神经网络模型的评估方法、装置及FPGA芯片

摘要

本申请提供了一种神经网络模型的评估方法、装置及FPGA芯片。该评估方法应用于FPGA芯片中，包括：接收实验数据；采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据；根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果；输出评估结果。采用上述评估方法对人工智能算法进行评估时，相对于相关技术中，采用平台对边缘人工智能的神经网络模型进行评估，导致成本高，功耗大，以及灵活性低的问题，上述评估方法利用FPGA可编程特点，能够有效地降低成本，减少功耗，提高灵活性。

说明书

技术领域

本申请涉及电路设计技术领域，具体而言，涉及一种神经网络模型的评估方法、装置及FPGA芯片。

背景技术

随着人工智能技术的不断进步，自动化、IoT、工业及消费类应用的不断出现，对边缘设备的要求和期待越来越高。边缘推理逐渐成为边缘设备的通用功能，用于进行本地决策、减少延迟和降低连接节点成本。

在边缘人工智能(AI)的应用场景中，现有的许多人工智能算法板卡采用基于MCU器件进行设计。然而，基于MCU器件的硬件平台，由于外设有限、灵活性不够、性能不高仅适用于一些功能单一的边缘AI，常常难以满足客户对成本、功耗、灵活性等方面的需求。此外，现有的MCU性能通常也不能满足神经网络繁重的计算需求。

发明内容

本申请的主要目的在于提供一种神经网络模型的评估方法、装置及FPGA芯片，以解决相关技术中评估边缘人工智能算法存在灵活性不够、性能不高的问题。

为了实现上述目的，根据本申请的一个方面，提供了一种神经网络模型的评估方法，该评估方法应用于FPGA芯片中，包括：接收实验数据；采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据；根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果；输出评估结果。

可选地，实验数据包括以下至少之一：音频数据、图像数据、视频数据、位置数据和运动感应数据。

可选地，采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，包括：对边缘人工智能的神经网络模型进行训练，得到模型参数；将模型参数优化，得到优化的神经网络模型；在判断优化后的模型参数满足预定训练条件的情况下，采用优化的神经网络模型对实验数据进行处理，得到实验结果数据。

可选地，边缘人工智能的神经网络模型为人脸识别模型，实验数据为图像数据，采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，包括：采用人脸识别模型对图像数据进行识别，得到是否存在人脸的实验结果数据。

可选地，根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果，包括：获取图像数据对应的真实结果，其中，真实结果表征是否存在人脸；将实验结果数据与真实结果进行比对，得到评估结果，其中，在实验结果数据与真实结果一致的情况下，评估结果为人脸识别模型通过评估，在实验结果数据与真实结果不一致的情况下，评估结果为人脸识别模型未通过评估。

可选地，输出评估结果，包括：通过指示灯的方式输出评估结果。

根据本申请另一方面，提供了一种神经网络模型的评估装置，包括：接收模块，用于接收实验数据；处理模块，用于采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据；评估模块，用于根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果；输出模块，用于输出评估结果。

根据本申请另一方面，还提供了一种FPGA芯片，包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为执行指令，以实现如上述的神经网络模型的评估方法。

根据本申请另一方面，还提供了一种计算机可读存储介质，当计算机可读存储介质中的指令由FPGA芯片的处理器执行时，使得FPGA芯片能够执行如上述的神经网络模型的评估方法。

根据本申请另一方面，还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述的神经网络模型的评估方法。

应用本申请的技术方案，提供了一种神经网络模型的评估方法，首先接收实验数据，并采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，然后根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果，输出评估结果。相对于相关技术中，采用平台对边缘人工智能的神经网络模型进行评估，导致成本高，功耗大，以及灵活性低的问题，采用上述评估方法对人工智能算法进行评估时，利用FPGA可编程特点，通过接收实验数据，采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，并根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果，之后输出评估结果，能够有效地降低成本，减少功耗，提高灵活性。

附图说明

构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据一示例性实施例示出的一种神经网络模型的评估方法的计算机终端的硬件结构框图；

图2是根据一示例性实施例示出的一种神经网络模型的评估方法的流程框图；

图3是根据本申请实施例2的神经网络模型的评估方法的装置框图；

图4是根据本申请实施例的一种终端的装置框图。

具体实施方式

应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

应该理解的是，当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时，该元件可直接在该另一元件上，或者也可存在中间元件。而且，在说明书以及权利要求书中，当描述有元件“连接”至另一元件时，该元件可“直接连接”至该另一元件，或者通过第三元件“连接”至该另一元件。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

正如背景技术所介绍的，现有的许多人工智能算法板卡采用基于MCU器件进行设计。然而，基于MCU器件的硬件平台，由于外设有限、灵活性不够、性能不高仅适用于一些功能单一的边缘人工智能，常常难以满足客户对成本、功耗、灵活性等方面的需求。此外，现有的MCU性能通常也不能满足神经网络繁重的计算需求。

为了解决如上技术问题，本申请提出了一种神经网络模型的评估方法。

实施例1

根据本申请实施例，提供了一种神经网络模型的评估方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

本申请实施例1所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于神经网络模型的评估方法的计算机终端(或移动设备)的硬件结构框图。如图1所示，计算机终端10(或移动设备)可以包括一个或多个(图中采用102a、102b，……，102n来示出)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置。除此以外，还可以包括：显示器、输入/输出接口(I/O接口)、通用串行总线(USB)端口(可以作为BUS总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述电子装置的结构造成限定。例如，计算机终端10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。

应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外，数据处理电路可为单个独立的处理模块，或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的，该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。

存储器104可用于存储应用软件的软件程序以及模块，如本申请实施例中的神经网络模型的评估方法对应的程序指令/数据存储装置，处理器102通过运行存储在存储器104内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的应用程序的神经网络模型的评估方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器(Network Interface Controller，NIC)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频(Radio Frequency，RF)模块，其用于通过无线方式与互联网进行通讯。

显示器可以例如触摸屏式的液晶显示器(LCD)，该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。

在上述运行环境下，本申请提供了如图2所示的神经网络模型的评估方法，该方法应用于FPGA芯片中，图2是根据本申请实施例1的神经网络模型的评估方法的流程图，如图2所示，包括如下步骤：

步骤S202，接收实验数据；

步骤S204，采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据；

步骤S206，根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果；

步骤S208，输出评估结果。

采用上述评估方法对人工智能算法进行评估时，利用FPGA可编程特点，通过接收实验数据，采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，并根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果，之后输出评估结果，相对于相关技术中，采用平台对边缘人工智能的神经网络模型进行评估，导致成本高，功耗大，以及灵活性低的问题，采用本实施例，能够有效地降低成本，减少功耗，提高灵活性。

作为一种可选的实施例，可以实现音频数据的采集和处理、视频图像采集和处理、视频图像显示、传感器信息采集和处理等功能，可以根据需求选择所需的功能进行边缘人工智能(Edge AI)的算法评估和应用，具有多样性和灵活性。

边缘人工智能使智能设备在无需接入云平台的情况下对输入做出快速反应，边缘人工智能的常见用例包括自动驾驶汽车、无人机、面部识别和语音识别等。

为了使上述评估方法满足对不同人工智能算法的评估需求，作为一种可选地实施例，输入多个实验数据，将实验数据存储到本地存储区中的不同位置；根据第一边缘人工智能的神经网络模型，从对应位置读取第一实验数据；采用第一边缘人工智能的神经网络模型对第一实验数据进行处理，得到第一实验结果数据。本地存储区中可以存储采集到的多种实验数据，根据评估需求从该存储区中的不同位置选择对应的实验数据进行处理。

本申请的一种实施例中，上述本地存储区包括PSRAM存储器。PSRAM存储器为伪静态随机存储器(Pseudo static random access memory)，它具有类似SRAM(Static randomaccess memory，静态随机存储器)的接口协议，给出地址、读、写命令就可以实现存取，接口简单，且可以实现较大的存储容量。

作为一些可选地实施例，上述实验数据包括以下至少之一：音频数据、图像数据、视频数据、位置数据和运动感应数据。上述不同的实验数据可以从不同的外部设备获取。

以本申请的上述评估方法应用于对人脸识别功能的人工智能算法的评估为例，上述外部设备可以为照相设备，接收照相设备输出的图像数据作为实验数据，和/或，上述外部设备可以为摄像设备，接收摄像设备输出的视频数据作为实验数据。

以本申请的上述评估方法应用于对语音识别功能的人工智能算法的评估为例，上述外部设备可以为音频设备，如麦克风，接收音频设备输出的音频数据作为实验数据。

以本申请的上述评估方法应用于对自动驾驶汽车功能的人工智能算法的评估为例，上述外部设备可以为位置传感器，接收位置传感器输出的位置数据作为实验数据，和/或，上述外部设备可以为运动传感器，接收运动传感器输出的运动感应数据作为实验数据。

作为一些可选地实施例，采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，包括：对边缘人工智能的神经网络模型进行训练，得到模型参数；将模型参数优化，得到优化的神经网络模型；在判断优化后的模型参数满足预定训练条件的情况下，采用优化的神经网络模型对实验数据进行处理，得到实验结果数据。

在上述可选地实施例中，对边缘人工智能的神经网络模型首次训练后，得到初始的模型参数，可以通过对神经网络模型多次训练，将模型参数优化，然后判断优化后的模型参数满足预定训练条件，根据神经网络模型的不同，可以得到不同的模型参数。

本申请的一种可选地实施例中，边缘人工智能的神经网络模型为人脸识别模型，实验数据为图像数据，采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，包括：采用人脸识别模型对图像数据进行识别，得到是否存在人脸的实验结果数据。

在上述可选地实施例中，根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果，包括：获取图像数据对应的真实结果，其中，真实结果表征是否存在人脸；将实验结果数据与真实结果进行比对，得到评估结果，其中，在实验结果数据与真实结果一致的情况下，评估结果为人脸识别模型通过评估，在实验结果数据与真实结果不一致的情况下，评估结果为人脸识别模型未通过评估。

作为一些可选地实施例，输出评估结果，包括：通过指示灯的方式输出评估结果。例如，采用不同颜色的灯显示不同的评估结果，或者采用亮灯或者不亮灯来显示不同的评估结果。

实施例2

根据本申请实施例，还提供了一种用于实施上述神经网络模型的评估方法的装置，图3是根据本申请实施例2中的神经网络模型的评估装置的结构框图，该装置包括：接收模块302，处理模块304、评估模块306和输出模块308，下面对该装置进行详细说明：

接收模块302，用于接收实验数据；

处理模块304，用于采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据；

评估模块306，用于根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果；

输出模块308，用于输出评估结果。

此处需要说明的是，上述接收模块302，处理模块304、评估模块306和输出模块308对应于实施例1中的步骤S202至步骤S208，多个模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。

实施例3

本申请的实施例可以提供一种FPGA芯片，该FPGA芯片可以是计算机终端群中的任意一个计算机终端设备。

可选地，在本实施例中，上述FPGA芯片可以位于计算机网络的多个网络设备中的至少一个网络设备。

可选地，图4是根据一示例性实施例示出的一种FPGA芯片的结构框图。如图4所示，该FPGA芯片可以包括：一个或多个(图中仅示出一个)处理器41、用于存储处理器可执行指令的存储器42；其中，处理器被配置为执行指令，以实现上述任一项的神经网络模型的评估方法。上述处理器可以为集成在FPGA芯片内的MCU。

其中，存储器可用于存储软件程序以及模块，如本申请实施例中的神经网络模型的评估方法和装置对应的程序指令/模块，处理器通过运行存储在存储器内的软件程序以及模块，从而执行各种功能应用以及数据处理，即实现上述的神经网络模型的评估方法。存储器可包括高速随机存储器，还可以包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至计算机终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

处理器可以通过传输装置调用存储器存储的信息及应用程序，以执行下述步骤：接收实验数据；采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据；根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果；输出评估结果。

可选地，上述处理器还可以执行如下步骤的程序代码：实验数据包括以下至少之一：音频数据、图像数据、视频数据、位置数据和运动感应数据。

可选地，上述处理器还可以执行如下步骤的程序代码：采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，包括：对边缘人工智能的神经网络模型进行训练，得到模型参数；将模型参数优化，得到优化的神经网络模型；在判断优化后的模型参数满足预定训练条件的情况下，采用优化的神经网络模型对实验数据进行处理，得到实验结果数据。

可选地，上述处理器还可以执行如下步骤的程序代码：边缘人工智能的神经网络模型为人脸识别模型，实验数据为图像数据，采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，包括：采用人脸识别模型对图像数据进行识别，得到是否存在人脸的实验结果数据。

可选地，上述处理器还可以执行如下步骤的程序代码：根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果，包括：获取图像数据对应的真实结果，其中，真实结果表征是否存在人脸；将实验结果数据与真实结果进行比对，得到评估结果，其中，在实验结果数据与真实结果一致的情况下，评估结果为人脸识别模型通过评估，在实验结果数据与真实结果不一致的情况下，评估结果为人脸识别模型未通过评估。

可选地，上述处理器还可以执行如下步骤的程序代码：输出评估结果，包括：通过指示灯的方式输出评估结果。

本领域普通技术人员可以理解，图4所示的结构仅为示意。图4其并不对上述FPGA芯片的结构造成限定。例如，还可包括比图4中所示更多或者更少的组件(如网络接口、显示装置等)，或者具有与图4所示不同的配置。

可选地，上述FPGA芯片多种型号类型的FPGA芯片，该芯片内嵌PSRAM存储资源，具备了实现系统功能所需要的最小内存，同时又内嵌FPGA逻辑模块单元，可实现多种外设控制功能。该芯片集成了MCU(Microcontroller Unit，微控制单元)和FPGA，能提供出色的计算功能和异常系统响应中断，具有高性能、低功耗、低成本的特点，适用于高速低成本的应用场合。当然，上述的FPGA还可以为相关技术中任何合适的FPGA芯片，本领域技术人员可以根据实际情况进行灵活选择。

上述FPGA芯片可以应用于对人脸识别的人工智能算法进行评估：

获取摄像头的视频图像数据；

选择针对性的人工智能神经网络，对网络进行训练后，得到权值和偏置常量，对训练后的网络进行测试，通过提供不同的输入来确认输出是否符合预期。然后使用脚本工具截断权值和偏置常量并进行量化、编译网络、在ARM Cortex-M1和M3处理器上使用CMISIS-NN函数调用。优化后的网络部署在FPGA芯片的ARM Cortex-M3处理器上；

FPGA芯片根据选择的神经网络对视频图像数据进行检测，检测到人脸后，通过点亮LED灯来显示，对AI算法进行评估。

上述FPGA芯片可以应用于对语音识别的人工智能算法进行评估：

获取麦克风的音频数据；

选择针对性的人工智能神经网络，对网络进行训练后，得到权值和偏置常量，对训练后的网络进行测试，通过提供不同的输入来确认输出是否符合预期。然后使用脚本工具截断权值和偏置常量并进行量化、编译网络、在ARM Cortex-M1和M3处理器上使用CMISIS-NN函数调用。优化后的网络部署在FPGA芯片的ARM Cortex-M3处理器上；

FPGA芯片根据选择的神经网络对音频数据进行检测，检测到声音后，通过点亮LED灯来显示，对AI算法进行评估。

上述FPGA芯片还可以应用于对自动驾驶的人工智能算法进行评估：

传感器内置1个3轴加速度计、1个3轴陀螺仪和1个3轴磁强计，分别检测线性加速度、角速度和磁场强度，以供完整的位置和运动感应数据；

选择针对性的人工智能神经网络，对网络进行训练后，得到权值和偏置常量，对训练后的网络进行测试，通过提供不同的输入来确认输出是否符合预期。然后使用脚本工具截断权值和偏置常量并进行量化、编译网络、在ARM Cortex-M1和M3处理器上使用CMISIS-NN函数调用。优化后的网络部署在FPGA芯片的ARM Cortex-M3处理器上；

FPGA芯片根据选择的神经网络对视频图像数据、位置数据和运动感应数据进行检测，检测到实时驾驶环境后，通过点亮LED灯来显示，对AI算法进行评估。

上述FPGA芯片的其它应用中，用户可根据自己的需求，训练自己所需的神经网络模型，把网络部署在高云FPGA的ARM Cortex-M3处理器上，并通过实验现象对AI算法进行测评。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：闪存盘、只读存储器(Read-Only Memory，ROM)、随机存取器(RandomAccess Memory，RAM)、磁盘或光盘等。

实施例4

在示例性实施例中，还提供了一种包括指令的计算机可读存储介质，当计算机可读存储介质中的指令由终端的处理器执行时，使得终端能够执行上述任一项的神经网络模型的评估方法。可选地，计算机可读存储介质可以是非临时性计算机可读存储介质，例如，非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

可选地，在本实施例中，上述计算机可读存储介质可以用于保存上述实施例1所提供的神经网络模型的评估方法所执行的程序代码。

可选地，在本实施例中，上述计算机可读存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：接收实验数据；采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据；根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果；输出评估结果。

可选地，计算机可读存储介质被设置为存储用于执行以下的程序代码：实验数据包括以下至少之一：音频数据、图像数据、视频数据、位置数据和运动感应数据。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，包括：对边缘人工智能的神经网络模型进行训练，得到模型参数；将模型参数优化，得到优化的神经网络模型；在判断优化后的模型参数满足预定训练条件的情况下，采用优化的神经网络模型对实验数据进行处理，得到实验结果数据。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：边缘人工智能的神经网络模型为人脸识别模型，实验数据为图像数据，采用边缘人工智能的神经网络模型对实验数据进行处理，得到实验结果数据，包括：采用人脸识别模型对图像数据进行识别，得到是否存在人脸的实验结果数据。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：根据实验结果数据对边缘人工智能的神经网络模型进行评估，得到评估结果，包括：获取图像数据对应的真实结果，其中，真实结果表征是否存在人脸；将实验结果数据与真实结果进行比对，得到评估结果，其中，在实验结果数据与真实结果一致的情况下，评估结果为人脸识别模型通过评估，在实验结果数据与真实结果不一致的情况下，评估结果为人脸识别模型未通过评估。

可选地，在本实施例中，计算机可读存储介质被设置为存储用于执行以下步骤的程序代码：输出评估结果，包括：通过指示灯的方式输出评估结果。

在示例性实施例中，还提供了一种计算机程序产品，当计算机程序产品中的计算机程序由FPGA芯片的处理器执行时，使得FPGA芯片能够执行上述任一项的神经网络模型的评估方法。

上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。

在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。