CN109165722A - 模型扩展方法及装置、电子设备和存储介质 - Google Patents
模型扩展方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109165722A CN109165722A CN201810746287.0A CN201810746287A CN109165722A CN 109165722 A CN109165722 A CN 109165722A CN 201810746287 A CN201810746287 A CN 201810746287A CN 109165722 A CN109165722 A CN 109165722A
- Authority
- CN
- China
- Prior art keywords
- node
- weight
- model
- destination node
- determined
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Complex Calculations (AREA)
Abstract
本公开涉及一种模型扩展方法及装置、电子设备和存储介质,所述方法包括:根据第一模型的多个网络层中的多个节点的激活值以及激活值的梯度,确定多个节点的重要性参数;根据多个节点的重要性参数和多个网络层的预设生长比率,确定多个节点中的待扩展节点;根据多个网络层的待扩展节点对第一模型进行扩展处理,获得第二模型。本公开实施例可通过重要性参数确定多个节点中的待扩展节点,并待扩展节点对第一模型进行扩展,得到第二模型,可使用第一模型中的节点获得第二模型,因此,无需消耗过多的计算资源和训练时间,拟合效果较好。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及一种模型扩展方法及装置、电子设备和存储介质。
背景技术
随着训练数据的快速增长,需要设计更深或者更宽的神经网络去拟合训练数据,但是直接使用这些数据重新训练更深或者更宽模型会消耗很多计算资源以及花费更多训练时间。并且使用现有数据训练更深或更宽的神经网络时,数据量可能不足,因此,神经网络的拟合效果可能较差。
发明内容
本公开提出了一种模型扩展方法及装置、电子设备和存储介质。
根据本公开的一方面,提供了一种模型扩展方法,包括:
根据第一模型的多个网络层中的多个节点的激活值以及所述激活值的梯度,确定所述多个节点的重要性参数;
根据所述多个节点的重要性参数和所述多个网络层的预设生长比率,确定所述多个节点中的待扩展节点;
根据所述多个网络层的待扩展节点对所述第一模型进行扩展处理,获得第二模型。
在一种可能的实现方式中,根据所述多个网络层的待扩展节点对所述第一模型进行扩展处理,获得第二模型,包括:
对目标节点进行复制处理,获得与所述目标节点对应的复制节点,其中,所述目标节点是所述待扩展节点中的任意一个,所述复制节点与所述目标节点处于同一网络层;
根据所述目标节点的第一权值,确定所述复制节点的权值以及所述目标节点的第二权值,其中,所述第一权值为所述目标节点在所述第一模型中的权值,所述第二权值为对所述目标节点进行复制后,所述目标节点的权值;
根据所述目标节点的第二权值、所述复制节点以及所述复制节点的权值对所述第一模型进行扩展处理,获得对所述目标节点进行扩展后的第一模型;
根据对所有的待扩展节点进行扩展后的第一模型,确定所述第二模型。
在一种可能的实现方式中,所述目标节点的第一权值包括目标节点的第一输入权值和第一输出权值,所述目标节点的第二权值包括目标节点的第二输入权值和第二输出权值,所述复制节点的权值包括所述复制节点的输入权值和所述复制节点的输出权值,
其中,根据所述目标节点的第一权值,确定所述复制节点的权值以及所述目标节点的第二权值,包括:
根据所述目标节点的第一输入权值,确定所述目标节点的第二输入权值和所述复制节点的输入权值;
根据所述目标节点和与所述目标节点对应的复制节点的数量,确定第一输出权值的缩小倍数;
根据所述第一输出权值以及所述缩小倍数,确定所述第二输出权值和所述复制节点的输出权值。
在一种可能的实现方式中,根据所述目标节点的第一输入权值,确定所述目标节点的第二输入权值和所述复制节点的输入权值,包括:
将目标节点的第一输入权值确定为所述目标节点的第二输入权值;
将目标节点的第一输入权值确定为所述复制节点的初始输入权值;
对所述初始输入权值添加高斯噪声,获得所述复制节点的输入权值。
在一种可能的实现方式中,根据对所有的待扩展节点进行扩展后的第一模型,确定所述第二模型,包括:
将对所有的待扩展节点进行扩展后的第一模型确定为初始第二模型;
使用第二学习速率对所述初始第二模型进行训练,获得所述第二模型,其中,所述第二学习速率小于训练所述第一模型时使用的第一学习速率。
在一种可能的实现方式中,根据所述多个网络层中的多个节点的激活值以及所述激活值的梯度,确定所述多个节点的重要性参数,包括:
根据所述激活值以及所述激活值的梯度,确定所述激活值与所述激活值的梯度的向量积;
将所述向量积的模确定为所述重要性参数。
在一种可能的实现方式中,根据所述多个节点的重要性参数和所述多个网络层的预设生长比率,确定所述多个节点中的待扩展节点,包括:
根据多个网络层的预设生长比率,确定所述多个网络层中待扩展的节点数量;
根据所述多个节点的重要性参数和所述多个网络层中待扩展的节点数量,确定所述多个节点中的待扩展节点。
在一种可能的实现方式中,每一个待扩展节点对应一个复制节点。
根据本公开的另一方面,提供了一种模型扩展装置,包括:
重要性参数确定模块,用于根据第一模型的多个网络层中的多个节点的激活值以及所述激活值的梯度,确定所述多个节点的重要性参数;
待扩展节点确定模块,用于根据所述多个节点的重要性参数和所述多个网络层的预设生长比率,确定所述多个节点中的待扩展节点;
模型获得模块,用于根据所述多个网络层的待扩展节点对所述第一模型进行扩展处理,获得第二模型。
在一种可能的实现方式中,所述第二模型获得模块包括:
复制子模块,用于对目标节点进行复制处理,获得与所述目标节点对应的复制节点,其中,所述目标节点是所述待扩展节点中的任意一个,所述复制节点与所述目标节点处于同一网络层;
权值确定子模块,用于根据所述目标节点的第一权值,确定所述复制节点的权值以及所述目标节点的第二权值,其中,所述第一权值为所述目标节点在所述第一模型中的权值,所述第二权值为对所述目标节点进行复制后,所述目标节点的权值;
扩展子模块,用于根据所述目标节点的第二权值、所述复制节点以及所述复制节点的权值对所述第一模型进行扩展处理,获得对所述目标节点进行扩展后的第一模型;
第二模型获得子模块,用于根据对所有的待扩展节点进行扩展后的第一模型,确定所述第二模型。
在一种可能的实现方式中,所述目标节点的第一权值包括目标节点的第一输入权值和第一输出权值,所述目标节点的第二权值包括目标节点的第二输入权值和第二输出权值,所述复制节点的权值包括所述复制节点的输入权值和所述复制节点的输出权值,
其中,所述权值确定子模块用于:
根据所述目标节点的第一输入权值,确定所述目标节点的第二输入权值和所述复制节点的输入权值;
根据所述目标节点和与所述目标节点对应的复制节点的数量,确定第一输出权值的缩小倍数;
根据所述第一输出权值以及所述缩小倍数,确定所述第二输出权值和所述复制节点的输出权值。
在一种可能的实现方式中,根据所述目标节点的第一输入权值,确定所述目标节点的第二输入权值和所述复制节点的输入权值,包括:
将目标节点的第一输入权值确定为所述目标节点的第二输入权值;
将目标节点的第一输入权值确定为所述复制节点的初始输入权值;
对所述初始输入权值添加高斯噪声,获得所述复制节点的输入权值。
在一种可能的实现方式中,所述第二模型获得子模块用于:
将对所有的待扩展节点进行扩展后的第一模型确定为初始第二模型;
使用第二学习速率对所述初始第二模型进行训练,获得所述第二模型,其中,所述第二学习速率小于训练所述第一模型时使用的第一学习速率。
在一种可能的实现方式中,所述重要性参数确定模块包括:
向量积确定子模块,用于根据所述激活值以及所述激活值的梯度,确定所述激活值与所述激活值的梯度的向量积;
重要性参数确定子模块,用于将所述向量积的模确定为所述重要性参数。
在一种可能的实现方式中,所述待扩展节点确定模块包括:
数量确定子模块,用于根据多个网络层的预设生长比率,确定所述多个网络层中待扩展的节点数量;
待扩展节点确定子模块,用于根据所述多个节点的重要性参数和所述多个网络层中待扩展的节点数量,确定所述多个节点中的待扩展节点。
在一种可能的实现方式中,每一个待扩展节点对应一个复制节点。
根据本公开的一方面,提供了一种电子设备,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行上述模型扩展方法。
根据本公开的一方面,提供了一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述模型扩展方法。
根据本公开的实施例的模型扩展方法及装置、电子设备和存储介质,通过重要性参数确定多个节点中的待扩展节点,并根据待扩展节点对第一模型进行扩展,得到第二模型,可使用第一模型中的节点获得第二模型,因此,无需消耗过多的计算资源和训练时间,拟合效果较好。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
包含在说明书中并且构成说明书的一部分的附图与说明书一起示出了本公开的示例性实施例、特征和方面,并且用于解释本公开的原理。
图1示出根据本公开的实施例的模型扩展方法的流程图;
图2示出根据本公开的实施例的模型扩展方法的步骤S11的流程图;
图3示出根据本公开的实施例的模型扩展方法的步骤S12的流程图;
图4示出根据本公开的实施例的模型扩展方法的步骤S13的流程图;
图5示出根据本公开的实施例的模型扩展方法的应用示意图;
图6示出根据本公开的实施例的模型扩展装置的框图;
图7示出根据本公开的实施例的模型扩展装置的框图;
图8示出根据本公开的实施例的电子设备的框图;
图9示出根据本公开的实施例的电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
另外,为了更好的说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开的实施例的模型扩展方法的流程图。如图1所示,所述方法包括:
在步骤S11中,根据第一模型的多个网络层中的多个节点的激活值以及所述激活值的梯度,确定所述多个节点的重要性参数;
在步骤S12中,根据所述多个节点的重要性参数和所述多个网络层的预设生长比率,确定所述多个节点中的待扩展节点;
在步骤S13中,根据所述多个网络层的待扩展节点对所述第一模型进行扩展处理,获得第二模型。
根据本公开的实施例的模型扩展方法,通过重要性参数确定多个节点中的待扩展节点,并根据待扩展节点对第一模型进行扩展,得到第二模型,可使用第一模型中的节点获得第二模型,因此,无需消耗过多的计算资源和训练时间,拟合效果较好。
在一种可能的实现方式中,第一模型可以是神经网络模型,例如BP神经网络模型或卷积神经网络模型等,本公开对第一模型的类型不作限制。第一模型可包括多个层级,例如,输入层、隐藏层和输出层等,每个层级可包括一个或多个网络层,例如,输入层和输出层各包括一个网络层,隐藏层包括多个网络层,本公开对网络层的数量不做限制。每个网络层可具有一个或多个节点,在示例中,输入层可具有一个或多个输入节点,输出层可具有一个或多个输出节点,隐藏层的每个网络层均可具有一个或多个节点,例如,在BP神经网络模型中,隐藏层的节点可包括神经元,在卷积神经网络中,隐藏层的节点可包括卷积核等。
在一种可能的实现方式中,在步骤S11中,可确定每个网络层中的每个节点的重要性参数,例如,可通过每个节点的激活值和激活值的梯度来确定每个节点的重要性参数。
图2示出根据本公开的实施例的模型扩展方法的步骤S11的流程图。如图2所示,步骤S11可包括:
在步骤S111中,根据所述激活值以及所述激活值的梯度,确定所述激活值与所述激活值的梯度的向量积;
在步骤S112中,将所述向量积的模确定为所述重要性参数。
在一种可能的实现方式中,在步骤S111中,节点的激活值为对该节点的输入参数的运算值。所述节点可具有一个或多个输入权值,以及与输入权值分别对应的一个或多个输入参数,在示例中,该节点的一个或多个输入参数可以是上一个网络层的各节点的激活值,如果该节点处于隐藏层的第一个网络层,该网络层的上一个网络层即为输入层,则该节点的一个或多个输入参数即为各输入节点的输入值。
在一种可能的实现方式中,可对所述输入参数进行运算,获得该节点的激活值,运算的方式可根据第一模型的类型确定。例如,所述第一模型为BP神经网络模型,则该节点的激活值为对所述一个或多个输入参数进行加权求和获得的结果,即,每个输入参数分别乘以与各自对应的权值,再进行求和所获得的结果。又例如,第一模型为卷积神经网络,则将所述输入权值组成卷积核(即,由权值组成的矩阵),并根据所述卷积核对输入参数进行卷积运算,获得所述激活值。
在一种可能的实现方式中,可根据所述激活值,确定所述激活值的梯度。在示例中,可利用第一模型的损失函数来确定各节点的激活值的梯度,例如,可使用损失函数对所述激活值的偏导数来确定激活值的梯度。进一步地,可确定所述激活值与所述激活值的梯度的向量积。
在一种可能的实现方式中,在步骤S112中,可将所述向量积的模确定为该节点的重要性参数,如以下公式(1)所示:
其中,s为该节点的重要性参数,L为第一模型的损失函数,h为该节点的激活值,为所述激活值的梯度。
通过这种方式,可通过各节点的激活值以及激活值的梯度确定各节点的重要性参数,对各节点的重要性参数进行量化,可对待扩展节点进行精确地选择,避免选择的随机性,进而避免了扩展后的第二模型的拟合优度下降。
在一种可能的实现方式中,在步骤S12中,可根据所述多个节点的重要性参数和所述多个网络层的预设生长比率,确定所述多个节点中的待扩展节点。
图3示出根据本公开的实施例的模型扩展方法的步骤S12的流程图。如图3所示,步骤S12可包括:
在步骤S121中,根据多个网络层的预设生长比率,确定所述多个网络层中待扩展的节点数量;
在步骤S122中,根据所述多个节点的重要性参数和所述多个网络层中待扩展的节点数量,确定所述多个节点中的待扩展节点。
在一种可能的实现方式中,在步骤S121中,可根据每个网络层的预设生长比率,确定每个网络层的待扩展的节点数量。网络层的预设生长比率为该层扩展后的节点数量与扩展前的节点数量的比值,可用网络层扩展前的节点数量乘以该网络层的预设生长比率后,获得该网络层扩展后的节点数量,再将该网络层扩展后的节点数量减去该网络层扩展前的节点数量,获得该网络层的待扩展的节点数量。例如,某个网络层在扩展前具有20个节点,该网络层的预设生长比率为1.2,则该层在扩展后具有24个节点,待扩展的节点数量为4个。
在一种可能的实现方式中,在步骤S122中,可根据多个节点的重要性参数和所述待扩展的节点数量,确定所述多个节点中的待扩展节点。在示例中,某个网络层的待扩展的节点数量为n个,可在该网络层的多个节点中,选择重要性参数最高的n(n为正整数)个节点作为待扩展节点。在示例中,也可选择重要性参数最高的m(m为小于n的正整数)个节点作为待扩展节点。
在一种可能的实现方式中,在步骤S13中,可使用各网络层中的待扩展节点对第一模型进行扩展处理,获得第二模型。
图4示出根据本公开的实施例的模型扩展方法的步骤S13的流程图。如图4所示,步骤S13可包括:
在步骤S131中,对目标节点进行复制处理,获得与所述目标节点对应的复制节点,其中,所述目标节点是所述待扩展节点中的任意一个,所述复制节点与所述目标节点处于同一网络层;
在步骤S132中,根据所述目标节点的第一权值,确定所述复制节点的权值以及所述目标节点的第二权值,其中,所述第一权值为所述目标节点在所述第一模型中的权值,所述第二权值为对所述目标节点进行复制后,所述目标节点的权值;
在步骤S133中,根据所述目标节点的第二权值、所述复制节点以及所述复制节点的权值对所述第一模型进行扩展处理,获得对所述目标节点进行扩展后的第一模型;
在步骤S134中,根据对所有的待扩展节点进行扩展后的第一模型,确定所述第二模型。
在一种可能的实现方式中,在步骤S131中,可对某个网络层中的目标节点进行复制,获得与目标节点对应的复制节点,其中,目标节点是该网络层中的任意一个待扩展节点,复制节点与所述目标节点处于同一网络层,即复制节点也处于该网络层中。
在一种可能的实现方式中,在步骤S132中,在对目标节点复制处理后,可确定目标节点和复制节点的权值。
在一种可能的实现方式中,可根据所述目标节点的第一权值,确定所述复制节点的权值以及所述目标节点的第二权值。所述第一权值为所述目标节点在所述第一模型中的权值,所述第二权值为对所述目标节点进行复制后,所述目标节点的权值,即,所述第二权值为所述目标节点在对所述目标节点进行扩展后的第一模型中的权值。所述目标节点的第一权值包括目标节点的第一输入权值和第一输出权值,所述目标节点的第二权值包括目标节点的第二输入权值和第二输出权值,所述复制节点的权值包括所述复制节点的输入权值和所述复制节点的输出权值。
在一种可能的实现方式中,可根据所述目标节点的第一输入权值,确定所述目标节点的第二输入权值和所述复制节点的输入权值。并可根据所述目标节点和与所述目标节点对应的复制节点的数量,确定第一输出权值的缩小倍数;根据所述第一输出权值以及所述缩小倍数,确定所述第二输出权值和所述复制节点的输出权值。
在一种可能的实现方式中,可将目标节点的第一输入权值确定为目标节点的第二输入权值,即,目标节点的输入权值在扩展前后保持一致。
在一种可能的实现方式中,可将目标节点的第一输入权值确定为所述复制节点的初始输入权值;并对所述初始输入权值添加高斯噪声,获得所述复制节点的输入权值。在示例中,所述第一模型是BP神经网络模型,则将第一模型中的目标节点的第一输入权值确定为与目标节点对应的复制节点的初始输入权值,并对该初始输入权值添加高斯噪声,以获得复制节点的输入权值。在示例中,所述第一模型是卷积神经网络模型,则将将第一模型中的目标节点的第一输入权值确定为与目标节点对应的复制节点的初始输入权值,并对该初始输入权值添加高斯噪声,以获得复制节点的输入权值,从而确定由输入权值组成的卷积核。
通过这种方式,可避免复制节点的输入权值与目标节点的输入权值完全同,进而避免在第二模型训练时损失函数对目标节点与复制节点的梯度完全相同而难以确定损失函数的最小值的状况。
在一种可能的实现方式中,可所述目标节点和与所述目标节点对应的复制节点的数量,确定第一输出权值的缩小倍数。在示例中,缩小倍数等于目标节点和与所述目标节点对应的复制节点的数量。例如,某个网络层的待扩展的节点数量为n个,在该网络层中选择了重要性参数最高的n个待扩展节点,即,每一个待扩展节点对应一个复制节点,目标节点和与所述目标节点对应的复制节点的数量之和为2,则缩小倍数为2。
在一种可能的实现方式中,可将第一输出权值除以所述缩小倍数获得的结果,确定为第二输出权值和所述复制节点的输出权值。在示例中,缩小倍数为2,则第二输出权值和所述复制节点的输出权值均为第一输出权值的1/2。
在示例中,某个网络层的待扩展的节点数量为n个,可在该网络层中选择了重要性参数最高的m(m为小于n的正整数)个待扩展节点,即,一个待扩展节点可对应多个复制节点。例如,目标节点和与所述目标节点对应的复制节点的数量之和为3,则缩小倍数为3,第二输出权值和所述复制节点的输出权值均为第一输出权值的1/3。
在一种可能的实现方式中,在步骤S133中,可根据所述目标节点的第二权值、所述复制节点以及所述复制节点的权值对所述第一模型进行扩展处理,获得对所述目标节点进行扩展后的第一模型。在示例中,所述第二权值为所述目标节点在对所述目标节点进行扩展后的第一模型中的权值,即,目标节点的输入权值保持不变,输出权值等于输入权值除以缩小倍数。与目标节点对应的复制节点的输入权值是根据目标节点的输入权值与高斯噪声确定的,复制节点的输出权值也等于输入权值除以缩小倍数。
在一种可能的实现方式中,在步骤S134中,可根据对所有的待扩展节点进行扩展后的第一模型,确定所述第二模型。
在一种可能的实现方式中,可依次对所有的待扩展节点进行扩展,得到对所有的待扩展节点进行扩展后的第一模型;并且,可将对所有的待扩展节点进行扩展后的第一模型确定为初始第二模型;并使用第二学习速率对所述初始第二模型进行训练,获得所述第二模型,其中,所述第二学习速率小于训练所述第一模型时使用的第一学习速率。在示例中,可使用训练第一模型时使用的训练集对初始第二模型进行训练,并且,由于初始第二模型是根据第一模型扩展而生成的,因此,初始第二模型的拟合优度较高,仅需要对初始第二模型的模型参数(即,初始第二模型中各节点的权值)进行微调即可获得更高的拟合优度,因此,可使用小于第一学习速率的第二学习速率对初始第二模型进行训练,根据初始第二模型的损失函数来调整初始第二模型,即,根据所述训练集中的每个样本对初始第二模型进行调整时,根据每个样本所调整的幅值小于训练第一模型时调整的幅值。
在一种可能的实现方式中,在训练初始第二模型时,可仅对复制节点的权值进行微调,本公开对微调的方式不做限制。
通过这种方式,可通过较小的学习速率对初始第二模型进行微调,获得所述第二模型,使得第二模型具有比第一模型更高的拟合优度。
在一种可能的实现方式中,所述第一模型可以是行人搜索网络模型,可用于行人检索,即,在确定某个行人的图像后,在图像数据集中寻找到该行人的所有图像,在图像的数量增多或图像中场景的复杂程度增大时,需要对第一模型进行扩展,获得拟合优度更高的第二模型,可对更多图像或者对更复杂的图像进行检测,以识别该行人。
图5示出根据本公开的实施例的模型扩展方法的应用示意图。如图5所示,在第一模型中,输入层的两个输入节点的输入值为x[1]和x[2],隐藏层包括一个网络层,隐藏层的节点为h[1]和h[2],输出层的节点为y。节点h[1]的输入权值为a和b,节点h[2]的输入权值为c和d,节点h[1]的输出权值为e,节点h[2]的输出权值为f。
在一种可能的实现方式中,隐藏层的预设生长比率可以是1.5,即,待扩展的节点数量为1。在示例中,如果第一模型为BP神经网络模型,则节点h[1]的激活值为x[1]·a+x[2]·b,节点h[2]的激活值为x[1]·c+x[2]·d。在示例中,如果第一模型为卷积神经网络,则节点h[1]的卷积核为输入权值a和b组成的权值矩阵,节点h[2]的卷积核为输入权值c和d组成的权值矩阵,节点h[1]的激活值为根据节点h[1]的卷积核对x[1]和x[2]进行卷积运算获得的结果,节点h[2]的激活值为根据节点h[2]的卷积核对x[1]和x[2]进行卷积运算获得的结果。进一步地,可利用第一模型的损失函数来确定各节点的激活值的梯度,并根据公式(1)来确定节点h[1]和h[2]的重要性参数。在示例中,节点h[2]的重要性参数大于节点h[1]的重要性参数,因此,节点h[2]为待扩展节点,可将节点h[2]作为目标节点,将节点h[2]进行复制,获得初始第二模型的节点h[3]。
在一种可能的实现方式中,在初始第二模型中,节点h[1]和h[2]的输入权值与第一模型中的节点h[1]和h[2]的输入权值一致。节点h[3]的输入权值为c+i和d+j,其中,c+i为与x[1]对应的权值,d+j为与x[2]对应的权值,i和j分别为高斯噪声。
在一种可能的实现方式中,在初始第二模型中,节点h[1]的输出权值与第一模型中的节点h[1]的输出权值一致。节点h[2]和节点h[3]的输出权值均为f/2。在节点h[1]、h[2]和h[3]的权值均确定后,可获得初始第二模型。
在一种可能的实现方式中,可使用第二学习速率对初始第二模型进行训练,可获得第二模型。在示例中,在第二模型中,节点h[1]的输入权值为a1和b1,节点h[2]的输入权值为c1和d1,节点h[3]的输入权值为c2和d2,节点h[1]的输出权值为e1,节点h[2]的输出权值为f1,节点h[3]的输出权值为f2。在示例中,在训练初始第二模型时,可仅对复制节点的权值进行微调,其他节点的权值不变,例如,a1=a,b1=b,c1=c,d1=d,e1=e,且f1=f/2,仅将节点h[3]的输入权值由c+i调整为c2,即c+i与c2不相等,将d+j调整为d2,即d+j与d2不相等,并将h[3]的输出权值由f/2调整为f2,即f/2与f2不相等。经过训练,第二模型的拟合优度高于第一模型。
根据本公开的实施例的模型扩展方法,通过重要性参数确定多个节点中的待扩展节点,对多个节点的重要性参数进行量化,可避免选择待扩展节点的随机性,在确定复制节点的权值时,对复制节点的初始权值添加高斯噪声,可避免在第二模型训练时难以确定损失函数的最小值的状况,进一步地,可对第一模型扩展形成的初始第二模型进行微调,获得所述第二模型,使得第二模型具有比第一模型更高的拟合优度。
图6示出根据本公开的实施例的模型扩展装置的框图。如图6所示,所述装置包括:
重要性参数确定模块11,用于根据第一模型的多个网络层中的多个节点的激活值以及所述激活值的梯度,确定所述多个节点的重要性参数;
待扩展节点确定模块12,用于根据所述多个节点的重要性参数和所述多个网络层的预设生长比率,确定所述多个节点中的待扩展节点;
模型获得模块13,用于根据所述多个网络层的待扩展节点对所述第一模型进行扩展处理,获得第二模型。
图7示出根据本公开的实施例的模型扩展装置的框图。如图7所示,重要性参数确定模块11可包括:
向量积确定子模块111,用于根据所述激活值以及所述激活值的梯度,确定所述激活值与所述激活值的梯度的向量积;
重要性参数确定子模块112,用于将所述向量积的模确定为所述重要性参数。
在一种可能的实现方式中,待扩展节点确定模块12可包括:
数量确定子模块121,用于根据多个网络层的预设生长比率,确定所述多个网络层中待扩展的节点数量;
待扩展节点确定子模块122,用于根据所述多个节点的重要性参数和所述多个网络层中待扩展的节点数量,确定所述多个节点中的待扩展节点。
在一种可能的实现方式中,第二模型获得模块13可包括:
复制子模块131,用于对目标节点进行复制处理,获得与所述目标节点对应的复制节点,其中,所述目标节点是所述待扩展节点中的任意一个,所述复制节点与所述目标节点处于同一网络层;
权值确定子模块132,用于根据所述目标节点的第一权值,确定所述复制节点的权值以及所述目标节点的第二权值,其中,所述第一权值为所述目标节点在所述第一模型中的权值,所述第二权值为对所述目标节点进行复制后,所述目标节点的权值;
扩展子模块133,用于根据所述目标节点的第二权值、所述复制节点以及所述复制节点的权值对所述第一模型进行扩展处理,获得对所述目标节点进行扩展后的第一模型;
第二模型获得子模块134,用于根据对所有的待扩展节点进行扩展后的第一模型,确定所述第二模型。
在一种可能的实现方式中,所述目标节点的第一权值包括目标节点的第一输入权值和第一输出权值,所述目标节点的第二权值包括目标节点的第二输入权值和第二输出权值,所述复制节点的权值包括所述复制节点的输入权值和所述复制节点的输出权值,
其中,所述权值确定子模块132用于:
根据所述目标节点的第一输入权值,确定所述目标节点的第二输入权值和所述复制节点的输入权值;
根据所述目标节点和与所述目标节点对应的复制节点的数量,确定第一输出权值的缩小倍数;
根据所述第一输出权值以及所述缩小倍数,确定所述第二输出权值和所述复制节点的输出权值。
在一种可能的实现方式中,根据所述目标节点的第一输入权值,确定所述目标节点的第二输入权值和所述复制节点的输入权值,包括:
将目标节点的第一输入权值确定为所述目标节点的第二输入权值;
将目标节点的第一输入权值确定为所述复制节点的初始输入权值;
对所述初始输入权值添加高斯噪声,获得所述复制节点的输入权值。
在一种可能的实现方式中,所述第二模型获得子模块用于:
将对所有的待扩展节点进行扩展后的第一模型确定为初始第二模型;
使用第二学习速率对所述初始第二模型进行训练,获得所述第二模型,其中,所述第二学习速率小于训练所述第一模型时使用的第一学习速率。
在一种可能的实现方式中,每一个待扩展节点对应一个复制节点。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。
此外,本公开还提供了图像处理装置、电子设备、计算机可读存储介质、程序,上述均可用来实现本公开提供的任一种图像处理方法,相应技术方案和描述和参见方法部分的相应记载,不再赘述。
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
电子设备可以被提供为终端、服务器或其它形态的设备。
图8是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图8,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图9是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图9,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或指令的一部分,所述模块、程序段或指令的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种模型扩展方法,其特征在于,所述方法包括:
根据第一模型的多个网络层中的多个节点的激活值以及所述激活值的梯度,确定所述多个节点的重要性参数;
根据所述多个节点的重要性参数和所述多个网络层的预设生长比率,确定所述多个节点中的待扩展节点;
根据所述多个网络层的待扩展节点对所述第一模型进行扩展处理,获得第二模型。
2.根据权利要求1所述的方法,其特征在于,根据所述多个网络层的待扩展节点对所述第一模型进行扩展处理,获得第二模型,包括:
对目标节点进行复制处理,获得与所述目标节点对应的复制节点,其中,所述目标节点是所述待扩展节点中的任意一个,所述复制节点与所述目标节点处于同一网络层;
根据所述目标节点的第一权值,确定所述复制节点的权值以及所述目标节点的第二权值,其中,所述第一权值为所述目标节点在所述第一模型中的权值,所述第二权值为对所述目标节点进行复制后,所述目标节点的权值;
根据所述目标节点的第二权值、所述复制节点以及所述复制节点的权值对所述第一模型进行扩展处理,获得对所述目标节点进行扩展后的第一模型;
根据对所有的待扩展节点进行扩展后的第一模型,确定所述第二模型。
3.根据权利要求2所述的方法,其特征在于,所述目标节点的第一权值包括目标节点的第一输入权值和第一输出权值,所述目标节点的第二权值包括目标节点的第二输入权值和第二输出权值,所述复制节点的权值包括所述复制节点的输入权值和所述复制节点的输出权值,
其中,根据所述目标节点的第一权值,确定所述复制节点的权值以及所述目标节点的第二权值,包括:
根据所述目标节点的第一输入权值,确定所述目标节点的第二输入权值和所述复制节点的输入权值;
根据所述目标节点和与所述目标节点对应的复制节点的数量,确定第一输出权值的缩小倍数;
根据所述第一输出权值以及所述缩小倍数,确定所述第二输出权值和所述复制节点的输出权值。
4.根据权利要求3所述的方法,其特征在于,根据所述目标节点的第一输入权值,确定所述目标节点的第二输入权值和所述复制节点的输入权值,包括:
将目标节点的第一输入权值确定为所述目标节点的第二输入权值;
将目标节点的第一输入权值确定为所述复制节点的初始输入权值;
对所述初始输入权值添加高斯噪声,获得所述复制节点的输入权值。
5.根据权利要求2所述的方法,其特征在于,根据对所有的待扩展节点进行扩展后的第一模型,确定所述第二模型,包括:
将对所有的待扩展节点进行扩展后的第一模型确定为初始第二模型;
使用第二学习速率对所述初始第二模型进行训练,获得所述第二模型,其中,所述第二学习速率小于训练所述第一模型时使用的第一学习速率。
6.根据权利要求1所述的方法,其特征在于,根据所述多个网络层中的多个节点的激活值以及所述激活值的梯度,确定所述多个节点的重要性参数,包括:
根据所述激活值以及所述激活值的梯度,确定所述激活值与所述激活值的梯度的向量积;
将所述向量积的模确定为所述重要性参数。
7.根据权利要求1所述的方法,其特征在于,根据所述多个节点的重要性参数和所述多个网络层的预设生长比率,确定所述多个节点中的待扩展节点,包括:
根据多个网络层的预设生长比率,确定所述多个网络层中待扩展的节点数量;
根据所述多个节点的重要性参数和所述多个网络层中待扩展的节点数量,确定所述多个节点中的待扩展节点。
8.一种模型扩展装置,其特征在于,所述装置包括:
重要性参数确定模块,用于根据第一模型的多个网络层中的多个节点的激活值以及所述激活值的梯度,确定所述多个节点的重要性参数;
待扩展节点确定模块,用于根据所述多个节点的重要性参数和所述多个网络层的预设生长比率,确定所述多个节点中的待扩展节点;
模型获得模块,用于根据所述多个网络层的待扩展节点对所述第一模型进行扩展处理,获得第二模型。
9.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至7中任意一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,所述计算机程序指令被处理器执行时实现权利要求1至7中任意一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810746287.0A CN109165722B (zh) | 2018-07-09 | 2018-07-09 | 模型扩展方法及装置、电子设备和存储介质 |
CN202111070301.8A CN113807498B (zh) | 2018-07-09 | 2018-07-09 | 模型扩展方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810746287.0A CN109165722B (zh) | 2018-07-09 | 2018-07-09 | 模型扩展方法及装置、电子设备和存储介质 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111070301.8A Division CN113807498B (zh) | 2018-07-09 | 2018-07-09 | 模型扩展方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109165722A true CN109165722A (zh) | 2019-01-08 |
CN109165722B CN109165722B (zh) | 2021-07-23 |
Family
ID=64897501
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810746287.0A Active CN109165722B (zh) | 2018-07-09 | 2018-07-09 | 模型扩展方法及装置、电子设备和存储介质 |
CN202111070301.8A Active CN113807498B (zh) | 2018-07-09 | 2018-07-09 | 模型扩展方法及装置、电子设备和存储介质 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111070301.8A Active CN113807498B (zh) | 2018-07-09 | 2018-07-09 | 模型扩展方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN109165722B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871942A (zh) * | 2019-02-19 | 2019-06-11 | 上海商汤智能科技有限公司 | 神经网络的训练方法和装置、系统、存储介质 |
CN112405521A (zh) * | 2020-10-16 | 2021-02-26 | 北京百度网讯科技有限公司 | 模型的训练方法、装置、电子设备及存储介质 |
CN112965365A (zh) * | 2021-02-23 | 2021-06-15 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050187643A1 (en) * | 2004-02-19 | 2005-08-25 | Pavilion Technologies, Inc. | Parametric universal nonlinear dynamics approximator and use |
CN104751263A (zh) * | 2013-12-31 | 2015-07-01 | 南京理工大学常熟研究院有限公司 | 面向计量检定业务的客户等级智能分类方法 |
CN106203623A (zh) * | 2014-11-27 | 2016-12-07 | 三星电子株式会社 | 用于扩展神经网络的方法和设备以及降维的方法 |
CN107590534A (zh) * | 2017-10-17 | 2018-01-16 | 北京小米移动软件有限公司 | 训练深度卷积神经网络模型的方法、装置及存储介质 |
CN108090520A (zh) * | 2018-01-08 | 2018-05-29 | 北京中关村科金技术有限公司 | 意图识别模型的训练方法、系统、装置及可读存储介质 |
CN108154120A (zh) * | 2017-12-25 | 2018-06-12 | 上海七牛信息技术有限公司 | 视频分类模型训练方法、装置、存储介质及电子设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107169504B (zh) * | 2017-03-30 | 2019-06-18 | 湖北工业大学 | 一种基于扩展非线性核残差网络的手写字符识别方法 |
-
2018
- 2018-07-09 CN CN201810746287.0A patent/CN109165722B/zh active Active
- 2018-07-09 CN CN202111070301.8A patent/CN113807498B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050187643A1 (en) * | 2004-02-19 | 2005-08-25 | Pavilion Technologies, Inc. | Parametric universal nonlinear dynamics approximator and use |
CN104751263A (zh) * | 2013-12-31 | 2015-07-01 | 南京理工大学常熟研究院有限公司 | 面向计量检定业务的客户等级智能分类方法 |
CN106203623A (zh) * | 2014-11-27 | 2016-12-07 | 三星电子株式会社 | 用于扩展神经网络的方法和设备以及降维的方法 |
CN107590534A (zh) * | 2017-10-17 | 2018-01-16 | 北京小米移动软件有限公司 | 训练深度卷积神经网络模型的方法、装置及存储介质 |
CN108154120A (zh) * | 2017-12-25 | 2018-06-12 | 上海七牛信息技术有限公司 | 视频分类模型训练方法、装置、存储介质及电子设备 |
CN108090520A (zh) * | 2018-01-08 | 2018-05-29 | 北京中关村科金技术有限公司 | 意图识别模型的训练方法、系统、装置及可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109871942A (zh) * | 2019-02-19 | 2019-06-11 | 上海商汤智能科技有限公司 | 神经网络的训练方法和装置、系统、存储介质 |
CN112405521A (zh) * | 2020-10-16 | 2021-02-26 | 北京百度网讯科技有限公司 | 模型的训练方法、装置、电子设备及存储介质 |
CN112405521B (zh) * | 2020-10-16 | 2022-02-25 | 北京百度网讯科技有限公司 | 模型的训练方法、装置、电子设备及存储介质 |
CN112965365A (zh) * | 2021-02-23 | 2021-06-15 | 浙江中智达科技有限公司 | Pid控制回路的模型辨识方法、装置、系统及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113807498B (zh) | 2022-10-04 |
CN109165722B (zh) | 2021-07-23 |
CN113807498A (zh) | 2021-12-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109697734A (zh) | 位姿估计方法及装置、电子设备和存储介质 | |
CN109800737A (zh) | 面部识别方法及装置、电子设备和存储介质 | |
CN110348537A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109522910A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN110287874A (zh) | 目标追踪方法及装置、电子设备和存储介质 | |
CN104636453B (zh) | 非法用户资料识别方法及装置 | |
CN109816764A (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN110188236A (zh) | 一种音乐的推荐方法、装置及系统 | |
CN104700353B (zh) | 图像滤镜生成方法及装置 | |
CN109344832A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109978891A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110458102A (zh) | 一种人脸图像识别方法及装置、电子设备和存储介质 | |
TWI757668B (zh) | 網路優化方法及裝置、圖像處理方法及裝置、儲存媒體 | |
CN109801270A (zh) | 锚点确定方法及装置、电子设备和存储介质 | |
CN110472091A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109977860A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109948494A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN110532956A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN106600530B (zh) | 照片合成方法及装置 | |
CN109635920A (zh) | 神经网络优化方法及装置、电子设备和存储介质 | |
CN110458218A (zh) | 图像分类方法及装置、分类网络训练方法及装置 | |
CN109977868A (zh) | 图像渲染方法及装置、电子设备和存储介质 | |
CN109543537A (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN109165722A (zh) | 模型扩展方法及装置、电子设备和存储介质 | |
CN110121106A (zh) | 视频播放方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |