CN110580520A - 基于超网络的模型结构采样、装置以及电子设备 - Google Patents
基于超网络的模型结构采样、装置以及电子设备 Download PDFInfo
- Publication number
- CN110580520A CN110580520A CN201910861008.XA CN201910861008A CN110580520A CN 110580520 A CN110580520 A CN 110580520A CN 201910861008 A CN201910861008 A CN 201910861008A CN 110580520 A CN110580520 A CN 110580520A
- Authority
- CN
- China
- Prior art keywords
- neighbor model
- model structure
- neighbor
- network
- structures
- 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.)
- Pending
Links
- 238000005070 sampling Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 35
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 5
- 230000015654 memory Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本申请公开了一种基于超网络的模型结构采样方法、装置以及电子设备。涉及神经网络搜索领域。具体实现方案为:获取超网络中初始化的模型结构;迭代更新初始化的模型结构的参数,得到第一个邻居模型结构;根据第一个邻居模型结构的参数进行循环迭代更新,直至满足超网络的收敛条件的情况下,得到第N个邻居模型结构,N大于或等于2;将第一个邻居模型结构至第N个邻居模型结构作为采样模型结构。提出了邻居模型结构进行迭代的采样策略,能够保证参数共享。将每次迭代更新得到的邻居模型结构作为采样模型结构,更新一次超网络的参数,使得超网络的参数能够满足搜索空间中所有的模型结构,且使得这些模型结构的性能都较好。
Description
技术领域
本申请涉及一种计算机视觉领域,尤其涉及一种神经网络搜索领域。
背景技术
深度学习技术在很多方向上都取得了巨大的成功,最近几年NAS技术(NeuralArchitecture Search,神经网络架构搜索)成为研究热点。NAS是用算法代替繁琐的人工操作,在海量的搜索空间中自动搜索出最佳的神经网络架构。超网络的核心思想是通过参数共享的方式,可以同时训练大量网络结构,无需对每一个网络结构进行训练。通过评估模型在超网络的性能,来选择最优的模型结构。采样策略对于基于超网络的搜索非常重要。在模型结构自动搜索的时候,基于采样策略会训练得到一组超网络的参数,模型结构在超网络的参数下的性能指标会作为模型选择的标准。然而,如果采样策略不合适,导致模型结构在根据不合适的采样策略得到的超网络的参数下的性能较差,最终导致基于训练超网络的参数得到的模型结构的性能与直接训练该网络参数得到的网络性能并不一致。
目前,采用基于随机算法的采样策略,每次迭代的时候,随机选取超网络的链路,即随机选取一个网络模型,网络模型对应的各个参数也是随机获取。然而,对于每次迭代,由于完全没有重合的参数,导致在超网络参数反向传播的时候,无法实现参数共享,导致所有的网络模型的性能整体较差。
发明内容
本申请实施例提供一种基于超网络的模型结构采样方法、装置以及电子设备,以解决现有技术中的一个或多个技术问题。
第一方面,本申请实施例提供了一种基于超网络的模型结构采样方法,包括:
获取超网络中初始化的模型结构;
迭代更新初始化的模型结构的参数,得到第一个邻居模型结构;
根据第一个邻居模型结构的参数进行循环迭代更新,直至满足超网络的收敛条件的情况下,得到第N个邻居模型结构,N大于或等于2;
将第一个邻居模型结构至第N个邻居模型结构作为采样模型结构。
在本实施方式中,提出了邻居模型结构进行迭代的采样策略,邻居模型结构之间的连接方式中,只有少量操作选择不同,能够保证参数共享。将每次迭代更新得到的邻居模型结构作为采样模型结构,更新一次超网络的参数,使得超网络的参数能够满足搜索空间中所有的模型结构,且使得这些模型结构的性能都较好。
在一种实施方式中,还包括:
从第一个邻居模型结构至第N个邻居模型结构中,连续选择多组邻居模型结构,每组邻居模型结构包括M个邻居模型结构,M大于或等于1;
获取每组邻居模型结构对应的至少一个梯度,并根据至少一个梯度计算每组邻居模型结构对应的平均梯度;
利用每组邻居模型结构对应的平均梯度更新一次超网络的参数。
在本实施方式中,利用每组邻居模型结构对应的平均梯度更新一次超网络的参数,直至超网络收敛,停止更新,能够提高超网络的参数的准确率。
在一种实施方式中,还包括:
从第一个邻居模型结构至第N个邻居模型结构中,连续选择多组邻居模型结构,相邻两组邻居模型结构中的邻居模型结构的个数均相差第一阈值个数;
获取每组邻居模型结构对应的至少一个梯度,并根据至少一个梯度计算每组邻居模型结构对应的平均梯度;
利用每组邻居模型结构对应的平均梯度更新一次超网络的参数。
在本实施方式中,由于每组邻居模型结构的个数递减,对应的平均梯度也递减,进而利用递减的平均梯度更新超网络的参数。不仅能够提高超网络的参数的准确率,还能够提高收敛速度,加快超网络的收敛。
在一种实施方式中,相邻的两个邻居模型结构之间包含有第二阈值个数的相同参数。
在本实施方式中,第二阈值个数较大,相邻的两个邻居模型结构之间相同的参数较多,保证了大部分参数共享。
第二方面,本申请实施例提供了一种基于超网络的模型结构采样装置,包括:
初始化模型获取模块,用于获取超网络中初始化的模型结构;
邻居模型获取模块,用于迭代更新初始化的模型结构的参数,得到第一个邻居模型结构;
迭代更新模块,用于根据第一个邻居模型结构的参数进行循环迭代更新,直至满足超网络的收敛条件的情况下,得到第N个邻居模型结构,N大于或等于2;
采样模型确定模块,用于将第一个邻居模型结构至第N个邻居模型结构作为采样模型结构。
在一种实施方式中,还包括:
第一邻居模型选择模块,用于从第一个邻居模型结构至第N个邻居模型结构中,连续选择多组邻居模型结构,每组邻居模型结构包括M个邻居模型结构,M大于或等于1;
平均梯度计算模块,用于获取每组邻居模型结构对应的至少一个梯度,并根据至少一个梯度计算每组邻居模型结构对应的平均梯度;
超网络参数更新模块,用于利用每组邻居模型结构对应的平均梯度更新一次超网络的参数。
在一种实施方式中,还包括:
第二邻居模型选择模块,用于从第一个邻居模型结构至第N个邻居模型结构中,连续选择多组邻居模型结构,相邻两组邻居模型结构中的邻居模型结构的个数均相差第一阈值个数;
平均梯度计算模块,用于获取每组邻居模型结构对应的至少一个梯度,并根据至少一个梯度计算每组邻居模型结构对应的平均梯度;
超网络参数更新模块,利用每组邻居模型结构对应的平均梯度更新一次超网络的参数。
上述申请中的一个实施例具有如下优点或有益效果:因为采用邻居模型结构进行迭代的采样策略,所以克服了传统基于随机采样策略的参数无法共享,导致训练得到的超网络的模型结构的性能较差的技术问题,进而达到采样模型结构参数共享,明显改善了超网络的模型结构的性能的技术效果。
上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案,不构成对本申请的限定。其中:
图1是根据本申请实施例提供的一种基于超网络的模型结构采样方法流程示意图;
图2是根据本申请实施例的一种邻居模型结构场景图;
图3是根据本申请实施例的另一种邻居模型结构场景图;
图4是根据本申请实施例的另一种邻居模型结构场景图;
图5是根据本申请实施例提供的另一种基于超网络的模型结构采样方法流程示意图;
图6是根据本申请实施例提供的一种基于超网络的模型结构采样装置结构框图;
图7是根据本申请实施例提供的另一种基于超网络的模型结构采样装置结构框图;
图8是用来实现本申请实施例的一种基于超网络的模型结构采样方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明,其中包括本申请实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本申请的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
实施例一
在一种具体实施方式中,如图1所示,本申请实施例提供了一种基于超网络的模型结构采样方法,包括:
步骤S10:获取超网络中初始化的模型结构;
步骤S20:迭代更新初始化的模型结构的参数,得到第一个邻居模型结构;
步骤S30:根据第一个邻居模型结构的参数进行循环迭代更新,直至满足超网络的收敛条件的情况下,得到第N个邻居模型结构,N大于或等于2;
步骤S40:将第一个邻居模型结构至第N个邻居模型结构作为采样模型结构。
在一种示例中,卷积神经网络可以包括输入层、卷积层、池化层、全连接层、输出层。卷积层的功能是对输入数据进行特征提取,其内部包含多个卷积核,上一层中的每个特征图与每个卷积核做卷积,都会产生下一层的一个特征图。有多少个卷积核,经过卷积就会产生多少个特征图。卷积层的参数包括卷积核大小、步长和填充,三者共同决定了卷积层输出特征图的尺寸。卷积核都对应一个权重系数和一个偏差量。卷积神经网络中特征图同一通道内的所有像素共享一组卷积核权重系数,该性质被称为权重共享,即参数共享。
如图2、图3和图4为例进行说明。多个卷积核可以用多个OP(操作,Opration)表示,包括OP_1……OP_N。OP_1可以表示可选择的第1个操作,比如OP_1表示卷积核大小为3*3,卷积通道数输入和输出分别为256和512,卷积步长为1的卷积。OP_2表示可选择的第2个操作,OP_2表示卷积核大小为5*5,卷积通道数输入和输出分别为256和512,卷积步长为1的卷积。第1层特征图经过OP_1……OP_N中任一个操作,均能产生第二层特征图。可以选择如图2所示的第一连接作为初始化的模型结构,当然也可以是其它连接方式的模型结构,不做具体限定。第一连接包括每两层特征图之间的OP_1,初始化的模型结构的参数包括三个OP_1对应卷积核的参数。在进行采样时,并不采用随机采样的方式,而是首先对选择的初始化的模型结构进行迭代更新,得到第一个邻居模型结构。第一个邻居模型结构可以是如图3所示的第二连接。第二连接和第一连接之间只有第一层的操作选择不同。然后,对第一个邻居模型结构的参数进行循环迭代更新,得到第二个邻居模型结构。第二个邻居模型结构可以是如图4所示的第三连接。第三连接和第二连接之间也只有第二层的操作选择不同。最后,将迭代产生的各个邻居模型结构作为采样模型结构。需要指出的是,满足超网络的收敛条件可以包括满足了预设的迭代次数,负梯度降低到很小的情况,或者参数更新后的输出和输入相差较小的情况等。
本实施方式提出了邻居模型结构进行迭代的采样策略,邻居模型结构之间的连接方式中,只有少量操作选择不同,能够保证参数共享。将每次迭代更新得到的邻居模型结构作为采样模型结构,更新一次超网络的参数,使得超网络的参数能够满足搜索空间中所有的模型结构,且使得这些模型结构的性能都较好。
在一种实施方式中,如图5所示,还包括:
步骤S51:从第一个邻居模型结构至第N个邻居模型结构中,连续选择多组邻居模型结构,每组邻居模型结构包括M个邻居模型结构,M大于或等于1;
步骤S60:获取每组邻居模型结构对应的至少一个梯度,并根据至少一个梯度计算每组邻居模型结构对应的平均梯度;
步骤S70:利用每组邻居模型结构对应的平均梯度更新一次超网络的参数。
在一种示例中,可以在每得到一个邻居模型结构,就利用此邻居模型结构更新一次超网络的参数,直至满足超网络的收敛条件下,停止采样,停止更新超网络的参数。还可以根据反向传播得到的第一个邻居模型结构的梯度、第二邻居模型结构的梯度……以及第M个邻居模型结构的梯度,计算M个梯度的平均梯度,利用平均梯度更新一次超网络的参数。以M=3为例说明,连续选多组邻居模型结构,每组包括3个邻居模型结构。第一组包括第一个邻居模型结构至第三个邻居模型结构。第二组包括第四个邻居模型结构至第六个邻居模型结构。以此类推,连续选择多组邻居模型结构。获取反向传播得到的每个邻居模型结构的梯度,计算每组邻居模型结构对应的平均梯度。利用每组邻居模型结构对应的平均梯度更新一次超网络的参数,直至超网络收敛,停止更新。本实施方式提供的更新超网络的参数的方式,能够提高超网络的参数的准确率。
在一种示例中,如图5所示,还包括:
步骤S52:从第一个邻居模型结构至第N个邻居模型结构中,连续选择多组邻居模型结构,相邻两组邻居模型结构中的邻居模型结构的个数均相差第一阈值个数;
步骤S60:获取每组邻居模型结构对应的至少一个梯度,并根据至少一个梯度计算每组邻居模型结构对应的平均梯度;
步骤S70:利用每组邻居模型结构对应的平均梯度更新一次超网络的参数。
在一种示例中,第一阈值个数可以大于或等于1。以第一阈值个数为2为例进行说明。连续选多组邻居模型结构,每组包括的邻居模型结构个数相差2。例如,第一组邻居模型结构包括10个邻居模型结构,可以选第一个邻居模型结构至第十个邻居模型结构。第二组邻居模型结构包括8个邻居模型结构,可以选第十一个邻居模型结构至第十八个邻居模型结构。第三组邻居模型结构包括6个邻居模型结构,可以选第十九个邻居模型结构至第二十四个邻居模型结构。以此类推,直至最后一组中的邻居模型结构个数为1个。获取反向传播得到的每个邻居模型结构的梯度,计算每组邻居模型结构对应的平均梯度。利用每组邻居模型结构对应的平均梯度更新一次超网络的参数,直至超网络收敛,停止更新。本实施方式提供的更新超网络的参数的方式,不仅能够提高超网络的参数的准确率,还能够提高收敛速度,加快超网络的收敛。
在一种实施方式中,相邻的两个邻居模型结构之间包含有第二阈值个数的相同参数。
在一种示例中,在超网络中,每个邻居模型结构对应一种连接方式,如图3和如图4所示,两种连接方式之间相差一个不同的操作选择,即有一个参数不同,剩下的参数共享。当然,相邻的邻居模型结构之间还可以相差两个、三个等少量的不同的参数,第二阈值个数较大,保证了大部分参数共享。利用参数共享下得到的采样模型结构更新超网络的参数,使得超网络的参数能够满足搜索空间中所有的模型结构,且使得这些模型结构的性能都较好。
实施例二
在另一种具体实施方式中,如图6所示,提供了一种基于超网络的模型结构采样装置100,包括:
初始化模型获取模块110,用于获取超网络中初始化的模型结构;
邻居模型获取模块120,用于迭代更新初始化的模型结构的参数,得到第一个邻居模型结构;
迭代更新模块130,用于根据第一个邻居模型结构的参数进行循环迭代更新,直至满足超网络的收敛条件的情况下,得到第N个邻居模型结构,N大于或等于2;
采样模型确定模块140,用于将第一个邻居模型结构至第N个邻居模型结构作为采样模型结构。
在一种实施方式中,如图7所示,基于超网络的模型结构采样装置200,包括:
第一邻居模型选择模块151,用于从第一个邻居模型结构至第N个邻居模型结构中,连续选择多组邻居模型结构,每组邻居模型结构包括M个邻居模型结构,M大于或等于1;
平均梯度计算模块160,用于获取每组邻居模型结构对应的至少一个梯度,并根据至少一个梯度计算每组邻居模型结构对应的平均梯度;
超网络参数更新模块170,用于利用每组邻居模型结构对应的平均梯度更新一次超网络的参数。
在一种实施方式中,如图7所示,基于超网络的模型结构采样装置200,包括:
第二邻居模型选择模块152,用于从第一个邻居模型结构至第N个邻居模型结构中,连续选择多组邻居模型结构,相邻两组邻居模型结构中的邻居模型结构的个数均相差第一阈值个数;
平均梯度计算模块160,用于获取每组邻居模型结构对应的至少一个梯度,并根据至少一个梯度计算每组邻居模型结构对应的平均梯度;
超网络参数更新模块170,利用每组邻居模型结构对应的平均梯度更新一次超网络的参数。
根据本申请的实施例,本申请还提供了一种电子设备和一种可读存储介质。
如图8所示,是根据本申请实施例的一种基于超网络的模型结构采样方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示,该电子设备包括:一个或多个处理器801、存储器802,以及用于连接各部件的接口,包括高速接口和低速接口。各个部件利用不同的总线互相连接,并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理,包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如,耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface,GUI)的图形信息的指令。在其它实施方式中,若需要,可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样,可以连接多个电子设备,各个设备提供部分必要的操作(例如,作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图8中以一个处理器801为例。
存储器802即为本申请所提供的非瞬时计算机可读存储介质。其中,存储器存储有可由至少一个处理器执行的指令,以使至少一个处理器执行本申请所提供的一种基于超网络的模型结构采样方法。本申请的非瞬时计算机可读存储介质存储计算机指令,该计算机指令用于使计算机执行本申请所提供的一种基于超网络的模型结构采样方法。
存储器802作为一种非瞬时计算机可读存储介质,可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块,如本申请实施例中的一种基于超网络的模型结构采样方法对应的程序指令/模块(例如,附图6所示的初始化模型获取模块110、邻居模型获取模块120、迭代更新模块130和采样模型确定模块140)。处理器801通过运行存储在存储器802中的非瞬时软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例中的一种基于超网络的模型结构采样方法。
存储器802可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据一种基于超网络的模型结构采样的电子设备的使用所创建的数据等。此外,存储器802可以包括高速随机存取存储器,还可以包括非瞬时存储器,例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中,存储器802可选包括相对于处理器801远程设置的存储器,这些远程存储器可以通过网络连接至一种基于超网络的模型结构采样的电子设备。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。
一种基于超网络的模型结构采样的方法的电子设备还可以包括:输入装置803和输出装置804。处理器801、存储器802、输入装置803和输出装置804可以通过总线或者其他方式连接,图8中以通过总线连接为例。
输入装置803可接收输入的数字或字符信息,以及产生与一种基于超网络的模型结构采样的电子设备的用户设置以及功能控制有关的键信号输入,例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置804可以包括显示设备、辅助照明装置(例如,LED)和触觉反馈装置(例如,振动电机)等。该显示设备可以包括但不限于,液晶显示器(Liquid Cr8stal Displa8,LCD)、发光二极管(Light Emitting Diode,LED)显示器和等离子体显示器。在一些实施方式中,显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits,ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令,并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的,术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如,磁盘、光盘、存储器、可编程逻辑装置(programmable logic device,PLD)),包括,接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(Cathode Ray Tube,阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(Local Area Network,LAN)、广域网(Wide Area Network,WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
根据本申请实施例的技术方案,将每次迭代更新得到的邻居模型结构作为采样模型结构,更新一次超网络的参数,使得超网络的参数能够满足搜索空间中所有的模型结构,且使得这些模型结构的性能都较好。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本申请公开的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本申请保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等,均应包含在本申请保护范围之内。
Claims (9)
1.一种基于超网络的模型结构采样方法,其特征在于,包括:
获取超网络中初始化的模型结构;
迭代更新所述初始化的模型结构的参数,得到第一个邻居模型结构;
根据所述第一个邻居模型结构的参数进行循环迭代更新,直至满足超网络的收敛条件的情况下,得到第N个邻居模型结构,N大于或等于2;
将所述第一个邻居模型结构至所述第N个邻居模型结构作为采样模型结构。
2.根据权利要求1所述的方法,其特征在于,还包括:
从所述第一个邻居模型结构至所述第N个邻居模型结构中,连续选择多组邻居模型结构,每组邻居模型结构包括M个邻居模型结构,M大于或等于1;
获取每组邻居模型结构对应的至少一个梯度,并根据所述至少一个梯度计算每组邻居模型结构对应的平均梯度;
利用每组邻居模型结构对应的平均梯度更新一次所述超网络的参数。
3.根据权利要求1所述的方法,其特征在于,还包括:
从所述第一个邻居模型结构至所述第N个邻居模型结构中,连续选择多组邻居模型结构,相邻两组邻居模型结构中的邻居模型结构的个数均相差第一阈值个数;
获取每组邻居模型结构对应的至少一个梯度,并根据所述至少一个梯度计算每组邻居模型结构对应的平均梯度;
利用每组邻居模型结构对应的平均梯度更新一次所述超网络的参数。
4.根据权利要求1至3任一项所述的方法,其特征在于,相邻的两个所述邻居模型结构之间包含有第二阈值个数的相同参数。
5.一种基于超网络的模型结构采样装置,其特征在于,包括:
初始化模型获取模块,用于获取超网络中初始化的模型结构;
邻居模型获取模块,用于迭代更新所述初始化的模型结构的参数,得到第一个邻居模型结构;
迭代更新模块,用于根据所述第一个邻居模型结构的参数进行循环迭代更新,直至满足超网络的收敛条件的情况下,得到第N个邻居模型结构,N大于或等于2;
采样模型确定模块,用于将所述第一个邻居模型结构至第N个邻居模型结构作为采样模型结构。
6.根据权利要求5所述的装置,其特征在于,还包括:
第一邻居模型选择模块,用于从所述第一个邻居模型结构至所述第N个邻居模型结构中,连续选择多组邻居模型结构,每组邻居模型结构包括M个邻居模型结构,M大于或等于1;
平均梯度计算模块,用于获取每组邻居模型结构对应的至少一个梯度,并根据所述至少一个梯度计算每组邻居模型结构对应的平均梯度;
超网络参数更新模块,用于利用每组邻居模型结构对应的平均梯度更新一次所述超网络的参数。
7.根据权利要求5所述的装置,其特征在于,还包括:
第二邻居模型选择模块,用于从所述第一个邻居模型结构至所述第N个邻居模型结构中,连续选择多组邻居模型结构,相邻两组邻居模型结构中的邻居模型结构的个数均相差第一阈值个数;
平均梯度计算模块,用于获取每组邻居模型结构对应的至少一个梯度,并根据所述至少一个梯度计算每组邻居模型结构对应的平均梯度;
超网络参数更新模块,利用每组邻居模型结构对应的平均梯度更新一次所述超网络的参数。
8.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-4中任一项所述的方法。
9.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910861008.XA CN110580520A (zh) | 2019-09-11 | 2019-09-11 | 基于超网络的模型结构采样、装置以及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910861008.XA CN110580520A (zh) | 2019-09-11 | 2019-09-11 | 基于超网络的模型结构采样、装置以及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110580520A true CN110580520A (zh) | 2019-12-17 |
Family
ID=68812899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910861008.XA Pending CN110580520A (zh) | 2019-09-11 | 2019-09-11 | 基于超网络的模型结构采样、装置以及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110580520A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275172A (zh) * | 2020-01-21 | 2020-06-12 | 复旦大学 | 一种基于搜索空间优化的前馈神经网络结构搜索方法 |
CN111278085A (zh) * | 2020-02-24 | 2020-06-12 | 北京百度网讯科技有限公司 | 用于获取目标网络的方法及装置 |
CN111327472A (zh) * | 2020-02-24 | 2020-06-23 | 北京百度网讯科技有限公司 | 用于获取目标网络的方法及装置 |
CN111368973A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 用于训练超网络的方法和装置 |
CN111523665A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 超网络参数更新方法、装置和电子设备 |
CN111523639A (zh) * | 2020-04-09 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于训练超网络的方法和装置 |
CN111680599A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 人脸识别模型处理方法、装置、设备和存储介质 |
-
2019
- 2019-09-11 CN CN201910861008.XA patent/CN110580520A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275172A (zh) * | 2020-01-21 | 2020-06-12 | 复旦大学 | 一种基于搜索空间优化的前馈神经网络结构搜索方法 |
CN111275172B (zh) * | 2020-01-21 | 2023-09-01 | 复旦大学 | 一种基于搜索空间优化的前馈神经网络结构搜索方法 |
CN111327472B (zh) * | 2020-02-24 | 2022-08-02 | 北京百度网讯科技有限公司 | 用于获取目标网络的方法及装置 |
CN111278085A (zh) * | 2020-02-24 | 2020-06-12 | 北京百度网讯科技有限公司 | 用于获取目标网络的方法及装置 |
CN111327472A (zh) * | 2020-02-24 | 2020-06-23 | 北京百度网讯科技有限公司 | 用于获取目标网络的方法及装置 |
CN111368973A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 用于训练超网络的方法和装置 |
CN111368973B (zh) * | 2020-02-25 | 2023-09-08 | 北京百度网讯科技有限公司 | 用于训练超网络的方法和装置 |
CN111523639A (zh) * | 2020-04-09 | 2020-08-11 | 北京百度网讯科技有限公司 | 用于训练超网络的方法和装置 |
CN111523639B (zh) * | 2020-04-09 | 2024-07-23 | 南京图叶信息科技有限公司 | 用于训练超网络的方法和装置 |
CN111523665A (zh) * | 2020-04-23 | 2020-08-11 | 北京百度网讯科技有限公司 | 超网络参数更新方法、装置和电子设备 |
CN111523665B (zh) * | 2020-04-23 | 2024-02-13 | 北京百度网讯科技有限公司 | 超网络参数更新方法、装置和电子设备 |
CN111680599A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 人脸识别模型处理方法、装置、设备和存储介质 |
CN111680599B (zh) * | 2020-05-29 | 2023-08-08 | 北京百度网讯科技有限公司 | 人脸识别模型处理方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110580520A (zh) | 基于超网络的模型结构采样、装置以及电子设备 | |
CN110795569B (zh) | 知识图谱的向量表示生成方法、装置及设备 | |
CN111667057B (zh) | 用于搜索模型结构的方法和装置 | |
CN110633797B (zh) | 网络模型结构的搜索方法、装置以及电子设备 | |
CN111582479B (zh) | 神经网络模型的蒸馏方法和装置 | |
KR20210108906A (ko) | 점군 데이터 처리방법, 장치, 전자기기 및 판독 가능 기록매체 | |
CN111275190B (zh) | 神经网络模型的压缩方法及装置、图像处理方法及处理器 | |
CN112559870B (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
CN111582454A (zh) | 生成神经网络模型的方法和装置 | |
CN110826634A (zh) | 目标检测模型的训练方法、装置、电子设备及存储介质 | |
CN110569969A (zh) | 网络模型结构的采样方法、装置以及电子设备 | |
CN111914994B (zh) | 多层感知机的生成方法、装置、电子设备及存储介质 | |
CN110569972A (zh) | 超网络的搜索空间构建方法、装置以及电子设备 | |
CN110826696A (zh) | 超网络的搜索空间构建方法、装置以及电子设备 | |
CN111563593A (zh) | 神经网络模型的训练方法和装置 | |
CN111695698A (zh) | 用于模型蒸馏的方法、装置、电子设备及可读存储介质 | |
CN111582452A (zh) | 生成神经网络模型的方法和装置 | |
CN111967591B (zh) | 神经网络自动剪枝方法、装置及电子设备 | |
CN111652354B (zh) | 用于训练超网络的方法、装置、设备以及存储介质 | |
CN111640103B (zh) | 图像检测方法、装置、设备以及存储介质 | |
CN111882035A (zh) | 基于卷积核的超网络搜索方法、装置、设备和介质 | |
CN111680600A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
CN111680597A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
CN111783950A (zh) | 基于超网络的模型获取方法、装置、设备及存储介质 | |
CN112580723B (zh) | 多模型融合方法、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 |