模型生成方法和装置
技术领域
本公开实施例涉及计算机技术领域,具体涉及模型生成方法和装置。
背景技术
随着人工智能的发展,基于神经网络的模型在越来越多的场景中发挥作用。神经网络可以指人工神经网络(Artificial Neural Network,ANN)。神经网络通常是一种运算模型,由大量的节点(或称神经元)之间相互连接构成。每个节点可以代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。
在对基于神经网络的模型的训练过程中,现有技术中可以基于学习率更新权重。
发明内容
本公开实施例提出了模型生成方法和装置。
第一方面,本公开实施例提供了一种模型生成方法,该方法包括:获取待训练模型的学习率;基于上述待训练模型的梯度值,确定尺度因子;根据上述尺度因子和上述学习率,生成尺度变换后学习率;基于上述尺度变换后学习率,更新上述待训练模型的权重。
在一些实施例中,上述基于上述待训练模型的梯度值,确定尺度因子,包括:将上述待训练模型的待更新层的梯度值,确定为第一梯度值;根据上述第一梯度值和上述待更新层中的权重的当前权重值,确定上述待更新层的尺度因子。
在一些实施例中,上述根据上述尺度因子和上述学习率,生成尺度变换后学习率,包括:根据上述待更新层的尺度因子和上述待更新层的学习率,生成上述待更新层的尺度变换后学习率;以及上述基于上述尺度变换后学习率,更新上述待训练模型的权重,包括:根据上述待更新层的尺度变换后学习率、上述待更新层的权重的当前权重值和上述第一梯度值,生成上述待更新层的权重的新权重值。
在一些实施例中,上述基于上述待训练模型的梯度值,确定尺度因子,包括:将上述待训练模型的待更新权重的梯度值,确定为第二梯度值;基于上述第二梯度值和待更新权重的当前权重值,确定上述待更新权重的尺度因子。
在一些实施例中,上述根据上述尺度因子和上述学习率,生成尺度变换后学习率,包括:根据上述待更新权重的尺度因子和上述待更新权重所在待更新层的学习率,生成上述待更新权重的尺度变换后学习率;以及上述基于上述尺度变换后学习率,更新上述待训练模型的权重,包括:根据上述待更新权重的尺度变换后学习率、上述待更新权重的当前权重值和上述第二梯度值,生成上述待更新权重的新权重。
在一些实施例中,上述待更新权重所在的待更新层包括至少两个权重;以及上述基于上述第二梯度值和待更新权重的当前权重值,确定上述待更新权重的尺度因子,包括:根据上述至少两个权重的权重值和上述第二梯度值,确定上述待更新权重的尺度因子。
在一些实施例中,上述根据上述尺度因子和上述学习率,生成尺度变换后学习率,包括:将上述尺度因子与上述学习率的乘积,确定为上述尺度变换后学习率。
在一些实施例中,上述基于上述尺度变换后学习率,更新上述待训练模型的权重,包括:将尺度变换后学习率与梯度值的乘积,确定为权重变量;将待更新权重的当前权重值与上述权重变量的差值,确定为待更新权重的新权重值。
在一些实施例中,学习率在上述待训练模型的训练过程中根据迭代次数而改变。
第二方面,本公开实施例提供了一种模型生成装置,该装置包括:获取单元,被配置成获取待训练模型的学习率;确定单元,被配置成基于上述待训练模型的梯度值,确定尺度因子;生成单元,被配置成根据上述尺度因子和上述学习率,生成尺度变换后学习率;更新单元,被配置成基于上述尺度变换后学习率,更新上述待训练模型的权重。
在一些实施例中,上述确定单元,还被配置成:将上述待训练模型的待更新层的梯度值,确定为第一梯度值;根据上述第一梯度值和上述待更新层中的权重的当前权重值,确定上述待更新层的尺度因子。
在一些实施例中,上述生成单元,还被配置成:根据上述待更新层的尺度因子和上述待更新层的学习率,生成上述待更新层的尺度变换后学习率;以及上述更新单元,还被配置成:根据上述待更新层的尺度变换后学习率、上述待更新层的权重的当前权重值和上述第一梯度值,生成上述待更新层的权重的新权重值。
在一些实施例中,上述确定单元,还被配置成:将上述待训练模型的待更新权重的梯度值,确定为第二梯度值;基于上述第二梯度值和待更新权重的当前权重值,确定上述待更新权重的尺度因子。
在一些实施例中,上述生成单元,还被配置成:根据上述待更新权重的尺度因子和上述待更新权重所在待更新层的学习率,生成上述待更新权重的尺度变换后学习率;以及上述更新单元,还被配置成:根据上述待更新权重的尺度变换后学习率、上述待更新权重的当前权重值和上述第二梯度值,生成上述待更新权重的新权重。
在一些实施例中,上述待更新权重所在的待更新层包括至少两个权重;以及上述确定单元,还被配置成:根据上述至少两个权重的权重值和上述第二梯度值,确定上述待更新权重的尺度因子。
在一些实施例中,上述生成单元,还被配置成:将上述尺度因子与上述学习率的乘积,确定为上述尺度变换后学习率。
在一些实施例中,上述更新单元,还被配置成:将尺度变换后学习率与梯度值的乘积,确定为权重变量;将待更新权重的当前权重值与上述权重变量的差值,确定为待更新权重的新权重值。
在一些实施例中,学习率在上述待训练模型的训练过程中根据迭代次数而改变。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的模型生成方法和装置,通过先获取待训练模型的学习率,再基于待训练模型的梯度值,确定尺度因子,再根据尺度因子对学习率进行尺度调整,生成尺度变换后学习率,最后基于尺度变换后学习率,更新待训练模型的权重,从而基于待训练模型生成新的模型,技术效果至少可以包括:提供了一种新的模型生成方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一些实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的模型生成方法的一个实施例的流程图;
图3是根据本公开的模型生成方法的一个应用场景的示意图;
图4是根据本公开的模型生成方法的再一个实施例的流程图;
图5是根据本公开的模型生成方法的又一个实施例的流程图;
图6是根据本公开的模型生成装置的一个实施例的结构示意图;
图7是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开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公开。
图1示出了可以应用本公开的模型生成方法或模型生成装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104可以是用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如模型生成类应用、通话类应用、直播类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有通信功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上的模型生成类应用支持的后台服务器。终端设备可以将模型生成的一些参数(例如学习率等)打包为模型生成请求,然后将模型生成请求发送至后台服务器。后台服务器可以对接收到的模型生成请求等数据进行分析等处理,并将处理结果(例如模型的各种参数)反馈给终端设备。
需要说明的是,本公开实施例所提供的模型生成方法一般由服务器105执行,相应地,模型生成装置一般设置于服务器105中。可选的,本公开实施例所提供的模型生成方法也可以由终端设备101、102、103执行。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,其示出了模型生成方法的一个实施例的流程200。本实施例主要以该方法应用于有一定运算能力的电子设备中来举例说明,该电子设备可以是图1示出的服务器。该模型生成方法,包括以下步骤:
步骤201,获取待训练模型的学习率。
在本实施例中,模型生成方法的执行主体(例如图1所示的服务器)可以获取待训练模型的学习率。
在本实施例中,待训练模型可以是未经训练的神经网络或者未训练完成的神经网络。在这里,神经网络可以指人工神经网络。常见的神经网络例如包括深度神经网络(DeepNeural Network,DNN)、卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)等等。
可选的,待训练模型的网络结构可以预先设置,例如,需要设置神经网络包括哪些层,层与层之间的连接顺序关系,以及每层都包括哪些神经元,每个神经元对应的权重(weight)和偏置项(bias),每层的激活函数等等。
作为示例,当待训练模型为深度卷积神经网络时,由于深度卷积神经网络是一个多层的神经网络,因此需要确定深度卷积神经网络包括哪些层(例如,卷积层,池化层,全连接层,分类器等等),层与层之间的连接顺序关系,以及每个层都包括哪些网络参数(例如,权重、偏置项、卷积的步长)等等。其中,卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核,每个卷积核的大小,每个卷积核中的各个神经元的权重,每个卷积核对应的偏置项,相邻两次卷积之间的步长等等。
可选的,待训练模型例如可以包括至少一个输入层、至少一个隐藏层和至少一个输出层。其中,该神经网络的每层可以具有对应的层级数。
在本实施例中,可以将训练样本导入待训练模型,然后待训练模型的输出层得到实际输出。利用待训练模型的目标输出和实际输出,确定输出层误差。然后,利用输出层误差值进行误差反向传播,进而调整待训练模型的网络参数。作为示例,可以采用反向传播算法(Back Propagation Algorithm,BP算法)和梯度下降法(例如随机梯度下降算法)对上述待训练模型的网络参数进行调整。由此,可以更新待训练模型的权重。通常,在更新待训练模型的权重的时候,涉及到学习率。
在本实施例中,学习率可以是指导如何通过模型输出结果调整网络权重的超参数。学习率越低,模型训练速度就越慢。虽然使用低学习率可以确保不会错过局部极小值,但也意味着训练将花费更长的时间。
在一些实施例中,学习率在上述待训练模型的训练过程中,可以根据迭代次数而改变。在这里,将训练样本导入待训练模型计算模型误差,然后,反向传播更新待训练模型,这样一轮过程可以称为一次模型生成过程中的迭代。在模型的训练过程中,需要多次迭代。可以随着迭代次数的增加而改变学习率。
作为示例,可以在第1次到第99次的迭代过程中,采用数值为0.1的学习率;可以在第100次以上的迭代过程中,采用数值为0.01的学习率。
需要说明的是,学习率根据迭代次数改变,可以在训练的时候训练速度和精度进行控制,从而达到训练速度和精度之间的平衡。
步骤202,基于待训练模型的梯度值,确定尺度因子。
在本实施例中,上述执行主体可以基于上述待训练模型的梯度值,确定尺度因子。
在本实施例中,在进行误差反向传播的过程中,可以利用梯度下降法确定各个待更新层的权重改变程度和方向。在这里,梯度可以用于在神经网络训练过程中计算的方向和权重改变程度,从而以正确的方向和合适的量更新网络权重
可选的,待训练模型的用于更新权重的梯度值,可以从不同的粒度进行划分。待训练模型的各个层可以共用一个梯度值。待训练模型的各层可以具有自己的梯度值。待训练模型的各个权重可以具有的自己的梯度值。
可以理解,不同的梯度下降算法可能提供了不同的梯度计算方式,在此不作限定。
在本实施例中,尺度因子可以用于调整学习率。
步骤203,根据尺度因子和学习率,生成尺度变换后学习率。
在本实施例中,上述执行主体可以根据上述尺度因子和上述学习率,生成尺度变换后学习率。
作为示例,可以将上述尺度因子与上述学习率的乘积,确定为上述尺度变换后学习率。
作为示例,还可以将上述尺度因子的平方与上述学习率的乘积,确定为上述尺度变换后学习率。
需要说明的是,经尺度因子调整的学习率,可以适应待训练模型当前的误差的大小,适应性进行权重更新。
步骤204,基于尺度变换后学习率,更新待训练模型的权重。
在本实施例中,上述执行主体可以基于尺度变换后学习率,更新上述待训练模型的权重。由此,可以对待训练模型进行训练。
在一些实施例中,步骤204可以通过以下方式实现:将尺度变换后学习率与当前权重值的乘积,确定为权重变量;然后,将待更新权重的当前权重值与上述权重变量的差值,确定为待更新权重的新权重。在这里,可以将待训练模型中的任一权重指定为待更新权重。通过尺度变换后学习率更新权重。
继续参见图3,图3是根据图2所示实施例的模型生成方法的应用场景的一个示意图。在图3的应用场景中:
首先,服务器301可以获取待训练模型的学习率。
然后,服务器301可以基于待训练模型的梯度值,确定尺度因子。
然后,服务器301可以根据尺度因子和学习率,生成尺度变换后学习率。
最后,服务器301可以基于尺度变换后学习率,更新待训练模型的权重,从而得到待训练模型的权重的新权重值。
本公开的上述实施例提供的方法,通过先获取待训练模型的学习率,再基于待训练模型的梯度值,确定尺度因子,再根据尺度因子对学习率进行尺度调整,生成尺度变换后学习率,最后基于尺度变换后学习率,更新待训练模型的权重,从而基于待训练模型生成新的模型,技术效果至少可以包括:提供了一种新的模型生成方式。
进一步参考图4,其示出了模型生成方法的又一个实施例的流程400。该模型生成方法的流程400,包括以下步骤:
步骤401,获取待训练模型的学习率。
在本实施例中,模型生成方法的执行主体(例如图1所示的服务器)可以获取待训练模型的学习率。
步骤402,将待训练模型的待更新层的梯度值,确定为第一梯度值。
在本实施例中,上述执行主体可以将上述待训练模型的待更新层的梯度值,确定为第一梯度值。
在本实施例中,待训练模型的任一层都可以作为待更新层,可以以层为粒度,确定梯度值。在这里,可以将以层为粒度的梯度值称为第一梯度值。
在一些实施例中,可以通过求偏导,确定待训练模型的待更新层的梯度值。
步骤403,根据第一梯度值和待更新层中的权重的当前权重值,确定待更新层的尺度因子。
在本实施例中,待更新层的尺度因子可以用于对学习率进行尺度变换。由此,可以使得待更新层的学习率与梯度相匹配,从而,可以有效利用梯度值更新待更新层的权重。
可选的,可以利用待更新层中的全部或者部分权重的当前权重值,确定待更新层的尺度因子。
在本实施例中,可以根据梯度和当前权重,确定尺度因子。至于如何根据第一梯度值和当前权重,确定尺度因子,可以通过多种方式实现。
作为示例,可以先确定待更新层的当前权重值的平方和,然后将上述平方和的算术平方根与第一梯度值的平方的比值,确定为尺度因子。
步骤404,根据待更新层的尺度因子和待更新层的学习率,生成待更新层的尺度变换后学习率。
作为示例,可以将上述尺度因子与上述学习率的乘积,确定为上述尺度变换后学习率。
作为示例,可以将上述尺度因子的平方与上述学习率的乘积,确定为尺度变换后学习率。
需要说明的是,神经网络的输出结果的误差在传播到待更新层的时候,波动范围可能会比较大。对于待更新层来说,当梯度与权重之间相差较大时,利用梯度更新权重,梯度将不能起到应有的作用。在本实施例中,根据待更新层的当前权重和梯度,确定尺度因子;再由尺度因子和预设的学习率,生成待更新层的尺度变换学习率。由此,可以在利用尺度变换学习率更新当前权重的时候,将梯度和尺度变换后学习率的组合拉到与当前权重值差距不大的范围内,可以利用梯度有效更新权重。并且,以待更新层为单位确定尺度因子,需要确定的尺度因子的个数相对较少,模型生成速度较快。
步骤405,根据待更新层的尺度变换后学习率和待更新层的权重的当前权重值以及第一梯度值,生成待更新层的权重的新权重值。
在本实施例中,步骤405可以通过各种方式实现。作为示例,步骤405可以通过以下方式实现:对于待更新层的权重,计算上述待更新层的尺度变换后学习率与上述第一梯度值的乘积;然后,将上述该权重的当前权重值与上述乘积的差,确定为该权重的新权重值;从而,可以实现更新待更新层中的权重。
本实施例中步骤401的实现细节和技术效果可以参考步骤201中的描述,在此不再赘述。
从图4中可以看出,与图2对应的实施例相比,本实施例中的模型生成方法的流程400突出了以待更新层为粒度确定梯度值进而确定待更新层的尺度变换后学习率以及以待更新层为粒度更新权重的步骤。由此,本实施例描述的方案,技术效果至少可以包括:提供了一种新的模型生成方式。
进一步参考图5,其示出了模型生成方法的又一个实施例的流程500。该模型生成方法的流程500,包括以下步骤:
步骤501,获取待训练模型的学习率。
在本实施例中,模型生成方法的执行主体(例如图1所示的终端设备)可以获取待训练模型的学习率。
步骤502,将待训练模型的待更新权重的梯度值,确定为第二梯度值。
在本实施例中,上述执行主体可以将上述待训练模型的待更新权重的梯度值,确定为第二梯度值。
步骤503,基于第二梯度值和待更新权重的当前权重值,确定待更新权重的尺度因子。
在本实施例中,上述执行主体可以基于上述第二梯度值和待更新权重的当前权重值,确定待更新权重的尺度因子。
在本实施例中,待训练模型的任一权重都可以作为待更新权重,可以以权重为粒度,确定梯度值。
在一些实施例中,可以通过求偏导,确定待更新权重的梯度值。
在一些实施例中,待更新权重所在的待更新层包括至少两个权重,
步骤503可以通过以下方式实现:根据上述至少两个权重的权重值和上述第二梯度值,确定上述待更新权重的尺度因子。
步骤504,根据待更新权重的尺度因子和待更新权重所在待更新层的学习率,生成待更新权重的尺度变换后学习率。
在本实施例中,上述执行主体可以根据上述待更新权重的尺度因子和上述待更新权重所在待更新层的学习率,生成上述待更新权重的尺度变换后学习率。
作为示例,可以将上述待更新权重的尺度因子和上述待更新权重所在待更新层的学习率的乘积,确定为上述待更新权重的尺度变换后学习率。
需要说明的是,神经网络的输出结果的误差在传播到待更新权重的时候,波动范围可能会比较大。对于待更新权重来说,以待更新权重为粒度确定尺度变换后学习率,可以在利用梯度更新权重的时候,,将梯度和尺度变换后学习率的组合拉到与当前权重值差距不大的范围内,可以利用梯度有效更新权重。并且,以待更新权重为粒度确定尺度变换后学习率,可以针对每个待更新权重精确确定适合的尺度变换后学习率,从而,实现精准更新权重,提高训练后的模型的准确度。
步骤505,根据待更新权重的尺度变换后学习率、待更新权重的当前权重值和第二梯度值,生成待更新权重的新权重。
在本实施例中,步骤505可以通过各种方式实现。作为示例,步骤505可以通过以下方式实现:对于待更新权重,计算上述待更新权重的尺度变换后学习率与上述第二梯度值的乘积;然后,将上述待更新权重的当前权重值与上述乘积的差,确定为待更新权重的新权重值;从而,可以实现待更新权重。
本实施例中步骤501的实现细节和技术效果可以参考步骤201中的描述,在此不再赘述。
从图5中可以看出,与图2对应的实施例相比,本实施例中的模型生成方法的流程500突出了以待更新权重为粒度确定梯度值进而确定待更新权重的尺度变换后学习率以及以待更新权重为粒度更新权重的步骤。由此,本实施例描述的方案,技术效果至少可以包括:提供了一种新的模型生成方式。
进一步参考图6,作为对上述各图所示方法的实现,本公开提供了一种模型生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的模型生成装置600包括:获取单元601、确定单元602、生成单元603和更新单元604。其中,获取单元,被配置成获取待训练模型的学习率;确定单元,被配置成基于上述待训练模型的梯度值,确定尺度因子;生成单元,被配置成根据上述尺度因子和上述学习率,生成尺度变换后学习率;更新单元,被配置成基于上述尺度变换后学习率,更新上述待训练模型的权重。
在本实施例中,模型生成装置600的:获取单元601、确定单元602、生成单元603和更新单元604的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述确定单元,还被配置成:将上述待训练模型的待更新层的梯度值,确定为第一梯度值;根据上述第一梯度值和上述待更新层中的权重的当前权重值,确定上述待更新层的尺度因子。
在本实施例的一些可选的实现方式中,上述生成单元,还被配置成:根据上述待更新层的尺度因子和上述待更新层的学习率,生成上述待更新层的尺度变换后学习率;以及上述更新单元,还被配置成:根据上述待更新层的尺度变换后学习率、上述待更新层的权重的当前权重值和上述第一梯度值,生成上述待更新层的权重的新权重值。
在本实施例的一些可选的实现方式中,上述确定单元,还被配置成:将上述待训练模型的待更新权重的梯度值,确定为第二梯度值;基于上述第二梯度值和待更新权重的当前权重值,确定上述待更新权重的尺度因子。
在本实施例的一些可选的实现方式中,上述生成单元,还被配置成:根据上述待更新权重的尺度因子和上述待更新权重所在待更新层的学习率,生成上述待更新权重的尺度变换后学习率;以及上述更新单元,还被配置成:根据上述待更新权重的尺度变换后学习率、上述待更新权重的当前权重值和上述第二梯度值,生成上述待更新权重的新权重。
在本实施例的一些可选的实现方式中,上述待更新权重所在的待更新层包括至少两个权重;以及上述确定单元,还被配置成:根据上述至少两个权重的权重值和上述第二梯度值,确定上述待更新权重的尺度因子。
在本实施例的一些可选的实现方式中,上述生成单元,还被配置成:将上述尺度因子与上述学习率的乘积,确定为上述尺度变换后学习率。
在本实施例的一些可选的实现方式中,上述更新单元,还被配置成:将尺度变换后学习率与梯度值的乘积,确定为权重变量;将待更新权重的当前权重值与上述权重变量的差值,确定为待更新权重的新权重值。
在本实施例的一些可选的实现方式中,学习率在上述待训练模型的训练过程中根据迭代次数而改变。
需要说明的是,本公开实施例提供的模型生成装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明,在此不再赘述。
下面参考图7,其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端或服务器)700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图7所示,电子设备700可以包括处理装置(例如中央处理器、图形处理器等)701,其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常,以下装置可以连接至I/O接口705:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置706;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707;包括例如磁带、硬盘等的存储装置708;以及通信装置709。通信装置709可以允许电子设备700与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备700,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置709从网络上被下载和安装,或者从存储装置708被安装,或者从ROM 702被安装。在该计算机程序被处理装置701执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待训练模型的学习率;基于上述待训练模型的梯度值,确定尺度因子;根据上述尺度因子和上述学习率,生成尺度变换后学习率;基于上述尺度变换后学习率,更新上述待训练模型的权重。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码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)。
附图中的流程图和框图,图示了按照本公开各种实施例的系统、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、或代码的一部分,该模块、程序段、或代码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。也应当注意,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,两个接连地表示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操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。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待训练模型的学习率的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。