CN110782016A - 用于优化神经网络架构搜索的方法和装置 - Google Patents
用于优化神经网络架构搜索的方法和装置 Download PDFInfo
- Publication number
- CN110782016A CN110782016A CN201911024465.XA CN201911024465A CN110782016A CN 110782016 A CN110782016 A CN 110782016A CN 201911024465 A CN201911024465 A CN 201911024465A CN 110782016 A CN110782016 A CN 110782016A
- Authority
- CN
- China
- Prior art keywords
- optimization scheme
- training
- sequence
- neural network
- scheme sequence
- 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
Images
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
- G06N3/044—Recurrent networks, e.g. Hopfield 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)
- Image Analysis (AREA)
Abstract
本公开的实施例公开了用于优化神经网络架构搜索的方法和装置。该方法的一具体实施方式包括:基于预定的优化器集合和学习率衰减方案集合生成搜索空间;基于搜索空间生成优化方案序列;基于优化方案序列执行训练步骤:基于优化方案序列训练待搜索的神经网络得到奖励;根据奖励更新优化方案序列;若训练次数达到预定上限或奖励不再增加达到预设的轮次,则结束训练并输出优化方案序列对应的优化器和学习率衰减方案;否则,基于调整后的优化方案序列继续执行上述训练步骤。该实施方式能够使得模型快速收敛,同时可以得到较优的模型精度。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于优化神经网络架构搜索的方法和装置。
背景技术
最近几年,深度学习技术在很多方向上都取得了巨大的成功,深度学习技术中,人工神经网络结构的好坏对最终模型的效果有非常重要的影响。手工设计网络拓扑结构需要非常丰富的经验和众多尝试,并且众多参数会产生爆炸性的组合,常规的随机搜索几乎不可行,因此最近几年神经网络架构搜索技术(Neural Architecture Search,简称NAS)成为研究热点。
NAS是用算法代替繁琐的人工操作,自动搜索出最佳的神经网络架构,一般NAS的几个关键要素包括搜索空间定义、搜索策略和搜索目标评估方法等。
深度学习技术中,不同的优化器对于模型的收敛速度级收敛精度影响很大。学习率的下降策略(包括初始学习率)对于优化器至关重要。模型的收敛速度以及模型最终的收敛精度受到学习率下降策略限制。当前主要的方式时通过人工设置学习率策略调整学习率,或是设置简单的学习率衰减规则来控制学习率。简单的学习率衰减策略,虽然不需要人工干预,但通常模型无法收敛到比较优的参数。人工设置学习率,非常依赖于人们的先验信息,对于新的任务没有合适的策略可以借鉴。此外,无论新旧任务,对于学习率的调参都非常繁琐,会消耗科研人员非常多的精力,同时会因为冗余的调试造成设备资源的浪费。
发明内容
本公开的实施例提出了用于优化神经网络架构搜索的方法和装置。
第一方面,本公开的实施例提供了一种用于优化神经网络架构搜索的方法,包括:基于预定的优化器集合和学习率衰减方案集合生成搜索空间;基于搜索空间生成优化方案序列;基于优化方案序列执行训练步骤:基于优化方案序列训练待搜索的神经网络得到奖励;根据奖励更新优化方案序列;若满足预设结束条件,则结束训练并输出优化方案序列对应的优化器和学习率衰减方案;否则,基于调整后的优化方案序列继续执行上述训练步骤。
在一些实施例中,基于搜索空间生成优化方案序列,包括:通过递归神经元网络基于搜索空间生成优化方案序列。
在一些实施例中,基于搜索空间生成优化方案序列,包括:通过进化算法基于搜索空间生成优化方案序列。
在一些实施例中,根据奖励更新优化方案序列,包括:由奖励对优化方案序列反向传播更新递归神经元网络,生成新的优化方案序列。
在一些实施例中,根据奖励更新优化方案序列,包括:通过更新算法中种群来更新优化方案序列。
在一些实施例中,该方法还包括:更新训练样本,利用优化方案序列对应的优化器和学习率衰减方案继续训练待搜索的神经网络。
在一些实施例中,预设结束条件包括以下至少一项:训练次数达到预定上限、所述奖励不再增加达到预设的轮次。
第二方面,本公开的实施例提供了一种用于优化神经网络架构搜索的装置,包括:搜索单元,被配置成基于预定的优化器集合和学习率衰减方案集合生成搜索空间;生成单元,被配置成基于搜索空间生成优化方案序列;训练单元,被配置成基于优化方案序列执行训练步骤:基于优化方案序列训练待搜索的神经网络得到奖励;根据奖励更新优化方案序列;若满足预设结束条件,则结束训练并输出优化方案序列对应的优化器和学习率衰减方案;循环单元,被配置成否则,基于调整后的优化方案序列继续执行上述训练步骤。
在一些实施例中,生成单元进一步被配置成:通过递归神经元网络基于搜索空间生成优化方案序列。
在一些实施例中,生成单元进一步被配置成:通过进化算法基于搜索空间生成优化方案序列。
在一些实施例中,训练单元进一步被配置成:由奖励对优化方案序列反向传播更新递归神经元网络,生成新的优化方案序列。
在一些实施例中,训练单元进一步被配置成:通过更新算法中种群来更新优化方案序列。
在一些实施例中,训练单元进一步被配置成:更新训练样本,利用优化方案序列对应的优化器和学习率衰减方案继续训练待搜索的神经网络。
在一些实施例中,预设结束条件包括以下至少一项:训练次数达到预定上限、所述奖励不再增加达到预设的轮次。
第三方面,本公开的实施例提供了一种用于优化神经网络架构搜索的电子设备,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,当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一的方法。
第四方面,本公开的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,程序被处理器执行时实现如第一方面中任一的方法。
本公开的实施例提供的用于优化神经网络架构搜索的方法和装置,将NAS进行推广用于解决优化器学习率的调优问题。旨在通过NAS找到优化器的最优学习率策略,通过该策略,模型可以快速收敛,同时可以得到较优的模型精度。解决了人工选择最适合优化器以及人工设计学习衰减策略繁琐的调参问题,同时解决了简单的学习率下降策略无法收敛到较优模型参数的问题。
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是本公开的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本公开的用于优化神经网络架构搜索的方法的一个实施例的流程图;
图3a、3b是根据本公开的用于优化神经网络架构搜索的方法的一个应用场景的示意图;
图4是根据本公开的用于优化神经网络架构搜索的装置的一个实施例的结构示意图;
图5是适于用来实现本公开的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用于优化神经网络架构搜索的方法或用于优化神经网络架构搜索的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,例如图像采集类应用、图像处理类应用、搜索类应用等。
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,可以是具有显示屏的各种电子设备,包括但不限于智能手机、平板电脑、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(例如用来提供图像采集服务),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,例如根据终端设备101、102、103上传的样本图像(例如,无人车所拍摄的街景图像)进行神经网络架构搜索的NAS服务器。NAS服务器可以对接收到的样本图像等数据进行分析等处理,生成神经网络模型反馈给终端设备。并可将终端设备上传的待识别图像进行处理,将处理结果(例如图像分割结果)反馈给终端设备。在NAS过程中,可先固定神经网络的结构参数,然后分阶段训练。每个阶段也分成多个批次,每个阶段初始时,可选择某个优化器和学习率衰减方案使用一个批次的样本进行训练,根据训练结果得到该阶段所需的优化器和学习率衰减方案。然后该阶段其它批次的样本训练时,可使用上述优化器和学习率衰减方案。等到下一阶段训练时,可在上一阶段优化器和学习率衰减方案的基础上继续训练出适用本阶段样本的优化器和学习率衰减方案。
需要说明的是,本公开实施例所提供的用于优化神经网络架构搜索的方法一般由服务器105执行,相应地,用于优化神经网络架构搜索的装置一般设置于服务器105中。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105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(例如用来提供图像分割服务),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。
继续参考图2,示出了根据本公开的用于优化神经网络架构搜索的方法的一个实施例的流程200。该用于优化神经网络架构搜索的方法,包括以下步骤:
步骤201,基于预定的优化器集合和学习率衰减方案集合生成搜索空间。
在本实施例中,用于优化神经网络架构搜索的方法的执行主体(例如图1所示的服务器)可以通过有线连接方式或者无线连接方式从用户利用其进行模型训练的终端接收优化器集合和学习率衰减方案集合。然后服务器从用户设置的优化器集合中任取一个和学习率衰减方案集合中任取一个级成一对组合,所有的优化器和学习率衰减方案的排列组合构建出搜索空间。优化器集合可包括:SGD(Stachastic gradient desent,随机梯度下降)优化器、Adam优化器等。学习率衰减方案集合可包括余弦衰减、指数衰减、倒数衰减等,还可包括具体的学习率的值,如0.05。
步骤202,基于搜索空间生成优化方案序列。
在本实施例中,可将搜索空间中任一对优化器和学习率衰减方案进行编码生成优化方案序列。例如,可用前2bit代表优化器(例如,00表示SGD,01表示Adam,10表示Momentum,11表示AdaGrad),后2bit代表学习率衰减方案(例如,00表示余弦衰减,01表示指数衰减,10表示倒数衰减)。这样0001就可表示为采用SGD优化器,学习率衰减方式为指数衰减。
在本实施例的一些可选的实现方式中,基于搜索空间生成优化方案序列,包括:通过递归神经元网络(recursive neural network)基于搜索空间生成优化方案序列。例如,可将优化器和学习率衰减方案作为长短期记忆(Long Short-Term Memory,LSTM)的输入生成优化方案序列。递归神经元网络可看作是一个控制器。
如图3b所示的框架中,控制器生成用于更新规则的字符串(优化方案序列),然后将其应用于网络,以估计更新规则的性能;然后使用该性能来更新控制器,使得控制器能够随着时间的推移生成改进的更新规则。
为了将控制器采样的优化方案序列映射到更新规则,我们设计了一种基于无括号符号的域专用语言,最常见的优化器的计算图可以表示为SIMPLE二进制表达式树,假设输入原语,如优化器或学习率衰减方案和基本一元和二元函数。
因此,可用一个优化方案序列来表示每个更新规则,该优化方案序列描述1)要选择的第一个操作数(1st operand,如优化器),2)要选择的第二个操作数(2nd operand,如学习率衰减方案),3)要应用于第一个操作数的一元函数(Unary ops,如取反、指数、对数等函数),4)要应用于第二个操作数的一元函数,5)要应用于合并一元函数输出的二元函数(Binary ops,如两个操作数的加、减、乘、除等函数)。然后,二进制函数的输出被临时存储在操作数库中(以便它可以在字符串的后续部分中被选择为操作数),或者用作如下的权重更新:
Δw=λ*b(u1(op1),u2(op2))
其中op1、op2、u1(.)、u2(.)和b(,.)是操作数、一元函数和与字符串对应的二元函数,w是我们希望优化的参数,λ是学习率。
控制器可以是一个递归神经网络,它对长度为5n的字符串(优化方案序列)进行采样,其中n是训练过程中的迭代次数。由于运算量随着迭代次数的增加而增加,我们在预测的每一步都使用不同的softmax权重。
控制器经过训练,使其采样更新规则在特定模型上的性能最大化。
如图3b所示,控制器迭代地选择长度为5的子序列。它首先选择第一个操作数和第二个操作数op1和op2,然后选择两个一元函数u1和u2应用于操作数,最后选择一个结合一元函数输出的二元函数b。由此产生的b(u1(op1),u2(op2))然后成为可在后续预测组中选择的操作数,或成为更新规则。每一个预测都由一个SoftMax分类器执行,然后作为输入输入到下一个时间步骤。
在本实施例的一些可选的实现方式中,基于搜索空间生成优化方案序列,包括:通过进化算法基于搜索空间生成优化方案序列。进化算法,或称“演化算法”(evolutionaryalgorithms,EAS)是一个“算法簇”,尽管它有很多的变化,有不同的遗传基因表达方式,不同的交叉和变异算子,特殊算子的引用,以及不同的再生和选择方法,但它们产生的灵感都来自于大自然的生物进化。与传统的基于微积分的方法和穷举法等优化算法相比,进化计算是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法,具有自组织、自适应、自学习的特性,能够不受问题性质的限制,有效地处理传统优化算法难以解决的复杂问题。进化计算包括遗传算法(Genetic Algorithms)、遗传规划(Genetic Programming)、进化策略(Evolution Strategies)和进化规划(Evolution Programming)4种典型方法。例如,可将优化器和学习率衰减方案通过遗传算法编码生成优化方案序列。
步骤203,基于优化方案序列训练待搜索的神经网络得到奖励。
在本实施例中,基于优化方案序列指示的优化器和学习率衰减方案对待搜索的神经网络进行训练得到奖励(reward)。奖励可以是分类任务的准确率。可对已经固定了网络结构参数(如,卷积层数等)的神经网络进行有监督训练。可在cifar-10数据集上训练。整个神经网张的训练过程可分为多个阶段。不同阶段可使用不同的优化器和学习率衰减方案组合。同一阶段可分为多个批次进行训练。对于每个阶段,可在该阶段的第一批次训练中执行步骤201-205得到优化器和学习率衰减方案,然后应用于该阶段其它批次的神经网络训练中。
步骤204,若不满足预设结束条件,根据奖励更新优化方案序列,基于调整后的优化方案序列继续执行步骤203。
在本实施例中,预设结束条件可包括但不限于训练次数达到预定上限、奖励不再增加达到预设的轮次。如果不预设结束条件,则需要更新优化方案序列后继续执行步骤203。例如,原来采用的是SGD优化器,学习率为0.05,经训练后奖励仍在增加,则可调整学习率为0.1后继续训练。
在本实施例的一些可选的实现方式中,如果通过递归神经元网络基于搜索空间生成优化方案序列,则由奖励对优化方案序列反向传播更新递归神经元网络,生成新的优化方案序列。
在本实施例的一些可选的实现方式中,如果通过进化算法基于搜索空间生成优化方案序列,则通过更新算法中种群来更新优化方案序列。
步骤205,若满足预设结束条件,则结束训练并输出优化方案序列对应的优化器和学习率衰减方案。
在本实施例中,若满足预设结束条件,则将当前使用的优化方案序列作为该阶段最优方案。通过解码,可从最优方案的优化方案序列解析出该阶段最优的优化器和学习率衰减方案组合。
继续参见图3a,图3a是根据本实施例的用于优化神经网络架构搜索的方法的应用场景的一个示意图。在图3的应用场景中,服务器接收到开发人员设置的优化器集合{SGD、adam...}和学习率衰减方案集合{指数衰减、余弦衰减...}后生成搜索空间。通过递归神经元网络生成了优化方案序列。根据优化方案序列指示的优化器和学习率衰减方案,使用训练样本集对神经网络进行有监督训练,得到奖励。根据奖励来调整递归神经元网络,得到新的优化方案序列,直到满足结束条件。
本公开的上述实施例提供的方法通过NAS找到优化器的最优学习率策略,通过该策略,模型可以快速收敛,同时可以得到较优的模型精度。
进一步参考图4,作为对上述各图所示方法的实现,本公开提供了一种用于优化神经网络架构搜索的装置的一个实施例,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4所示,本实施例的用于优化神经网络架构搜索的装置400包括:搜索单元401、生成单元402、训练单元403和循环单元404。其中,搜索单元401,被配置成基于预定的优化器集合和学习率衰减方案集合生成搜索空间;生成单元402,被配置成基于搜索空间生成优化方案序列;训练单元403,被配置成基于优化方案序列执行训练步骤:基于优化方案序列训练待搜索的神经网络得到奖励;若满足预设结束条件,则结束训练并输出优化方案序列对应的优化器和学习率衰减方案;循环单元404,被配置成若不满足预设结束条件,则根据奖励更新优化方案序列,基于调整后的优化方案序列继续执行上述训练步骤。
在本实施例中,用于优化神经网络架构搜索的装置400的搜索单元401、生成单元402、训练单元403和循环单元404的具体处理可以参考图2对应实施例中的步骤201、步骤202、步骤203、步骤204。
在本实施例的一些可选的实现方式中,生成单元402进一步被配置成:通过递归神经元网络基于搜索空间生成优化方案序列。
在本实施例的一些可选的实现方式中,生成单元402进一步被配置成:通过进化算法基于搜索空间生成优化方案序列。
在本实施例的一些可选的实现方式中,训练单元403进一步被配置成:由奖励对优化方案序列反向传播更新递归神经元网络,生成新的优化方案序列。
在本实施例的一些可选的实现方式中,训练单元403进一步被配置成:通过更新算法中种群来更新优化方案序列。
在本实施例的一些可选的实现方式中,预设结束条件包括以下至少一项:训练次数达到预定上限、奖励不再增加达到预设的轮次。
在本实施例的一些可选的实现方式中,训练单元403进一步被配置成:更新训练样本,利用优化方案序列对应的优化器和学习率衰减方案继续训练待搜索的神经网络。
下面参考图5,其示出了适于用来实现本公开的实施例的电子设备(例如图1中的服务器)500的结构示意图。图5示出的服务器仅仅是一个示例,不应对本公开的实施例的功能和使用范围带来任何限制。
如图5所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常,以下装置可以连接至I/O接口505: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506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如磁带、硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,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。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
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509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所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。在本公开的实施例中,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。而在本公开的实施例中,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:基于预定的优化器集合和学习率衰减方案集合生成搜索空间;基于搜索空间生成优化方案序列;基于优化方案序列执行训练步骤:基于优化方案序列训练待搜索的神经网络得到奖励;根据奖励更新优化方案序列;若训练次数达到预定上限或奖励不再增加达到预设的轮次,则结束训练并输出优化方案序列对应的优化器和学习率衰减方案;否则,基于调整后的优化方案序列继续执行上述训练步骤。
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实施例的操作的计算机程序代码,所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。
描述于本公开的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。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器包括搜索单元、生成单元、训练单元和循环单元。其中,这些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,搜索单元还可以被描述为“基于预定的优化器集合和学习率衰减方案集合生成搜索空间的单元”。
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,本公开中所涉及的发明范围,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所述发明构思的情况下,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。
Claims (16)
1.一种用于优化神经网络架构搜索的方法,包括:
基于预定的优化器集合和学习率衰减方案集合生成搜索空间;
基于所述搜索空间生成优化方案序列;
基于所述优化方案序列执行训练步骤:基于所述优化方案序列训练待搜索的神经网络得到奖励;若满足预设结束条件,则结束训练并输出所述优化方案序列对应的优化器和学习率衰减方案;
否则,根据所述奖励更新所述优化方案序列,基于调整后的优化方案序列继续执行上述训练步骤。
2.根据权利要求1所述的方法,其中,所述基于所述搜索空间生成优化方案序列,包括:
通过递归神经元网络基于所述搜索空间生成优化方案序列。
3.根据权利要求1所述的方法,其中,所述基于所述搜索空间生成优化方案序列,包括:
通过进化算法基于所述搜索空间生成优化方案序列。
4.根据权利要求2所述的方法,其中,所述根据所述奖励更新所述优化方案序列,包括:
由奖励对优化方案序列反向传播更新递归神经元网络,生成新的优化方案序列。
5.根据权利要求3所述的方法,其中,所述根据所述奖励更新所述优化方案序列,包括:
通过更新算法中种群来更新优化方案序列。
6.根据权利要求1所述的方法,其中,所述预设结束条件包括以下至少一项:
训练次数达到预定上限、所述奖励不再增加达到预设的轮次。
7.根据权利要求1-6之一所述的方法,其中,所述方法还包括:
更新训练样本,利用所述优化方案序列对应的优化器和学习率衰减方案继续训练待搜索的神经网络。
8.一种用于优化神经网络架构搜索的装置,包括:
搜索单元,被配置成基于预定的优化器集合和学习率衰减方案集合生成搜索空间;
生成单元,被配置成基于所述搜索空间生成优化方案序列;
训练单元,被配置成基于所述优化方案序列执行训练步骤:基于所述优化方案序列训练待搜索的神经网络得到奖励;若满足预设结束条件,则结束训练并输出所述优化方案序列对应的优化器和学习率衰减方案;
循环单元,被配置成若不满足预设结束条件,则根据所述奖励更新所述优化方案序列,基于调整后的优化方案序列继续执行上述训练步骤。
9.根据权利要求8所述的装置,其中,所述生成单元进一步被配置成:
通过递归神经元网络基于所述搜索空间生成优化方案序列。
10.根据权利要求8所述的装置,其中,所述生成单元进一步被配置成:
通过进化算法基于所述搜索空间生成优化方案序列。
11.根据权利要求9所述的装置,其中,所述训练单元进一步被配置成:
由奖励对优化方案序列反向传播更新递归神经元网络,生成新的优化方案序列。
12.根据权利要求10所述的装置,其中,所述训练单元进一步被配置成:
通过更新算法中种群来更新优化方案序列。
13.根据权利要求8所述的装置,其中,所述预设结束条件包括以下至少一项:
训练次数达到预定上限、所述奖励不再增加达到预设的轮次。
14.根据权利要求8-13之一所述的装置,其中,所述训练单元进一步被配置成:
更新训练样本,利用所述优化方案序列对应的优化器和学习率衰减方案继续训练待搜索的神经网络。
15.一种用于优化神经网络架构搜索的电子设备,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,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911024465.XA CN110782016A (zh) | 2019-10-25 | 2019-10-25 | 用于优化神经网络架构搜索的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911024465.XA CN110782016A (zh) | 2019-10-25 | 2019-10-25 | 用于优化神经网络架构搜索的方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110782016A true CN110782016A (zh) | 2020-02-11 |
Family
ID=69387818
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911024465.XA Pending CN110782016A (zh) | 2019-10-25 | 2019-10-25 | 用于优化神经网络架构搜索的方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782016A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111695688A (zh) * | 2020-06-11 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN111753964A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 神经网络的训练方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038538A (zh) * | 2017-12-06 | 2018-05-15 | 西安电子科技大学 | 基于强化学习的多目标进化算法 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN109389222A (zh) * | 2018-11-07 | 2019-02-26 | 清华大学深圳研究生院 | 一种快速的自适应神经网络优化方法 |
CN109947940A (zh) * | 2019-02-15 | 2019-06-28 | 平安科技(深圳)有限公司 | 文本分类方法、装置、终端及存储介质 |
CN110363810A (zh) * | 2019-06-14 | 2019-10-22 | 北京百度网讯科技有限公司 | 建立图像检测模型的方法、装置、设备和计算机存储介质 |
-
2019
- 2019-10-25 CN CN201911024465.XA patent/CN110782016A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108038538A (zh) * | 2017-12-06 | 2018-05-15 | 西安电子科技大学 | 基于强化学习的多目标进化算法 |
CN108170529A (zh) * | 2017-12-26 | 2018-06-15 | 北京工业大学 | 一种基于长短期记忆网络的云数据中心负载预测方法 |
CN109389222A (zh) * | 2018-11-07 | 2019-02-26 | 清华大学深圳研究生院 | 一种快速的自适应神经网络优化方法 |
CN109947940A (zh) * | 2019-02-15 | 2019-06-28 | 平安科技(深圳)有限公司 | 文本分类方法、装置、终端及存储介质 |
CN110363810A (zh) * | 2019-06-14 | 2019-10-22 | 北京百度网讯科技有限公司 | 建立图像检测模型的方法、装置、设备和计算机存储介质 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111695688A (zh) * | 2020-06-11 | 2020-09-22 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN111695688B (zh) * | 2020-06-11 | 2024-01-12 | 腾讯科技(深圳)有限公司 | 一种模型训练方法、装置、设备及存储介质 |
CN111753964A (zh) * | 2020-06-29 | 2020-10-09 | 北京百度网讯科技有限公司 | 神经网络的训练方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807515B (zh) | 模型生成方法和装置 | |
US9990558B2 (en) | Generating image features based on robust feature-learning | |
CN110766142A (zh) | 模型生成方法和装置 | |
CN110852421B (zh) | 模型生成方法和装置 | |
CN110852438B (zh) | 模型生成方法和装置 | |
CN111340221B (zh) | 神经网络结构的采样方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN111602148A (zh) | 正则化神经网络架构搜索 | |
CN111368973B (zh) | 用于训练超网络的方法和装置 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN111406264A (zh) | 神经架构搜索 | |
CN110782016A (zh) | 用于优化神经网络架构搜索的方法和装置 | |
US20200151545A1 (en) | Update of attenuation coefficient for a model corresponding to time-series input data | |
CN111104599B (zh) | 用于输出信息的方法和装置 | |
CN112116104B (zh) | 自动集成机器学习的方法、装置、介质及电子设备 | |
CN111353601A (zh) | 用于预测模型结构的延时的方法和装置 | |
US20230059708A1 (en) | Generation of Optimized Hyperparameter Values for Application to Machine Learning Tasks | |
CN113448821B (zh) | 一种识别工程缺陷的方法和装置 | |
CN110489435B (zh) | 基于人工智能的数据处理方法、装置、及电子设备 | |
CN110046670B (zh) | 特征向量降维方法和装置 | |
KR102561799B1 (ko) | 디바이스에서 딥러닝 모델의 레이턴시를 예측하는 방법 및 시스템 | |
CN113111996A (zh) | 模型生成方法和装置 | |
CN111310896B (zh) | 用于训练神经网络的方法和装置 | |
CN110782017B (zh) | 用于自适应调整学习率的方法和装置 | |
CN111353585A (zh) | 神经网络模型的结构搜索方法和装置 |
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 |