CN109447258A - 神经网络模型的优化方法及装置、电子设备和存储介质 - Google Patents
神经网络模型的优化方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109447258A CN109447258A CN201811093816.8A CN201811093816A CN109447258A CN 109447258 A CN109447258 A CN 109447258A CN 201811093816 A CN201811093816 A CN 201811093816A CN 109447258 A CN109447258 A CN 109447258A
- Authority
- CN
- China
- Prior art keywords
- network model
- full articulamentum
- output
- neuron
- nervus opticus
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
Abstract
本公开涉及一种神经网络模型的优化方法及装置、电子设备和存储介质。该方法包括:将输入数据分别输入第一神经网络模型和第二神经网络模型,基于从第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第一神经网络模型的输出,并基于从第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第二神经网络模型的输出;确定第一神经网络模型的输出与期望输出两者之间的第一交叉熵;确定第一神经网络模型的输出相对于第二神经网络模型的输出的第一相对熵;基于第一交叉熵和第一相对熵,优化第一神经网络模型。本公开实施例能够稳定提高神经网络模型的准确率,并能够增强神经网络模型的泛化能力。
Description
技术领域
本公开涉及深度学习技术领域,尤其涉及一种神经网络模型的优化方法及装置、电子设备和存储介质。
背景技术
目前,神经网络模型被应用于计算机视觉和自然语言处理等各个方面(例如行人检索和人脸识别),并取得了较好的效果。在神经网络模型训练完成之后,测试的准确率往往限制了神经网络模型的准确率的上限。
相关技术中,通常通过增加训练数据的总量、改变神经网络模型的结构或者对模型进行细微调整和重训练,来提高神经网络模型的准确率。这些方法都对数据量提出了非常高的要求。增加训练数据的总量和细微调整不一定能提高神经网络模型的准确率,可能的原因是数据质量参差不齐导致神经网络模型的训练难度增加。改变神经网络模型的结构通常没有一个明确的标准,因此无法保证训练后神经网络模型的准确率。
发明内容
本公开提出了一种神经网络模型的优化技术方案。
根据本公开的一方面,提供了一种神经网络模型的优化方法,包括:
从第一神经网络模型的输出层之前的全连接层中选取部分神经元,从第二神经网络模型的输出层之前的全连接层中选取部分神经元;
将输入数据分别输入所述第一神经网络模型和所述第二神经网络模型,基于从所述第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述第一神经网络模型的输出,并基于从所述第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述第二神经网络模型的输出;
确定所述第一神经网络模型的输出与期望输出两者之间的第一交叉熵;
确定所述第一神经网络模型的输出相对于所述第二神经网络模型的输出的第一相对熵;
基于所述第一交叉熵和所述第一相对熵,优化所述第一神经网络模型。
在一种可能的实现方式中,从第一神经网络模型的输出层之前的全连接层中选取部分神经元,包括:
从第一神经网络模型的输出层之前的最后一个全连接层中选取部分神经元;
从第二神经网络模型的输出层之前的全连接层中选取部分神经元,包括:
从第二神经网络模型的输出层之前的最后一个全连接层中选取部分神经元。
在一种可能的实现方式中,从第一神经网络模型的输出层之前的全连接层中选取部分神经元,包括:
针对第一全连接层中的每个神经元,分别在第一区间中生成一个随机数,其中,所述第一全连接层表示所述第一神经网络模型的输出层之前进行神经元选取的全连接层;
若所述第一全连接层中的第一神经元对应的随机数属于第二区间,则从所述第一全连接层中选取所述第一神经元,其中,所述第二区间为所述第一区间的子集,且所述第二区间不等于所述第一区间;
从第二神经网络模型的输出层之前的全连接层中选取部分神经元,包括:
针对第二全连接层中的每个神经元,分别在第三区间中生成一个随机数,其中,所述第二全连接层表示所述第二神经网络模型的输出层之前进行神经元选取的全连接层;
若所述第二全连接层中的第二神经元对应的随机数属于第四区间,则从所述第二全连接层中选取所述第二神经元,其中,所述第四区间为所述第三区间的子集,且所述第四区间不等于所述第三区间。
在一种可能的实现方式中,基于所述第一交叉熵和所述第一相对熵,优化所述第一神经网络模型,包括:
确定所述第一相对熵与调整系数的乘积;
将所述乘积与所述第一交叉熵之和确定为所述第一神经网络模型对应的损失函数;
采用所述第一神经网络模型对应的损失函数优化所述第一神经网络模型。
在一种可能的实现方式中,所述输出为分对数层输出的分对数。
在一种可能的实现方式中,在优化所述第一神经网络模型之后,所述方法还包括:
从优化的第一神经网络模型的输出层之前的全连接层中选取部分神经元;
将所述输入数据输入所述优化的第一神经网络模型,基于从所述优化的第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述优化的第一神经网络模型的输出;
确定所述第二神经网络模型的输出与期望输出两者之间的第二交叉熵;
确定所述第二神经网络模型的输出相对于所述优化的第一神经网络模型的输出的第二相对熵;
基于所述第二交叉熵和所述第二相对熵,优化所述第二神经网络模型。
根据本公开的一方面,提供了一种神经网络模型的优化装置,包括:
第一选取模块,用于从第一神经网络模型的输出层之前的全连接层中选取部分神经元,从第二神经网络模型的输出层之前的全连接层中选取部分神经元;
第一确定模块,用于将输入数据分别输入所述第一神经网络模型和所述第二神经网络模型,基于从所述第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述第一神经网络模型的输出,并基于从所述第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述第二神经网络模型的输出;
第二确定模块,用于确定所述第一神经网络模型的输出与期望输出两者之间的第一交叉熵;
第三确定模块,用于确定所述第一神经网络模型的输出相对于所述第二神经网络模型的输出的第一相对熵;
第一优化模块,用于基于所述第一交叉熵和所述第一相对熵,优化所述第一神经网络模型。
在一种可能的实现方式中,所述第一选取模块用于:
从第一神经网络模型的输出层之前的最后一个全连接层中选取部分神经元,从第二神经网络模型的输出层之前的最后一个全连接层中选取部分神经元。
在一种可能的实现方式中,所述第一选取模块包括:
第一生成子模块,用于针对第一全连接层中的每个神经元,分别在第一区间中生成一个随机数,其中,所述第一全连接层表示所述第一神经网络模型的输出层之前进行神经元选取的全连接层;
第一选取子模块,用于若所述第一全连接层中的第一神经元对应的随机数属于第二区间,则从所述第一全连接层中选取所述第一神经元,其中,所述第二区间为所述第一区间的子集,且所述第二区间不等于所述第一区间;
第二生成子模块,用于针对第二全连接层中的每个神经元,分别在第三区间中生成一个随机数,其中,所述第二全连接层表示所述第二神经网络模型的输出层之前进行神经元选取的全连接层;
第二选取子模块,用于若所述第二全连接层中的第二神经元对应的随机数属于第四区间,则从所述第二全连接层中选取所述第二神经元,其中,所述第四区间为所述第三区间的子集,且所述第四区间不等于所述第三区间。
在一种可能的实现方式中,所述第一优化模块包括:
第一确定子模块,用于确定所述第一相对熵与调整系数的乘积;
第二确定子模块,用于将所述乘积与所述第一交叉熵之和确定为所述第一神经网络模型对应的损失函数;
优化子模块,用于采用所述第一神经网络模型对应的损失函数优化所述第一神经网络模型。
在一种可能的实现方式中,所述输出为分对数层输出的分对数。
在一种可能的实现方式中,所述装置还包括:
第二选取模块,用于从优化的第一神经网络模型的输出层之前的全连接层中选取部分神经元;
第四确定模块,用于将所述输入数据输入所述优化的第一神经网络模型,基于从所述优化的第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述优化的第一神经网络模型的输出;
第五确定模块,用于确定所述第二神经网络模型的输出与期望输出两者之间的第二交叉熵;
第六确定模块,用于确定所述第二神经网络模型的输出相对于所述优化的第一神经网络模型的输出的第二相对熵;
第二优化模块,用于基于所述第二交叉熵和所述第二相对熵,优化所述第二神经网络模型。
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:执行上述神经网络模型的优化方法。
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神经网络模型的优化方法。
在本公开实施例中,基于从第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第一神经网络模型的输出,基于从第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第二神经网络模型的输出,并基于第一神经网络模型的输出与期望输出两者之间的第一交叉熵,以及第一神经网络模型的输出相对于第二神经网络模型的输出的第一相对熵,优化第一神经网络模型,由此能够在不增加训练数据总量和无需重新训练的前提下,稳定提高神经网络模型的准确率,且对于大部分神经网络模型和数据普遍适用,并通过选取全连接层的部分神经元来有效拟合神经网络模型的输出,能够有效减轻神经网络模型的过拟合,增强神经网络模型的泛化能力。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
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
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的神经网络模型的优化方法的流程图。
图2示出根据本公开实施例的神经网络模型的优化方法步骤S101中从第一神经网络模型的输出层之前的全连接层中选取部分神经元的一示例性的流程图。
图3示出根据本公开实施例的神经网络模型的优化方法步骤S101中从第二神经网络模型的输出层之前的全连接层中选取部分神经元的一示例性的流程图。
图4示出根据本公开实施例的神经网络模型的优化方法步骤S105的一示例性的流程图。
图5示出根据本公开实施例的神经网络模型的优化方法的一示例性的流程图。
图6示出根据本公开实施例的神经网络模型的优化装置的框图。
图7示出根据本公开实施例的神经网络模型的优化装置的一示例性的框图。
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。
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。
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。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,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示出根据本公开实施例的神经网络模型的优化方法的流程图。该神经网络模型的优化方法的执行主体可以是神经网络模型的优化装置。例如,该神经网络模型的优化方法可以由终端设备或服务器或其它处理设备执行。其中,终端设备可以是用户设备(UserEquipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字助理(PersonalDigital Assistant,PDA)、手持设备、计算设备、车载设备或者可穿戴设备等。本公开实施例中的神经网络模型可以应用于智能视频分析、安防监控或者人脸识别等领域。在一些可能的实现方式中,该神经网络模型的优化方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。如图1所示,该方法包括步骤S101至步骤S105。
在步骤S101中,从第一神经网络模型的输出层之前的全连接层中选取部分神经元,从第二神经网络模型的输出层之前的全连接层中选取部分神经元。
在本公开实施例中,第一神经网络模型与第二神经网络模型可以为相同的神经网络模型,也可以为不同的神经网络模型。
本公开实施例中的第一神经网络模型可以应用于特征提取和/或对象识别等应用场景中。其中,对象识别可以为人物识别或者物体识别。例如,人物识别可以为人脸识别或者行人重识别等;物体识别可以为车辆识别等。本公开实施例中的第二神经网络模型也可以应用于特征提取和/或对象识别等应用场景中。
在一种可能的实现方式中,可以从第一神经网络模型的输出层之前的全连接层中随机选取部分神经元,从第二神经网络模型的输出层之前的全连接层中随机选取部分神经元。
在一种可能的实现方式中,从第一神经网络模型的输出层之前的全连接层中选取部分神经元,包括:从第一神经网络模型的输出层之前的最后一个全连接层中选取部分神经元。在该实现方式中,可以从第一神经网络模型的输出层之前的最后一个全连接层中随机选取部分神经元。
在一种可能的实现方式中,从第二神经网络模型的输出层之前的全连接层中选取部分神经元,包括:从第二神经网络模型的输出层之前的最后一个全连接层中选取部分神经元。在该实现方式中,可以从第二神经网络模型的输出层之前的最后一个全连接层中随机选取部分神经元。
在一种可能的实现方式中,从第一神经网络模型的输出层之前的全连接层中选取部分神经元,包括:从第一全连接层中选取至少N个神经元,其中,第一全连接层表示第一神经网络模型的输出层之前进行神经元选取的全连接层,第一全连接层中被选取的神经元的数量小于第一全连接层的神经元总数,N等于第一全连接层的神经元总数与第一阈值的乘积,第一阈值大于0且小于1。例如,第一神经网络模型的输出层之前进行神经元选取的全连接层为第一神经网络模型的输出层之前的最后一个全连接层,则第一全连接层为第一神经网络模型的输出层之前的最后一个全连接层。例如,第一阈值等于0.7。
在该实现方式中,通过从第一全连接层中选取至少N个神经元,由此能够避免选取太少神经元,从而能够避免由于选取太少神经元而导致的神经网络模型训练难度大大增加和/或神经网络模型无法收敛的情况。
在一种可能的实现方式中,从第二神经网络模型的输出层之前的全连接层中选取部分神经元,包括:从第二全连接层中选取至少M个神经元,其中,第二全连接层表示第二神经网络模型的输出层之前进行神经元选取的全连接层,第二全连接层中被选取的神经元的数量小于第二全连接层的神经元总数,M等于第二全连接层的神经元总数与第二阈值的乘积,第二阈值大于0且小于1。例如,第二神经网络模型的输出层之前进行神经元选取的全连接层为第二神经网络模型的输出层之前的最后一个全连接层,则第二全连接层为第二神经网络模型的输出层之前的最后一个全连接层。例如,第二阈值等于0.7。
在该实现方式中,通过从第二全连接层中选取至少M个神经元,由此能够避免选取太少神经元,从而能够避免由于选取太少神经元而导致的神经网络模型训练难度大大增加和/或神经网络模型无法收敛的情况。
在步骤S102中,将输入数据分别输入第一神经网络模型和第二神经网络模型,基于从第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第一神经网络模型的输出,并基于从第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第二神经网络模型的输出。
在本公开实施例中,输入数据可以为训练数据。例如,当采用行人重识别任务训练第一神经网络模型时,输入数据可以为行人的图像。
在一种可能的实现方式中,输出为分对数层输出的分对数。其中,分对数层指的是logits层,分对数层输出的分对数指的是logits层输出的logits。
在另一种可能的实现方式中,输出为神经网络模型的最终输出。例如,输出为softmax层的输出。
在本公开实施例中,通过从第一神经网络模型的输出层之前的全连接层中选取部分神经元,从第二神经网络模型的输出层之前的全连接层中选取部分神经元,并基于从第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第一神经网络模型的输出,基于从第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第二神经网络模型的输出,由此能够减轻神经网络模型的拟合程度,避免神经网络模型过拟合,增强神经网络模型的泛化能力。
在步骤S103中,确定第一神经网络模型的输出与期望输出两者之间的第一交叉熵。
其中,期望输出可以表示真实标签对应的输出数据。
在本公开实施例中,第一交叉熵表示第一神经网络模型的输出与期望输出两者之间的交叉熵,第一交叉熵中的“第一”在此仅为表述和指代的方便。
在本公开实施例中,可以采用相关技术手段确定交叉熵,在此不再赘述。
在步骤S104中,确定第一神经网络模型的输出相对于第二神经网络模型的输出的第一相对熵。
在本公开实施例中,第一相对熵表示第一神经网络模型的输出相对于第二神经网络模型的输出的相对熵,第一相对熵中的“第一”在此仅为表述和指代的方便。
在本公开实施例中,可以采用相关技术手段确定相对熵,在此不再赘述。
在步骤S105中,基于第一交叉熵和第一相对熵,优化第一神经网络模型。
在一种可能的实现方式中,可以基于第一交叉熵和第一相对熵,确定第一神经网络模型对应的损失函数,并采用第一神经网络模型对应的损失函数优化第一神经网络模型。在该实现方式中,可以采用第一神经网络模型对应的损失函数,并基于反向传播算法优化第一神经网络模型。
本公开实施例基于从第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第一神经网络模型的输出,基于从第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第二神经网络模型的输出,并基于第一神经网络模型的输出与期望输出两者之间的第一交叉熵,以及第一神经网络模型的输出相对于第二神经网络模型的输出的第一相对熵,优化第一神经网络模型,由此能够在不增加训练数据总量和无需重新训练的前提下,稳定提高神经网络模型的准确率,且对于大部分神经网络模型和数据普遍适用,并通过选取全连接层的部分神经元来有效拟合神经网络模型的输出,能够有效减轻神经网络模型的过拟合,增强神经网络模型的泛化能力。
图2示出根据本公开实施例的神经网络模型的优化方法步骤S101中从第一神经网络模型的输出层之前的全连接层中选取部分神经元的一示例性的流程图。如图2所示,从第一神经网络模型的输出层之前的全连接层中选取部分神经元,可以包括步骤S1011和步骤S1012。
在步骤S1011中,针对第一全连接层中的每个神经元,分别在第一区间中生成一个随机数,其中,第一全连接层表示第一神经网络模型的输出层之前进行神经元选取的全连接层。
例如,第一区间为[0,1]。
在步骤S1012中,若第一全连接层中的第一神经元对应的随机数属于第二区间,则从第一全连接层中选取第一神经元,其中,第二区间为第一区间的子集,且第二区间不等于第一区间。
例如,第二区间为[0,0.7]。
在本公开实施例中,根据第一全连接层中的各个神经元对应的随机数是否属于第二区间,判断是否选取各个神经元。例如,若第一全连接层中的某一神经元对应的随机数属于第二区间,则选取该神经元;若第一全连接层中的某一神经元对应的随机数不属于第二区间,则不选取该神经元。
通过针对第一全连接层中的每个神经元分别在第一区间中生成一个随机数,若第一全连接层中的第一神经元对应的随机数属于第二区间,则从第一全连接层中选取第一神经元,若第一全连接层中的第一神经元对应的随机数不属于第二区间,则不从第一全连接层中选取第一神经元,由此能够达到在第一全连接层中随机选取部分神经元的效果。
图3示出根据本公开实施例的神经网络模型的优化方法步骤S101中从第二神经网络模型的输出层之前的全连接层中选取部分神经元的一示例性的流程图。如图3所示,从第二神经网络模型的输出层之前的全连接层中选取部分神经元,可以包括步骤S1013和步骤S1014。
在步骤S1013中,针对第二全连接层中的每个神经元,分别在第三区间中生成一个随机数,其中,第二全连接层表示第二神经网络模型的输出层之前进行神经元选取的全连接层。
例如,第三区间为[0,1]。
在步骤S1014中,若第二全连接层中的第二神经元对应的随机数属于第四区间,则从第二全连接层中选取第二神经元,其中,第四区间为第三区间的子集,且第四区间不等于第三区间。
例如,第四区间为[0,0.7]。
在本公开实施例中,根据第二全连接层中的各个神经元对应的随机数是否属于第四区间,判断是否选取各个神经元。例如,若第二全连接层中的某一神经元对应的随机数属于第四区间,则选取该神经元;若第二全连接层中的某一神经元对应的随机数不属于第四区间,则不选取该神经元。
通过针对第二全连接层中的每个神经元分别在第三区间中生成一个随机数,若第二全连接层中的第二神经元对应的随机数属于第四区间,则从第二全连接层中选取第二神经元,若第二全连接层中的第二神经元对应的随机数不属于第四区间,则不从第二全连接层中选取第二神经元,由此能够达到在第一全连接层中随机选取部分神经元的效果。
图4示出根据本公开实施例的神经网络模型的优化方法步骤S105的一示例性的流程图。如图4所示,步骤S105可以包括步骤S1051至步骤S1053。
在步骤S1051中,确定第一相对熵与调整系数的乘积。
在步骤S1052中,将乘积与第一交叉熵之和确定为第一神经网络模型对应的损失函数。
在一种可能的实现方式中,第一相对熵与调整系数的乘积与第一交叉熵属于同一数量级。
在步骤S1053中,采用第一神经网络模型对应的损失函数优化第一神经网络模型。
需要说明的是,尽管以图4对应的流程作为示例介绍了基于第一交叉熵和第一相对熵优化第一神经网络模型的实现方式如上,但本领域技术人员能够理解,本公开应不限于此。本领域技术人员可以根据实际应用场景需求和/或个人喜好灵活设置基于第一交叉熵和第一相对熵优化第一神经网络模型的具体实现方式。例如,可以确定第一交叉熵与调整系数的比值;将该比值与第一相对熵之和确定为第一神经网络模型对应的损失函数;采用第一神经网络模型对应的损失函数优化第一神经网络模型。又如,可以确定第一相对熵对应的权重以及第一交叉熵对应的权重;根据第一相对熵对应的权重以及第一交叉熵对应的权重,对第一相对熵和第一交叉熵进行加权,得到第一神经网络模型对应的损失函数;采用第一神经网络模型对应的损失函数优化第一神经网络模型。
图5示出根据本公开实施例的神经网络模型的优化方法的一示例性的流程图。如图5所示,该方法可以包括步骤S101至步骤S110。
在步骤S101中,从第一神经网络模型的输出层之前的全连接层中选取部分神经元,从第二神经网络模型的输出层之前的全连接层中选取部分神经元。
在步骤S102中,将输入数据分别输入第一神经网络模型和第二神经网络模型,基于从第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第一神经网络模型的输出,并基于从第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第二神经网络模型的输出。
在步骤S103中,确定第一神经网络模型的输出与期望输出两者之间的第一交叉熵。
在步骤S104中,确定第一神经网络模型的输出相对于第二神经网络模型的输出的第一相对熵。
在步骤S105中,基于第一交叉熵和第一相对熵,优化第一神经网络模型。
在步骤S106中,从优化的第一神经网络模型的输出层之前的全连接层中选取部分神经元。
在本公开实施例中,在优化第一神经网络模型之后,从优化的第一神经网络模型的输出层之前的全连接层中重新选取部分神经元。其中,选取部分神经元的方式可以与上文类似,在此不再赘述。
在步骤S107中,将输入数据输入优化的第一神经网络模型,基于从优化的第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到优化的第一神经网络模型的输出。
步骤S107中的输入数据可以与步骤S102中的输入数据相同,也可以与步骤S102中的输入数据不同,在此不作限定。
在步骤S108中,确定第二神经网络模型的输出与期望输出两者之间的第二交叉熵。
在本公开实施例中,第二交叉熵表示第二神经网络模型的输出与期望输出两者之间的交叉熵,第二交叉熵中的“第二”在此仅为表述和指代的方便。
在步骤S109中,确定第二神经网络模型的输出相对于优化的第一神经网络模型的输出的第二相对熵。
在本公开实施例中,第二相对熵表示第二神经网络模型的输出相对于优化的第一神经网络模型的输出的相对熵,第二相对熵中的“第二”在此仅为表述和指代的方便。
在步骤S110中,基于第二交叉熵和第二相对熵,优化第二神经网络模型。
在一种可能的实现方式中,可以基于第二交叉熵和第二相对熵,确定第二神经网络模型对应的损失函数,并采用第二神经网络模型对应的损失函数优化第二神经网络模型。在该实现方式中,可以采用第二神经网络模型对应的损失函数,并基于反向传播算法优化第二神经网络模型。
该步骤中优化第二神经网络模型的方式与上文优化第一神经网络模型的方式类似,在此不再赘述。
在本公开实施例中,第一神经网络模型和第二神经网络模型可以进行异步优化,即,先优化一个神经网络模型,再对另一个神经网络模型进行优化。
在本公开实施例中,第一神经网络模型和第二神经网络模型的参数都不固定,即,第一神经网络模型和第二神经网络模型均处于可优化的状态。第一神经网络模型与第二神经网络模型可以互为老师模型,且第一神经网络模型与第二神经网络模型的参数随着训练优化。在经过训练后,第一神经网络模型和第二神经网络模型可以应用于与训练任务不同的其他任务中。
在本公开实施例中,第一神经网络模型和第二神经网络模型中的超参数可以手动调节。
在本公开实施例中,第一神经网络模型与第二神经网络模型可以相同,换言之,本公开实施例不需要利用性能很高的神经网络模型进行监督学习,本公开实施例中的神经网络模型可以通过学习自身来提高准确率。
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。
本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
此外,本公开还提供了神经网络模型的优化装置、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神经网络模型的优化方法,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。
图6示出根据本公开实施例的神经网络模型的优化装置的框图。如图6所示,该神经网络模型的优化装置包括:第一选取模块61,用于从第一神经网络模型的输出层之前的全连接层中选取部分神经元,从第二神经网络模型的输出层之前的全连接层中选取部分神经元;第一确定模块62,用于将输入数据分别输入第一神经网络模型和第二神经网络模型,基于从第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第一神经网络模型的输出,并基于从第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第二神经网络模型的输出;第二确定模块63,用于确定第一神经网络模型的输出与期望输出两者之间的第一交叉熵;第三确定模块64,用于确定第一神经网络模型的输出相对于第二神经网络模型的输出的第一相对熵;第一优化模块65,用于基于第一交叉熵和第一相对熵,优化第一神经网络模型。
在一种可能的实现方式中,第一选取模块61用于:从第一神经网络模型的输出层之前的最后一个全连接层中选取部分神经元,从第二神经网络模型的输出层之前的最后一个全连接层中选取部分神经元。
图7示出根据本公开实施例的神经网络模型的优化装置的一示例性的框图。如图7所示:
在一种可能的实现方式中,第一选取模块61包括:第一生成子模块611,用于针对第一全连接层中的每个神经元,分别在第一区间中生成一个随机数,其中,第一全连接层表示第一神经网络模型的输出层之前进行神经元选取的全连接层;第一选取子模块612,用于若第一全连接层中的第一神经元对应的随机数属于第二区间,则从第一全连接层中选取第一神经元,其中,第二区间为第一区间的子集,且第二区间不等于第一区间;第二生成子模块613,用于针对第二全连接层中的每个神经元,分别在第三区间中生成一个随机数,其中,第二全连接层表示第二神经网络模型的输出层之前进行神经元选取的全连接层;第二选取子模块614,用于若第二全连接层中的第二神经元对应的随机数属于第四区间,则从第二全连接层中选取第二神经元,其中,第四区间为第三区间的子集,且第四区间不等于第三区间。
在一种可能的实现方式中,第一优化模块65包括:第一确定子模块651,用于确定第一相对熵与调整系数的乘积;第二确定子模块652,用于将乘积与第一交叉熵之和确定为第一神经网络模型对应的损失函数;优化子模块653,用于采用第一神经网络模型对应的损失函数优化第一神经网络模型。
在一种可能的实现方式中,输出为分对数层输出的分对数。
在一种可能的实现方式中,装置还包括:第二选取模块66,用于从优化的第一神经网络模型的输出层之前的全连接层中选取部分神经元;第四确定模块67,用于将输入数据输入优化的第一神经网络模型,基于从优化的第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到优化的第一神经网络模型的输出;第五确定模块68,用于确定第二神经网络模型的输出与期望输出两者之间的第二交叉熵;第六确定模块69,用于确定第二神经网络模型的输出相对于优化的第一神经网络模型的输出的第二相对熵;第二优化模块60,用于基于第二交叉熵和第二相对熵,优化第二神经网络模型。
本公开实施例基于从第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第一神经网络模型的输出,基于从第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到第二神经网络模型的输出,并基于第一神经网络模型的输出与期望输出两者之间的第一交叉熵,以及第一神经网络模型的输出相对于第二神经网络模型的输出的第一相对熵,优化第一神经网络模型,由此能够在不增加训练数据总量和无需重新训练的前提下,稳定提高神经网络模型的准确率,且对于大部分神经网络模型和数据普遍适用,并通过选取全连接层的部分神经元来有效拟合神经网络模型的输出,能够有效减轻神经网络模型的过拟合,增强神经网络模型的泛化能力。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述。
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)
1.一种神经网络模型的优化方法,其特征在于,包括:
从第一神经网络模型的输出层之前的全连接层中选取部分神经元,从第二神经网络模型的输出层之前的全连接层中选取部分神经元;
将输入数据分别输入所述第一神经网络模型和所述第二神经网络模型,基于从所述第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述第一神经网络模型的输出,并基于从所述第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述第二神经网络模型的输出;
确定所述第一神经网络模型的输出与期望输出两者之间的第一交叉熵;
确定所述第一神经网络模型的输出相对于所述第二神经网络模型的输出的第一相对熵;
基于所述第一交叉熵和所述第一相对熵,优化所述第一神经网络模型。
2.根据权利要求1所述的方法,其特征在于,从第一神经网络模型的输出层之前的全连接层中选取部分神经元,包括:
从第一神经网络模型的输出层之前的最后一个全连接层中选取部分神经元;
从第二神经网络模型的输出层之前的全连接层中选取部分神经元,包括:
从第二神经网络模型的输出层之前的最后一个全连接层中选取部分神经元。
3.根据权利要求1或2所述的方法,其特征在于,从第一神经网络模型的输出层之前的全连接层中选取部分神经元,包括:
针对第一全连接层中的每个神经元,分别在第一区间中生成一个随机数,其中,所述第一全连接层表示所述第一神经网络模型的输出层之前进行神经元选取的全连接层;
若所述第一全连接层中的第一神经元对应的随机数属于第二区间,则从所述第一全连接层中选取所述第一神经元,其中,所述第二区间为所述第一区间的子集,且所述第二区间不等于所述第一区间;
从第二神经网络模型的输出层之前的全连接层中选取部分神经元,包括:
针对第二全连接层中的每个神经元,分别在第三区间中生成一个随机数,其中,所述第二全连接层表示所述第二神经网络模型的输出层之前进行神经元选取的全连接层;
若所述第二全连接层中的第二神经元对应的随机数属于第四区间,则从所述第二全连接层中选取所述第二神经元,其中,所述第四区间为所述第三区间的子集,且所述第四区间不等于所述第三区间。
4.根据权利要求1至3中任意一项所述的方法,其特征在于,在优化所述第一神经网络模型之后,所述方法还包括:
从优化的第一神经网络模型的输出层之前的全连接层中选取部分神经元;
将所述输入数据输入所述优化的第一神经网络模型,基于从所述优化的第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述优化的第一神经网络模型的输出;
确定所述第二神经网络模型的输出与期望输出两者之间的第二交叉熵;
确定所述第二神经网络模型的输出相对于所述优化的第一神经网络模型的输出的第二相对熵;
基于所述第二交叉熵和所述第二相对熵,优化所述第二神经网络模型。
5.一种神经网络模型的优化装置,其特征在于,包括:
第一选取模块,用于从第一神经网络模型的输出层之前的全连接层中选取部分神经元,从第二神经网络模型的输出层之前的全连接层中选取部分神经元;
第一确定模块,用于将输入数据分别输入所述第一神经网络模型和所述第二神经网络模型,基于从所述第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述第一神经网络模型的输出,并基于从所述第二神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述第二神经网络模型的输出;
第二确定模块,用于确定所述第一神经网络模型的输出与期望输出两者之间的第一交叉熵;
第三确定模块,用于确定所述第一神经网络模型的输出相对于所述第二神经网络模型的输出的第一相对熵;
第一优化模块,用于基于所述第一交叉熵和所述第一相对熵,优化所述第一神经网络模型。
6.根据权利要求5所述的装置,其特征在于,所述第一选取模块用于:
从第一神经网络模型的输出层之前的最后一个全连接层中选取部分神经元,从第二神经网络模型的输出层之前的最后一个全连接层中选取部分神经元。
7.根据权利要求5或6所述的装置,其特征在于,所述第一选取模块包括:
第一生成子模块,用于针对第一全连接层中的每个神经元,分别在第一区间中生成一个随机数,其中,所述第一全连接层表示所述第一神经网络模型的输出层之前进行神经元选取的全连接层;
第一选取子模块,用于若所述第一全连接层中的第一神经元对应的随机数属于第二区间,则从所述第一全连接层中选取所述第一神经元,其中,所述第二区间为所述第一区间的子集,且所述第二区间不等于所述第一区间;
第二生成子模块,用于针对第二全连接层中的每个神经元,分别在第三区间中生成一个随机数,其中,所述第二全连接层表示所述第二神经网络模型的输出层之前进行神经元选取的全连接层;
第二选取子模块,用于若所述第二全连接层中的第二神经元对应的随机数属于第四区间,则从所述第二全连接层中选取所述第二神经元,其中,所述第四区间为所述第三区间的子集,且所述第四区间不等于所述第三区间。
8.根据权利要求5至7中任意一项所述的装置,其特征在于,所述装置还包括:
第二选取模块,用于从优化的第一神经网络模型的输出层之前的全连接层中选取部分神经元;
第四确定模块,用于将所述输入数据输入所述优化的第一神经网络模型,基于从所述优化的第一神经网络模型的输出层之前的全连接层中选取的部分神经元,得到所述优化的第一神经网络模型的输出;
第五确定模块,用于确定所述第二神经网络模型的输出与期望输出两者之间的第二交叉熵;
第六确定模块,用于确定所述第二神经网络模型的输出相对于所述优化的第一神经网络模型的输出的第二相对熵;
第二优化模块,用于基于所述第二交叉熵和所述第二相对熵,优化所述第二神经网络模型。
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4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4中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811093816.8A CN109447258B (zh) | 2018-09-19 | 2018-09-19 | 神经网络模型的优化方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811093816.8A CN109447258B (zh) | 2018-09-19 | 2018-09-19 | 神经网络模型的优化方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109447258A true CN109447258A (zh) | 2019-03-08 |
CN109447258B CN109447258B (zh) | 2021-09-14 |
Family
ID=65533003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811093816.8A Active CN109447258B (zh) | 2018-09-19 | 2018-09-19 | 神经网络模型的优化方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109447258B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112329928A (zh) * | 2020-12-30 | 2021-02-05 | 四川新网银行股份有限公司 | 基于异构模型的用户满意度分析方法 |
CN112906730A (zh) * | 2020-08-27 | 2021-06-04 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
CN112990429A (zh) * | 2021-02-01 | 2021-06-18 | 深圳市华尊科技股份有限公司 | 机器学习方法、电子设备及相关产品 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106310A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing a neuroscience-inspired artificial neural network |
CN106104406A (zh) * | 2014-03-06 | 2016-11-09 | 前进公司 | 神经网络及神经网络训练的方法 |
CN107341541A (zh) * | 2016-04-29 | 2017-11-10 | 北京中科寒武纪科技有限公司 | 一种用于执行全连接层神经网络训练的装置和方法 |
EP3287957A1 (en) * | 2016-08-22 | 2018-02-28 | Applied Brain Research Inc. | Methods and systems for implementing dynamic neural networks |
CN108122003A (zh) * | 2017-12-19 | 2018-06-05 | 西北工业大学 | 一种基于深度神经网络的弱小目标识别方法 |
-
2018
- 2018-09-19 CN CN201811093816.8A patent/CN109447258B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150106310A1 (en) * | 2013-10-16 | 2015-04-16 | University Of Tennessee Research Foundation | Method and apparatus for constructing a neuroscience-inspired artificial neural network |
CN106104406A (zh) * | 2014-03-06 | 2016-11-09 | 前进公司 | 神经网络及神经网络训练的方法 |
CN107341541A (zh) * | 2016-04-29 | 2017-11-10 | 北京中科寒武纪科技有限公司 | 一种用于执行全连接层神经网络训练的装置和方法 |
EP3287957A1 (en) * | 2016-08-22 | 2018-02-28 | Applied Brain Research Inc. | Methods and systems for implementing dynamic neural networks |
CN108122003A (zh) * | 2017-12-19 | 2018-06-05 | 西北工业大学 | 一种基于深度神经网络的弱小目标识别方法 |
Non-Patent Citations (3)
Title |
---|
JUNHO YIM ET AL.: "A Gift from Knowledge Distillation: Fast Optimization, Network Minimization and Transfer Learning", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》 * |
YI WEI ET AL.: "Quantization Mimic: Towards Very Tiny CNN for Object Detection", 《COMPUTER VISION AND PATTERN RECOGNITION》 * |
陈旭阳: "深度学习图像识别模型的优化及应用", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112906730A (zh) * | 2020-08-27 | 2021-06-04 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
CN112906730B (zh) * | 2020-08-27 | 2023-11-28 | 腾讯科技(深圳)有限公司 | 一种信息处理方法、装置及计算机可读存储介质 |
CN112329928A (zh) * | 2020-12-30 | 2021-02-05 | 四川新网银行股份有限公司 | 基于异构模型的用户满意度分析方法 |
CN112990429A (zh) * | 2021-02-01 | 2021-06-18 | 深圳市华尊科技股份有限公司 | 机器学习方法、电子设备及相关产品 |
Also Published As
Publication number | Publication date |
---|---|
CN109447258B (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800737A (zh) | 面部识别方法及装置、电子设备和存储介质 | |
CN109919300A (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109800744A (zh) | 图像聚类方法及装置、电子设备和存储介质 | |
CN110210535A (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109614876A (zh) | 关键点检测方法及装置、电子设备和存储介质 | |
CN109165738A (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN109618184A (zh) | 视频处理方法及装置、电子设备和存储介质 | |
CN109658352A (zh) | 图像信息的优化方法及装置、电子设备和存储介质 | |
CN109697734A (zh) | 位姿估计方法及装置、电子设备和存储介质 | |
CN109902738A (zh) | 网络模块和分配方法及装置、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 | |
CN109635920A (zh) | 神经网络优化方法及装置、电子设备和存储介质 | |
CN109801270A (zh) | 锚点确定方法及装置、电子设备和存储介质 | |
CN109087238A (zh) | 图像处理方法和装置、电子设备以及计算机可读存储介质 | |
CN110298310A (zh) | 图像处理方法及装置、电子设备和存储介质 | |
CN109783256A (zh) | 人工智能教学系统及方法、电子设备、存储介质 | |
CN109615006A (zh) | 文字识别方法及装置、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 | |
CN109858614A (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN109920016A (zh) | 图像生成方法及装置、电子设备和存储介质 | |
CN109934275A (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 | |
CN109145970A (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN109447258A (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN109977868A (zh) | 图像渲染方法及装置、电子设备和存储介质 |
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 |