CN110807515B - 模型生成方法和装置 - Google Patents
模型生成方法和装置 Download PDFInfo
- Publication number
- CN110807515B CN110807515B CN201911045637.1A CN201911045637A CN110807515B CN 110807515 B CN110807515 B CN 110807515B CN 201911045637 A CN201911045637 A CN 201911045637A CN 110807515 B CN110807515 B CN 110807515B
- Authority
- CN
- China
- Prior art keywords
- training
- neural network
- preset
- trained
- iterative
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012549 training Methods 0.000 claims abstract description 308
- 238000013528 artificial neural network Methods 0.000 claims abstract description 245
- 238000003062 neural network model Methods 0.000 claims abstract description 31
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000012216 screening Methods 0.000 claims description 29
- 238000004821 distillation Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 abstract description 33
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06N3/04—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
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Feedback Control In General (AREA)
Abstract
本公开涉及人工智能领域。本公开的实施例公开了模型生成方法和装置。该方法包括:通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型;迭代操作包括:基于当前的反馈奖励值对预设的模型结构控制器进行更新,采用更新后的模型结构控制器生成多个待训练的神经网络;按照预设的分级训练方式,对待训练的神经网络进行至少两级训练;根据经过至少两级训练后的神经网络的性能更新奖励反馈值;响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值,确定当前迭代操作中经过至少两级训练后性能最优的神经网络为用于执行深度学习任务的神经网络模型。该方法提升了神经网络模型结构搜索的效率。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及人工智能技术领域,尤其涉及模型生成方法和装置。
背景技术
随着人工智能技术的发展,深度学习在很多应用领域都取得了良好的成果。深度学习中,神经网络的结构对模型的效果有非常重要的影响。实践中为了获得较高的性能,神经网络的结构复杂度较高,运行神经网络所需耗费的计算资源较多。而手工设计网络的结构需要非常丰富的经验和多次尝试,成本较高。
神经网络架构搜索技术(Neural Architecture Search,NAS)可以代替繁琐的人工操作,自动搜索出最佳的神经网络架构。然而,通常搜索空间较大,NAS需要花费很多时间来完成神经网络架构搜索,搜索效率有待提升。
发明内容
本公开的实施例提出了模型生成方法和装置、电子设备和计算机可读介质。
第一方面,本公开的实施例提供了一种模型生成方法,包括:通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型;其中,迭代操作包括:基于当前的反馈奖励值对预设的模型结构控制器进行更新,采用更新后的模型结构控制器生成多个待训练的神经网络,反馈奖励值的初始值是预设的数值;按照预设的分级训练方式,对待训练的神经网络进行至少两级训练,其中,相邻的两级训练中后一级训练对前一级训练中性能达到预设的性能条件的部分待训练的神经网络进行训练,且同一待训练的神经网络在相邻的两级训练中的后一级训练的训练时间比前一级训练的训练时间长;根据经过至少两级训练后的神经网络的性能更新奖励反馈值;响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值,确定当前迭代操作中经过至少两级训练后性能最优的神经网络为用于执行深度学习任务的神经网络模型。
在一些实施例中,上述按照预设的分级训练方式,对待训练的神经网络进行至少两级训练,包括:将模型结构控制器生成的各待训练的神经网络作为第一级训练操作中的候选神经网络,执行至少两级训练操作,其中,训练操作包括:对当前级训练操作中的各候选神经网络进行迭代更新,响应于确定在执行若干次迭代更新后达到当前级训练操作的预设筛选节点,从当前级训练操作的候选神经网络中筛选出性能满足当前级训练操作对应的预设性能条件的候选神经网络作为下一级训练操作中的候选神经网络;以及上述根据经过至少两级训练后的神经网络的性能更新奖励反馈值,包括:根据执行至少两级训练操作后得到的候选神经网络的性能更新奖励反馈值。
在一些实施例中,上述当前级训练操作的预设筛选节点包括:当前级训练操作的累积训练时间达到相邻的前一级训练操作的累积训练时间的预设倍数。
在一些实施例中,上述当前级训练操作的预设筛选节点根据如下方式确定:对当前级训练操作中的待训练的神经网络进行采样,得到样本神经网络;确定随迭代训练次数增加,样本神经网络的性能参数的梯度;将样本神经网络的性能参数的梯度降低至预设的梯度阈值以下时所对应的迭代训练次数确定为当前级训练操作中的最大迭代训练次数。
在一些实施例中,上述对待训练的神经网络进行至少两级训练,包括:采用模型蒸馏法,对待训练的神经网络进行至少两级训练。
第二方面,本公开的实施例提供了一种模型生成装置,包括:生成单元,被配置为通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型;其中,迭代操作包括:基于当前的反馈奖励值对预设的模型结构控制器进行更新,采用更新后的模型结构控制器生成多个待训练的神经网络,反馈奖励值的初始值是预设的数值;按照预设的分级训练方式,对待训练的神经网络进行至少两级训练,其中,相邻的两级训练中后一级训练对前一级训练中性能达到预设的性能条件的部分待训练的神经网络进行训练,且同一待训练的神经网络在相邻的两级训练中的后一级训练的训练时间比前一级训练的训练时间长;根据经过至少两级训练后的神经网络的性能更新奖励反馈值;响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值,确定当前迭代操作中经过至少两级训练后性能最优的神经网络为用于执行深度学习任务的神经网络模型。
在一些实施例中,上述生成单元被配置为按照如下方式执行迭代操作中的按照预设的分级训练方式,对待训练的神经网络进行至少两级训练的步骤:将模型结构控制器生成的各待训练的神经网络作为第一级训练操作中的候选神经网络,执行至少两级训练操作,其中,训练操作包括:对当前级训练操作中的各候选神经网络进行迭代更新,响应于确定在执行若干次迭代更新后达到当前级训练操作的预设筛选节点,从当前级训练操作的候选神经网络中筛选出性能满足当前级训练操作对应的预设性能条件的候选神经网络作为下一级训练操作中的候选神经网络;以及上述生成单元被配置为按照如下方式执行迭代操作中的根据经过至少两级训练后的神经网络的性能更新奖励反馈值的步骤:根据执行至少两级训练操作后得到的候选神经网络的性能更新奖励反馈值。
在一些实施例中,上述当前级训练操作的预设筛选节点包括:当前级训练操作的累积训练时间达到相邻的前一级训练操作的累积训练时间的预设倍数。
在一些实施例中,上述当前级训练操作的预设筛选节点按照如下方式确定:对当前级训练操作中的待训练的神经网络进行采样,得到样本神经网络;确定随迭代训练次数增加,样本神经网络的性能参数的梯度;将样本神经网络的性能参数的梯度降低至预设的梯度阈值以下时所对应的迭代训练次数确定为当前级训练操作中的最大迭代训练次数。
在一些实施例中,上述生成单元被配置为按照如下方式执行迭代操作中的对待训练的神经网络进行至少两级训练的步骤:采用模型蒸馏法,对待训练的神经网络进行至少两级训练。
第三方面,本公开的实施例提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,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提供的模型生成方法。
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第一方面提供的模型生成方法。
本公开的上述实施例的模型生成方法和装置,通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型。其中,迭代操作包括:基于当前的反馈奖励值对预设的模型结构控制器进行更新,采用更新后的模型结构控制器生成多个待训练的神经网络,反馈奖励值的初始值是预设的数值;按照预设的分级训练方式,对待训练的神经网络进行至少两级训练,其中,相邻的两级训练中后一级训练对前一级训练中性能达到预设的性能条件的部分待训练的神经网络进行训练,且同一待训练的神经网络在相邻的两级训练中的后一级训练的训练时间比前一级训练的训练时间长;根据经过至少两级训练后的神经网络的性能更新奖励反馈值;响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值,确定当前迭代操作中经过至少两级训练后性能最优的神经网络为用于执行深度学习任务的神经网络模型。上述模型生成方法和装置能够自动搜索出性能良好的神经网络模型结构,同时提升了模型结构搜索效率,降低了成本。
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另一个实施例的流程图;
图4是本公开的模型生成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示例性系统架构100。
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示例性系统架构100。
如图1所示,系统架构100可以包括如图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。
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可以是用户端设备,其上可以安装有各种客户端应用。例如,图像处理类应用、信息分析类应用、语音助手类应用、购物类应用、金融类应用等。
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、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的多个软件或软件模块),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可以是运行各种服务的服务器,例如运行神经网络结构搜索任务的服务器,又例如运行模型蒸馏任务的服务器。服务器105可以从获取从终端设备101、102、103收集的深度学习任务数据、或者从数据库获取深度学习任务数据来构建训练样本,对用于执行深度学习任务的神经网络的模型结构进行自动搜索和优化。
服务器105还可以是为终端设备101、102、103上安装的应用提供后端支持的后端服务器。例如,服务器105可以接收终端设备101、102、103发送的待处理的信息,使用神经网络模型对信息进行处理,并将处理结果返回至终端设备101、102、103。
在实际场景中,终端设备101、102、103可以向服务器105发送与语音识别、文本分类、对话行为分类、图像识别等任务相关的深度学习任务请求。服务器105上可以运行已针对相应的深度学习任务训练得到的神经网络模型,利用该神经网络模型来处理信息。
需要说明的是,本公开的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。
在一些场景中,服务器105可以从数据库、存储器或其他设备获取模型生成所需要的源数据(例如训练样本,未优化的神经网络等),这时,示例性系统架构100可以不存在终端设备101、102、103和网络104。
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105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的多个软件或软件模块),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,其示出了根据本公开的模型生成方法的一个实施例的流程200。该模型生成方法,包括:通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型。
在本实施例中,可以预先设定神经网络结构的搜索空间,通过多次迭代操作搜索出最优的神经网络的结构,作为生成用于执行深度学习任务的神经网络模型的结构。在这里,深度学习任务可以是利用深度神经网络来完成的信息处理任务。在实践中,深度学习任务可以例如为:语音识别、语音合成、文本翻译、自然语言理解、图像处理、趋势预测、目标检测与跟踪、等等。实践中,可以根据深度学习任务类型构建对应的样本数据集,基于样本数据集进行对应的神经网络结构搜索。
具体地,迭代操作包括以下步骤:
步骤201,基于当前的反馈奖励值对预设的模型结构控制器进行更新,采用更新后的模型结构控制器生成多个待训练的神经网络。
可以采用强化学习的方法,利用表征模型结构控制器的性能的反馈奖励值(reward)来引导模型结构控制器进行更新。在这里,反馈奖励值的初始值可以是预设的数值,例如可以预先设定为0。则在执行第一次迭代操作时,可以将反馈奖励值的初始值作为当前迭代操作的奖励反馈值,来对模型结构控制器进行更新。在非第一次迭代操作中,可以上一次迭代操作后更新的反馈奖励值作为当前迭代操作中的反馈奖励值。
模型结构控制器可以用于控制或生成神经网络模型结构,可以具体实现为各种机器学习算法,例如循环神经网络、递归神经网络、遗传算法等等。模型结构控制器可以对预设的搜索空间中的模型结构单元进行参数选择和组合来生成待训练的神经网络。模型结构单元例如包括各种卷积层、池化层等神经网络层结构、或者由至少两个具有特定结构参数的神经网络层组合形成的结构单元。
在本实施例中,可以利用奖励反馈值来引导模型结构控制器进行更新,以使更新后的模型结构控制器生成的待训练的神经网络可以达到更高的奖励反馈值。例如,当模型结构控制器实现为递归神经网络时,可以基于奖励反馈值更新递归神经网络的参数,当模型结构控制器实现为遗传算法时,可以基于奖励反馈值对由待训练的神经网络形成的种群进行进化。
需要说明的是,每一次迭代操作中,模型结构控制器可以生成多个结构不同的待训练的神经网络。
步骤202,按照预设的分级训练方式,对待训练的神经网络进行至少两级训练。
在本实施例中,每次迭代操作中模型结构控制器生成的待训练的神经网络可以通过至少两级训练实现性能的优化。其中可以采用预设的分级训练策略,并且分级训练策略满足如下约束条件:相邻的两级训练中后一级训练对前一级训练中性能达到预设的性能条件的部分待训练的神经网络进行训练,且同一待训练的神经网络在相邻的两级训练中的后一级训练的训练时间比前一级训练的训练时间长。
可选地,本实施例的模型生成方法可以应用于搜索适合蒸馏的神经网络结构,模型生成方法的执行主体可以采用模型蒸馏的方法对待训练的神经网络进行分级训练。分级训练策略还满足如下约束条件:最后一级训练后待训练的神经网络的性能接近于对待训练的神经网络进行模型蒸馏的可分离时间点。在这里,可分离时间点表示模型在蒸馏过程中性能达到预设的性能水平(例如分类准确度达到80%或与教师网络的性能差异低于10%)的时间点。这样,可以进一步确保在搜索神经网络结构过程中基本完成模型的蒸馏,进一步提升模型蒸馏效果。
可以按照上述约束条件预先设定各级训练的训练目标或训练停止条件。例如,可以根据样本数据集和小批量的预训练预估各待训练的神经网络均完成最大训练次数所需要花费的时间,然后根据经验或统计数据确定出各级训练持续的时间。
每一级训练结束进入下一级训练之前,可以按照当前的各待训练的神经网络的性能排序对筛选出一部分进入下一级训练的神经网络,可以剔除未被选择进入下一级训练的神经网络。
在本实施例的一些可选的实现方式中,可以采用模型蒸馏法,对待训练的神经网络进行至少两级训练。可以预先获取深度学习任务的复杂神经网络。该复杂神经网络的结构复杂度较高,可以是预先基于样本数据集针对深度学习任务训练得出的。可以将神经网络结构精简作为待训练的神经网络的训练目标,通过模型蒸馏获得能够达到与上述复杂神经网络相近的性能的小网络。具体地,上述模型结构控制器生成的待训练的神经网络的结构复杂度低于上述复杂神经网络的结构复杂度。可以预先训练模型结构控制器使其生成结构较为简单的神经网络,或者可以在模型结构控制器的设计中增加关于所生成的神经网络的结构复杂度不超过预设的复杂度的约束条件,又或者,可以在模型结构控制器生成神经网络之后,初步筛选出结构复杂度不超过预设复杂度的神经网络作为待训练的神经网络。
这样,在执行每一级训练时,可以将上述复杂神经网络作为教师网络,每一个待训练的神经网络作为学生网络,对学生网络进行蒸馏训练。进一步地,可以将蒸馏损失函数作为神经网络的性能评价指标,进而更新上述奖励反馈值。这样,在完成分级搜索模型结构的同时可以实现神经网络的蒸馏,可以更高效地搜索出适合蒸馏的神经网络的结构。
步骤203,根据经过至少两级训练后的神经网络的性能更新奖励反馈值。
经过至少两级训练之后,可以将经过至少两级训练后的神经网络的损失函数作为性能指标,损失函数的值越小,性能越优,对应的奖励反馈值越大。
奖励反馈值可以与训练后的神经网络的损失函数的值成负相关的关系,例如可以取训练后的神经网络的损失函数的值的倒数作为新的奖励反馈值。也就是说,训练后的候选神经网络的损失值越小,奖励反馈值越大。这样,在利用奖励反馈值引导模型结构控制器更新后,可以使更新后的模型结构控制器生成能够达到更小的损失值的神经网络。
可选地,可以进一步基于当前迭代操作中多个待训练的神经网络的损失函数的平均值或累加值等统计数据更新上述奖励反馈值。
步骤204,响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值,确定当前迭代操作中经过至少两级训练后性能最优的神经网络为用于执行深度学习任务的神经网络模型。
更新奖励反馈值之后,可以判断奖励反馈值是否达到了预设的收敛条件,例如奖励反馈值在最近的连续几次迭代操作中的变化率是否低于预设的变化率阈值,若是,则可以停止迭代操作,并将当前迭代操作中经过至少两级训练的神经网络中性能最优的神经网络作为搜索出的用于执行深度学习任务的神经网络模型。
或者,在完成当前的迭代操作之后,可以对累计的迭代操作次数加1,然后判断累计的迭代操作的次数是否达到预设的次数阈值,若是,则可以停止迭代操作,并将当前迭代操作中经过至少两级训练的神经网络中性能最优的神经网络作为搜索出的用于执行深度学习任务的神经网络模型。
若奖励反馈值未达到预设的收敛条件且迭代操作的累计次数未达到预设的次数阈值,则基于更新后的奖励反馈值,执行下一次迭代操作,依次执行步骤201重新确定待训练的神经网络、步骤202对新的待训练的神经网络进行分级训练、步骤203基于新的待训练的神经网络的性能继续更新奖励反馈值、步骤204判断是否达到迭代停止条件。这样,通过重复执行迭代操作,直到某一次迭代操作后的奖励反馈值达到预设的收敛条件或者迭代操作的累计次数达到预设的次数阈值,停止执行迭代操作,完成用于执行深度学习任务的神经网络模型结构的搜索。
通过上述实施例的模型生成的方法可以在搜索神经网络模型的结构的过程中剔除性能较差的神经网络,仅对性能较优的神经网络继续训练,可以逐级减少训练的神经网络的数量,从而节省了运算资源,提升了网络结构搜索效率。
继续参考图3,其示出了本公开的模型生成方法的另一个实施例的流程图。本实施例的模型生成方法的流程300,包括通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型。
在本实施例中,迭代操作包括:
步骤301,基于当前的反馈奖励值对预设的模型结构控制器进行更新,采用更新后的模型结构控制器生成多个待训练的神经网络。
步骤302,将模型结构控制器生成的各待训练的神经网络作为第一级训练操作中的候选神经网络,执行至少两级训练操作。
其中,每一级训练操作包括:对当前级训练操作中的各神经网络进行迭代更新,响应于确定在执行若干次迭代更新后达到当前级训练操作的预设筛选节点,从当前级训练操作的候选神经网络中筛选出性能满足当前级训练操作对应的预设性能条件的候选神经网络作为下一级训练操作中的候选神经网络。
与模型生成方法的流程200类似地,可以采用预设的分级训练策略对待训练的神经网络进行分级训练。分级训练策略满足如下约束条件:相邻的两级训练中后一级训练对前一级训练中性能达到预设的性能条件的部分待训练的神经网络进行训练,且同一待训练的神经网络在相邻的两级训练中的后一级训练的训练时间比前一级训练的训练时间长。
可选地,本实施例的模型生成方法可以应用于搜索适合蒸馏的神经网络结构,模型生成方法的执行主体可以采用模型蒸馏的方法对待训练的神经网络进行分级训练。分级训练策略还满足如下约束条件:最后一级训练后待训练的神经网络的性能接近于对待训练的神经网络进行模型蒸馏的可分离时间点。在这里,可分离时间点表示模型在蒸馏过程中性能达到预设的性能水平(例如分类准确度达到80%或与教师网络的性能差异低于10%)的时间点。这样,可以进一步确保在搜索神经网络结构过程中基本完成模型的蒸馏,进一步提升模型蒸馏效果。
可以根据上述分级训练策略,确定每一级训练操作的预设筛选节点。该预设筛选节点可以例如为:迭代次数达到当前级训练操作的最大迭代次数,或者,训练时间达到当前级训练操作的最大训练时间,或者,各待训练的神经网络的性能排序的变化缩小至一定范围内,等等。在达到当前级训练操作的预设筛选节点时,可以根据当前级的候选神经网络的性能进行筛选,选出性能较优的候选神经网络进入下一级训练操作。这样,通过逐级筛选性能较优的神经网络进入下一级训练,剔除性能较差的神经网络,能够避免训练初期性能较差的网络占用多余的运算资源,从而提升网络结构搜索的效率。
进一步可选地,上述当前级训练操作的预设筛选节点可以包括:当前级训练操作的累积训练时间达到相邻的前一级训练操作的累积训练时间的预设倍数。例如,第一级训练操作的累积训练时间为1小时,则第二级训练操作的累积训练时间达到第一级训练操作的预设倍数(例如10倍)时,可以停止第二级训练操作,筛选出部分神经网络进入第三级训练操作;或者在仅有两级训练的场景中,第二级训练操作的累积训练时间达到第一级训练操作的预设倍数时,可以停止当前迭代操作中所有候选神经网络的训练,得到当前迭代操作中训练完成的神经网络。
可选地,上述当前级训练操作的预设筛选节点可以按照如下方式确定:对当前级训练操作中的候选神经网络进行采样,得到样本神经网络;确定样本神经网络的性能参数随迭代训练次数增加的梯度;将样本神经网络的性能参数的梯度降低至预设的梯度阈值以下时所对应的迭代训练次数确定为当前级训练操作中的最大迭代训练次数。
具体来说,例如当前迭代操作中模型结构控制器生成的待训练的神经网络的数量为m,则可以从m个待训练的神经网络中采样出n个神经网络作为样本神经网络,例如模型结构控制器生成1万个神经网络,可以从中采样50个待训练的神经网络作为样本神经网络。然后,可以基于样本数据集对n个样本神经网络进行多次迭代训练,观测n个样本神经网络的性能参数随迭代训练次数的增加的变化趋势。随着迭代训练次数的增加,样本神经网络的性能参数随之急速升高,在升高至一定的水平之后,随迭代训练次数增加,样本神经网络的性能参数的变化速率降低。可以采用样本神经网络的性能参数的梯度表征样本神经网络的性能参数的变化率,在样本神经网络的性能参数的梯度降低至预设的梯度阈值以下时(即变化率降低至一定程度时),可以记录该时刻样本神经网络已完成的迭代训练次数,作为当前级训练操作中的最大迭代训练次数。在该时刻之后,随迭代训练次数增加,样本神经网络的性能参数变化缓慢,所以将该时刻作为当前级训练的预设筛选节点可以有效减少低效率的迭代训练的次数,提升模型结构搜索效率。
在本实施例的一些可选的实现方式中,可以采用模型蒸馏法,对待训练的神经网络进行至少两级训练。可以预先获取深度学习任务的复杂神经网络,将复杂神经网络作为教师网络,待训练的神经网络作为学生网络,通过模型蒸馏的方式训练待训练的神经网络,从而获得能够达到与上述复杂神经网络相近的性能的小网络。
步骤303,根据经过至少两级训练后的神经网络的性能更新奖励反馈值。
步骤304,响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值,确定当前迭代操作中经过至少两级训练后性能最优的神经网络为用于执行深度学习任务的神经网络模型。
本实施例的模型生成方法的流程300中,步骤301、步骤303、步骤304分别与前述实施例中的步骤201、步骤203、步骤204一致,步骤301、步骤303、步骤304的具体实现方式可以分别参考前述实施例对步骤201、步骤203、步骤204的描述,此处不再赘述。
进一步参考图4,作为对上述模型生成方法的实现,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和图3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,本实施例的模型生成装置400包括生成单元401。生成单元401被配置为通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型。其中,迭代操作包括:基于当前的反馈奖励值对预设的模型结构控制器进行更新,采用更新后的模型结构控制器生成多个待训练的神经网络,反馈奖励值的初始值是预设的数值;按照预设的分级训练方式,对待训练的神经网络进行至少两级训练,其中,相邻的两级训练中后一级训练对前一级训练中性能达到预设的性能条件的部分待训练的神经网络进行训练,且同一待训练的神经网络在相邻的两级训练中的后一级训练的训练时间比前一级训练的训练时间长;根据经过至少两级训练后的神经网络的性能更新奖励反馈值;响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值,确定当前迭代操作中经过至少两级训练后性能最优的神经网络为用于执行深度学习任务的神经网络模型。
在一些实施例中,上述生成单元401被配置为按照如下方式执行迭代操作中的按照预设的分级训练方式,对待训练的神经网络进行至少两级训练的步骤:将模型结构控制器生成的各待训练的神经网络作为第一级训练操作中的候选神经网络,执行至少两级训练操作,其中,训练操作包括:对当前级训练操作中的各待训练的神经网络进行迭代更新,响应于确定在执行若干次迭代更新后达到当前级训练操作的预设筛选节点,从当前级训练操作的待训练的神经网络中筛选出性能满足当前级训练操作对应的预设性能条件的神经网络作为下一级训练操作中的待训练的神经网络;以及上述生成单元401被配置为按照如下方式执行迭代操作中的根据经过至少两级训练后的神经网络的性能更新奖励反馈值的步骤:根据执行至少两级训练操作后得到的待训练的神经网络的性能更新奖励反馈值。
在一些实施例中,上述当前级训练操作的预设筛选节点包括:当前级训练操作的累积训练时间达到相邻的前一级训练操作的累积训练时间的预设倍数。
在一些实施例中,上述当前级训练操作的预设筛选节点按照如下方式确定:对当前级训练操作中的待训练的神经网络进行采样,得到样本神经网络;确定随迭代训练次数增加,样本神经网络的性能参数的梯度;将样本神经网络的性能参数的梯度降低至预设的梯度阈值以下时所对应的迭代训练次数确定为当前级训练操作中的最大迭代训练次数。
在一些实施例中,上述生成单元401被配置为按照如下方式执行迭代操作中的对待训练的神经网络进行至少两级训练的步骤:采用模型蒸馏法,对待训练的神经网络进行至少两级训练。
上述装置400中的生成单元401与参考图2和图3描述的方法中的步骤相对应。由此,上文针对模型生成方法描述的操作、特征及所能达到的技术效果同样适用于装置400及其中包含的单元,在此不再赘述。
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所示的服务器)500的结构示意图。图5示出的电子设备仅仅是一个示例,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,本公开的实施例所描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:通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型;其中,迭代操作包括:基于当前的反馈奖励值对预设的模型结构控制器进行更新,采用更新后的模型结构控制器生成多个待训练的神经网络,反馈奖励值的初始值是预设的数值;按照预设的分级训练方式,对待训练的神经网络进行至少两级训练,其中,相邻的两级训练中后一级训练对前一级训练中性能达到预设的性能条件的部分待训练的神经网络进行训练,且同一待训练的神经网络在相邻的两级训练中的后一级训练的训练时间比前一级训练的训练时间长;根据经过至少两级训练后的神经网络的性能更新奖励反馈值;响应于确定奖励反馈值达到预设的收敛条件或迭代操作的次数达到预设的阈值,确定当前迭代操作中经过至少两级训练后性能最优的神经网络为用于执行深度学习任务的神经网络模型。
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,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:一种处理器包括生成单元。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,生成单元还可以被描述为“通过依次执行多次迭代操作生成用于执行深度学习任务的神经网络模型的单元”。
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上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。例如上述特征与本申请中公开的(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 (10)
1.一种模型生成方法,应用于电子设备的处理器,包括:通过依次执行多次迭代操作生成用于执行文本分类任务的神经网络模型;
其中,所述迭代操作包括:
基于当前的奖励反馈值对预设的模型结构控制器进行更新,采用更新后的模型结构控制器生成多个待训练的神经网络,所述奖励反馈值的初始值是预设的数值;
按照预设的分级训练方式,对待训练的神经网络进行至少两级训练,其中,相邻的两级训练中后一级训练对前一级训练中文本分类准确度达到预设的文本分类准确度条件的部分待训练的神经网络进行训练,且同一待训练的神经网络在相邻的两级训练中的后一级训练的训练时间比前一级训练的训练时间长;
根据经过至少两级训练后的神经网络的文本分类准确度更新所述奖励反馈值;
响应于确定所述奖励反馈值达到预设的收敛条件或所述迭代操作的次数达到预设的阈值,确定当前迭代操作中经过至少两级训练后文本分类准确度最优的神经网络为所述用于执行文本分类任务的神经网络模型;其中,
所述按照预设的分级训练方式,对待训练的神经网络进行至少两级训练,包括:
将所述模型结构控制器生成的各所述待训练的神经网络作为第一级训练操作中的候选神经网络,执行至少两级训练操作,其中,所述训练操作包括:对当前级训练操作中的各所述候选神经网络进行迭代更新,响应于确定在执行若干次迭代更新后达到当前级训练操作的预设筛选节点,从当前级训练操作的候选神经网络中筛选出性能满足当前级训练操作对应的预设性能条件的候选神经网络作为下一级训练操作中的候选神经网络;以及
所述当前级训练操作的预设筛选节点根据如下方式确定:
对当前级训练操作中的待训练的神经网络进行采样,得到样本神经网络;
确定随迭代训练次数增加,所述样本神经网络的性能参数的梯度;
将所述样本神经网络的性能参数的梯度降低至预设的梯度阈值以下时所对应的迭代训练次数确定为当前级训练操作中的最大迭代训练次数。
2.根据权利要求1所述的方法,其中,所述根据经过至少两级训练后的神经网络的性能更新所述奖励反馈值,包括:
根据执行至少两级训练操作后得到的候选神经网络的性能更新所述奖励反馈值。
3.根据权利要求2所述的方法,其中,所述当前级训练操作的预设筛选节点包括:
所述当前级训练操作的累积训练时间达到相邻的前一级训练操作的累积训练时间的预设倍数。
4.根据权利要求1-3任一项所述的方法,其中,所述对待训练的神经网络进行至少两级训练,包括:
采用模型蒸馏法,对所述待训练的神经网络进行至少两级训练。
5.一种模型生成装置,应用于电子设备的处理器,包括:
生成单元,被配置为通过依次执行多次迭代操作生成用于执行文本分类任务的神经网络模型;
其中,所述迭代操作包括:
基于当前的奖励反馈值对预设的模型结构控制器进行更新,采用更新后的模型结构控制器生成多个待训练的神经网络,所述奖励反馈值的初始值是预设的数值;
按照预设的分级训练方式,对待训练的神经网络进行至少两级训练,其中,相邻的两级训练中后一级训练对前一级训练中文本分类准确度达到预设的文本分类准确度条件的部分待训练的神经网络进行训练,且同一待训练的神经网络在相邻的两级训练中的后一级训练的训练时间比前一级训练的训练时间长;
根据经过至少两级训练后的神经网络的文本分类准确度更新所述奖励反馈值;
响应于确定所述奖励反馈值达到预设的收敛条件或所述迭代操作的次数达到预设的阈值,确定当前迭代操作中经过至少两级训练后文本分类准确度最优的神经网络为所述用于执行文本分类任务的神经网络模型;其中,
所述生成单元被配置为按照如下方式执行迭代操作中的按照预设的分级训练方式,对待训练的神经网络进行至少两级训练的步骤:
将所述模型结构控制器生成的各所述待训练的神经网络作为第一级训练操作中的候选神经网络,执行至少两级训练操作,其中,所述训练操作包括:对当前级训练操作中的各所述候选神经网络进行迭代更新,响应于确定在执行若干次迭代更新后达到当前级训练操作的预设筛选节点,从当前级训练操作的候选神经网络中筛选出性能满足当前级训练操作对应的预设性能条件的候选神经网络作为下一级训练操作中的候选神经网络;以及
所述当前级训练操作的预设筛选节点按照如下方式确定:
对当前级训练操作中的待训练的神经网络进行采样,得到样本神经网络;
确定随迭代训练次数增加,所述样本神经网络的性能参数的梯度;
将所述样本神经网络的性能参数的梯度降低至预设的梯度阈值以下时所对应的迭代训练次数确定为当前级训练操作中的最大迭代训练次数。
6.根据权利要求5所述的装置,其中,
所述生成单元被配置为按照如下方式执行所述迭代操作中的根据经过至少两级训练后的神经网络的性能更新所述奖励反馈值的步骤:
根据执行至少两级训练操作后得到的候选神经网络的性能更新所述奖励反馈值。
7.根据权利要求5所述的装置,其中,所述当前级训练操作的预设筛选节点包括:
所述当前级训练操作的累积训练时间达到相邻的前一级训练操作的累积训练时间的预设倍数。
8.根据权利要求5-7任一项所述的装置,其中,所述生成单元被配置为按照如下方式执行所述迭代操作中的对待训练的神经网络进行至少两级训练的步骤:
采用模型蒸馏法,对所述待训练的神经网络进行至少两级训练。
9.一种电子设备,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
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1-4中任一所述的方法。
10.一种计算机可读介质,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1-4中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911045637.1A CN110807515B (zh) | 2019-10-30 | 2019-10-30 | 模型生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911045637.1A CN110807515B (zh) | 2019-10-30 | 2019-10-30 | 模型生成方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110807515A CN110807515A (zh) | 2020-02-18 |
CN110807515B true CN110807515B (zh) | 2023-04-28 |
Family
ID=69489859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911045637.1A Active CN110807515B (zh) | 2019-10-30 | 2019-10-30 | 模型生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110807515B (zh) |
Families Citing this family (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111340221B (zh) * | 2020-02-25 | 2023-09-12 | 北京百度网讯科技有限公司 | 神经网络结构的采样方法和装置 |
CN111340220B (zh) * | 2020-02-25 | 2023-10-20 | 北京百度网讯科技有限公司 | 用于训练预测模型的方法和装置 |
CN113496286A (zh) * | 2020-03-18 | 2021-10-12 | 杭州海康威视数字技术股份有限公司 | 模型训练控制方法和设备 |
CN111488971B (zh) * | 2020-04-09 | 2023-10-24 | 北京百度网讯科技有限公司 | 神经网络模型搜索方法及装置、图像处理方法及装置 |
CN111598216B (zh) * | 2020-04-16 | 2021-07-06 | 北京百度网讯科技有限公司 | 学生网络模型的生成方法、装置、设备及存储介质 |
CN111539514B (zh) * | 2020-04-16 | 2023-06-06 | 北京百度网讯科技有限公司 | 用于生成神经网络的结构的方法和装置 |
CN111539479B (zh) * | 2020-04-27 | 2023-08-08 | 北京百度网讯科技有限公司 | 生成样本数据的方法和装置 |
CN111582479B (zh) * | 2020-05-09 | 2023-10-27 | 北京百度网讯科技有限公司 | 神经网络模型的蒸馏方法和装置 |
CN111582454B (zh) * | 2020-05-09 | 2023-08-25 | 北京百度网讯科技有限公司 | 生成神经网络模型的方法和装置 |
CN111582453B (zh) * | 2020-05-09 | 2023-10-27 | 北京百度网讯科技有限公司 | 生成神经网络模型的方法和装置 |
CN111582481B (zh) * | 2020-05-09 | 2023-10-03 | 北京百度网讯科技有限公司 | 用于对模型蒸馏的方法和装置 |
CN111582452B (zh) * | 2020-05-09 | 2023-10-27 | 北京百度网讯科技有限公司 | 生成神经网络模型的方法和装置 |
CN111640425B (zh) * | 2020-05-22 | 2023-08-15 | 北京百度网讯科技有限公司 | 一种模型训练和意图识别方法、装置、设备及存储介质 |
CN111738098B (zh) * | 2020-05-29 | 2022-06-17 | 浪潮(北京)电子信息产业有限公司 | 一种车辆识别方法、装置、设备及存储介质 |
CN111667057B (zh) * | 2020-06-05 | 2023-10-20 | 北京百度网讯科技有限公司 | 用于搜索模型结构的方法和装置 |
CN111667055A (zh) * | 2020-06-05 | 2020-09-15 | 北京百度网讯科技有限公司 | 用于搜索模型结构的方法和装置 |
CN111767832B (zh) * | 2020-06-28 | 2024-07-23 | 广州易通达供应链管理有限公司 | 模型生成方法、装置、电子设备及存储介质 |
CN111767989A (zh) * | 2020-06-29 | 2020-10-13 | 北京百度网讯科技有限公司 | 神经网络的训练方法和装置 |
CN112380631B (zh) * | 2020-12-02 | 2023-02-14 | 黑龙江科技大学 | 一种基于神经网络的新型迭代混合试验方法 |
CN113572804B (zh) * | 2021-04-29 | 2023-06-30 | 重庆工程职业技术学院 | 一种基于边缘协作的任务卸载系统、方法及装置 |
US11782429B2 (en) * | 2021-07-07 | 2023-10-10 | Oracle International Corporation | Automatically adapting a prognostic-surveillance system to account for age-related changes in monitored assets |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787046A (zh) * | 2016-02-28 | 2016-07-20 | 华东理工大学 | 一种基于单边动态下采样的不平衡数据分类系统 |
CN107527355A (zh) * | 2017-07-20 | 2017-12-29 | 中国科学院自动化研究所 | 基于卷积神经网络回归模型的视觉跟踪方法、装置 |
CN108985386A (zh) * | 2018-08-07 | 2018-12-11 | 北京旷视科技有限公司 | 获得图像处理模型的方法、图像处理方法及对应装置 |
CN110135582A (zh) * | 2019-05-09 | 2019-08-16 | 北京市商汤科技开发有限公司 | 神经网络训练、图像处理方法及装置、存储介质 |
-
2019
- 2019-10-30 CN CN201911045637.1A patent/CN110807515B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787046A (zh) * | 2016-02-28 | 2016-07-20 | 华东理工大学 | 一种基于单边动态下采样的不平衡数据分类系统 |
CN107527355A (zh) * | 2017-07-20 | 2017-12-29 | 中国科学院自动化研究所 | 基于卷积神经网络回归模型的视觉跟踪方法、装置 |
CN108985386A (zh) * | 2018-08-07 | 2018-12-11 | 北京旷视科技有限公司 | 获得图像处理模型的方法、图像处理方法及对应装置 |
CN110135582A (zh) * | 2019-05-09 | 2019-08-16 | 北京市商汤科技开发有限公司 | 神经网络训练、图像处理方法及装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN110807515A (zh) | 2020-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807515B (zh) | 模型生成方法和装置 | |
CN110852438B (zh) | 模型生成方法和装置 | |
CN110852421B (zh) | 模型生成方法和装置 | |
CN112699991B (zh) | 用于加速神经网络训练的信息处理的方法、电子设备和计算机可读介质 | |
CN111406267B (zh) | 使用性能预测神经网络的神经架构搜索 | |
CN111602148B (zh) | 正则化神经网络架构搜索 | |
CN110766142A (zh) | 模型生成方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN110366734B (zh) | 优化神经网络架构 | |
CN111340221B (zh) | 神经网络结构的采样方法和装置 | |
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 | |
CN111353601B (zh) | 用于预测模型结构的延时的方法和装置 | |
CN111598253A (zh) | 使用教师退火来训练机器学习模型 | |
US20200167660A1 (en) | Automated heuristic deep learning-based modelling | |
US20190228297A1 (en) | Artificial Intelligence Modelling Engine | |
CN114072809A (zh) | 经由神经架构搜索的小且快速的视频处理网络 | |
CN110782016A (zh) | 用于优化神经网络架构搜索的方法和装置 | |
US20240152809A1 (en) | Efficient machine learning model architecture selection | |
US20220343207A1 (en) | Pipeline ranking with model-based dynamic data allocation | |
CN113448821B (zh) | 一种识别工程缺陷的方法和装置 | |
CN116107666B (zh) | 程序业务流信息生成方法、装置、电子设备和计算机介质 | |
CN113111996A (zh) | 模型生成方法和装置 | |
CN111523639B (zh) | 用于训练超网络的方法和装置 | |
CN111767290B (zh) | 用于更新用户画像的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |