
3、一种神经网络算子优化方法，包括模型训练阶段和模型部署阶段，模型训练阶段含有以下步骤：s1：对.pt文件用yolov5转成onnx模型；s2：修改onnx模型，将slice和concat算子删除,输入的数据直接传给conv算子；s3：使用opencv的函数对图像进行处理；s4：通过模型量化将原本的浮点数量化为整数；s5：对图像做归一化处理，最后将新修改的模型进行推理。
4、作为优化，步骤s1中，用export.py导出onnx文件。
5、作为优化，步骤s3中，图像的预处理部分都是在cpu上进行。
6、作为优化，步骤s4中，所述整数为uint8。
7、作为优化，步骤s5中，将浮点存储(运算)转换为整型存储(运算)，降低模型所需内存和计算资源。
8、作为优化，步骤s5中，推理后的数据再进一步的处理，通过非极大值抑制nms、阈值处理对推理得出的数据进行筛选。
9、一种电子设备，其特征在于，所述设备内部包含处理器和存储器
10、处理器，用于读取所述存储器中的指令，并执行如权利要求1-6中任一项所述的方法。
11、一种存储介质，其特征在于，其上存储神经网络模型、优化算法以及相关数据，其上内容被处理器调用时，使得所述处理器执行如权利要求1-6中任一项所述的方法。
12、本发明具有以下效果：
13、本专利有效提升模型性能，减少了资源的消耗。改善模型的准确性和泛化能力。通过提高计算速度和降低资源消耗。通过降低功耗，可以延长设备的续航时间并减少能源成本。
1.一种神经网络算子优化方法，其特征在于，包括模型训练阶段和模型部署阶段，模型训练阶段含有以下步骤：
2.根据权利要求1所述的一种神经网络算子优化方法、电子设备和介质，其特征在于，步骤s1中，用export.py导出onnx文件。
3.根据权利要求2所述的一种神经网络算子优化方法、电子设备和介质，其特征在于，步骤s3中，图像的预处理部分都是在cpu上进行。
4.根据权利要求3所述的一种神经网络算子优化方法、电子设备和介质，其特征在于，步骤s4中，所述整数为uint8。
5.根据权利要求4所述的一种神经网络算子优化方法、电子设备和介质，其特征在于，步骤s5中，将浮点存储(运算)转换为整型存储(运算)，降低模型所需内存和计算资源。
6.根据权利要求5所述的一种神经网络算子优化方法、电子设备和介质，其特征在于，步骤s5中，推理后的数据再进一步的处理，通过非极大值抑制nms、阈值处理对推理得出的数据进行筛选。
7.一种电子设备，其特征在于，所述设备内部包含处理器和存储器
8.一种存储介质，其特征在于，其上存储神经网络模型、优化算法以及相关数据，其上内容被处理器调用时，使得所述处理器执行如权利要求1-6中任一项所述的方法。
