CN111278085B - 用于获取目标网络的方法及装置 - Google Patents
用于获取目标网络的方法及装置 Download PDFInfo
- Publication number
- CN111278085B CN111278085B CN202010112531.5A CN202010112531A CN111278085B CN 111278085 B CN111278085 B CN 111278085B CN 202010112531 A CN202010112531 A CN 202010112531A CN 111278085 B CN111278085 B CN 111278085B
- Authority
- CN
- China
- Prior art keywords
- network
- network structure
- processed
- target
- initial
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/16—Discovering, processing access restriction or access information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/16—Threshold monitoring
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Information Transfer Between Computers (AREA)
- Stored Programmes (AREA)
Abstract
本公开的实施例公开了用于获取目标网络的方法及装置。该方法的一具体实施方式包括:首先获取待处理网络和上述待处理网络的网络结构参数;然后查询上述待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数;之后基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,并计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数;最后在上述迭代操作的达到设定的迭代次数,或上述更新目标分布参数对应的当前相对熵小于等于设定阈值时,将上述迭代操作后的待处理网络标记为目标网络。该实施方式提高了目标网络的适应性,减少了目标网络占用设备的内存空间。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于获取目标网络的方法及装置。
背景技术
为了适应多种网络结构的需要,可以通过NAS(Neural Architecture Search,神经网络架构搜索技术)训练得到超网络。即,超网络包含多种网络结构,可以适用于多种不同的网络结构应用,实现了网络结构的共享。
发明内容
本公开的实施例提出了用于获取目标网络的方法及装置。
第一方面,本公开的实施例提供了一种用于获取目标网络的方法,该方法包括:获取待处理网络和上述待处理网络的网络结构参数,上述网络结构参数包含上述待处理网络包含的至少一个初始网络结构中每个初始网络结构的初始分布参数;查询上述待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数;基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,并计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数;响应于上述迭代操作的达到设定的迭代次数,或上述更新目标分布参数对应的当前相对熵小于等于设定阈值,将上述迭代操作后的待处理网络标记为目标网络,其中,上述当前相对熵用于表征更新目标分布参数与上述基准网络结构之间的差异度。
在一些实施例中,上述基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,包括:确定上述目标初始网络结构与上述基准网络结构的初始网络差异结构;基于上述初始网络差异结构对上述待处理网络进行迭代操作,得到迭代后的待处理网络。
在一些实施例中,上述基于上述初始网络差异结构对上述待处理网络进行迭代操作,包括:基于上述初始网络差异结构设置上述待处理网络的反馈参数,并根据上述反馈参数对上述待处理网络进行迭代操作。
在一些实施例中,上述计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数,包括:查询上述迭代后的待处理网络中的、与上述基准网络结构对应的至少一个更新目标初始网络结构;计算上述至少一个更新目标初始网络结构在上述迭代后的待处理网络中的更新目标分布参数。
在一些实施例中,上述方法还包括:根据上述更新目标分布参数确定上述至少一个目标初始网络结构与上述基准网络结构之间的差异度,得到当前相对熵。
第二方面,本公开的实施例提供了一种用于获取目标网络的装置,该装置包括:数据获取单元,被配置成获取待处理网络和上述待处理网络的网络结构参数,上述网络结构参数包含上述待处理网络包含的至少一个初始网络结构中每个初始网络结构的初始分布参数;参数查询单元,被配置成查询上述待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数;更新参数获取单元,被配置成基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,并计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数;目标网络标记单元,响应于上述迭代操作的达到设定的迭代次数,或上述更新目标分布参数对应的当前相对熵小于等于设定阈值,被配置成将上述迭代操作后的待处理网络标记为目标网络,其中,上述当前相对熵用于表征更新目标分布参数与上述基准网络结构之间的差异度。
在一些实施例中,上述更新参数获取单元包括:差异结构确定子单元,被配置成确定上述目标初始网络结构与上述基准网络结构的初始网络差异结构;迭代操作子单元,被配置成基于上述初始网络差异结构对上述待处理网络进行迭代操作,得到迭代后的待处理网络。
在一些实施例中,上述迭代操作子单元包括:迭代操作模块,被配置成基于上述初始网络差异结构设置上述待处理网络的反馈参数,并根据上述反馈参数对上述待处理网络进行迭代操作。
在一些实施例中,上述更新参数获取单元包括:更新目标初始网络结构查询子单元,被配置成查询上述迭代后的待处理网络中的、与上述基准网络结构对应的至少一个更新目标初始网络结构;更新目标分布参数计算子单元,被配置成计算上述至少一个更新目标初始网络结构在上述迭代后的待处理网络中的更新目标分布参数。
在一些实施例中,上述装置还包括:当前相对熵计算单元,被配置成根据上述更新目标分布参数确定上述至少一个目标初始网络结构与上述基准网络结构之间的差异度,得到当前相对熵。
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;存储器,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执行上述第一方面的用于获取目标网络的方法。
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,其特征在于,该程序被处理器执行时实现上述第一方面的用于获取目标网络的方法。
本公开的实施例提供的用于获取目标网络的方法及装置,首先获取待处理网络和上述待处理网络的网络结构参数;然后查询上述待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数;之后基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,并计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数;最后在上述迭代操作的达到设定的迭代次数,或上述更新目标分布参数对应的当前相对熵小于等于设定阈值时,将上述迭代操作后的待处理网络标记为目标网络。本申请提高了目标网络的适应性。有利于设备在运行目标网络时尽快达到基准网络结构的性能,进而提高了设备运行目标网络的数据处理效率,减少了目标网络占用设备的内存空间。
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获取目标网络的方法的一个实施例的流程图;
图3是根据本公开的用于获取目标网络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获取目标网络的方法的又一个实施例的流程图;
图5是根据本公开的用于获取目标网络的装置的一个实施例的结构示意图;
图6是适于用来实现本公开的实施例的电子设备结构示意图。
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实施例的用于获取目标网络的方法或用于获取目标网络的装置的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104、网络训练服务器105和网络结构服务器106。网络104用以在终端设备101、102、103、网络训练服务器105和网络结构服务器106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与网络训练服务器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,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。这些模型都通过对应的网络结构来进行数据处理。
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,可以是具有显示屏并且支持网页浏览、信息搜索、即时通讯等的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、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。
网络结构服务器106上存储有超网络,该超网络包含有多种类型网络结构,以适应多用应用场景的需要。超网络内的各个网络结构有对应的分布参数。其中,分布参数可以是对应的网络结构在超网络中的各种网络参数(例如可以是网络类型、网络函数、网络节点等),可以表征超网络内指定类型的网络结构。
网络训练服务器105可以是提供各种服务的服务器,例如,获取终端设备101、102、103上指定的模型,并以此模型来训练网络结构服务器106上对应的模型结构。
需要说明的是,本公开的实施例所提供的用于获取目标网络的方法一般由网络训练服务器105执行,相应地,用于获取目标网络的装置一般设置于网络训练服务器105中。
需要说明的是,网络训练服务器105和/或网络结构服务器106可以是硬件,也可以是软件。当网络训练服务器105和/或网络结构服务器106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。当网络训练服务器105和/或网络结构服务器106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、网络训练服务器、网络结构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、网络训练服务器、网络结构服务器。
继续参考图2,示出了根据本公开的用于获取目标网络的方法的一个实施例的流程200。该用于获取目标网络的方法包括以下步骤:
步骤201,获取待处理网络和上述待处理网络的网络结构参数。
在本实施例中,用于获取目标网络的方法的执行主体(例如图1所示的网络训练服务器105)可以通过有线连接方式或者无线连接方式从网络结构服务器106获取待处理网络。需要指出的是,上述无线连接方式可以包括但不限于3G/4G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(Ultra Wideband)连接、以及其他现在已知或将来开发的无线连接方式。
现有训练超网络的过程中,主要考虑了兼顾多种网络结构时的整体性能。因此,当将训练好的超网络应用于具体的场景时,经常使得超网络无法达到该场景对应的独立网络结构的性能。即,现有方法训练的超网络的性能与独立网络结构一致性差,无法达到独立网络结构的性能。
为此,本申请的执行主体首先获取网络结构服务器106上的待处理网络(即超网络)和上述待处理网络的网络结构参数。其中,上述网络结构参数可以包含上述待处理网络包含的至少一个初始网络结构中每个初始网络结构的初始分布参数。初始分布参数可以用于表征待处理网络上对应网络结构,调整初始分布参数可以调整对应网络结构的性能。
步骤202,查询上述待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数。
执行主体可以从终端设备101、102、103等设备上获取基准网络结构。其中,基准网络结构与上述的独立网络结构相同,可以认为是实际中针对特定场景的网络结构。待处理网络中与基准网络结构相同或相似的网络结构可能存在多个。执行主体可以从待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数。
步骤203,基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,并计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数。
查询到目标初始分布参数后,执行主体可以通过目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作。例如,执行主体可以根据基准网络结构对目标初始分布参数进行调整,并根据调整后的目标初始分布参数对待处理网络进行迭代操作。之后,执行主体可以计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数。
在本实施例的一些可选的实现方式中,上述基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,可以包括以下步骤:
第一步,确定上述目标初始网络结构与上述基准网络结构的初始网络差异结构。
执行主体可以比较目标初始网络结构与基准网络结构的网络层数、每层网络结构等参数,进而确定目标初始网络结构与基准网络结构的初始网络差异结构。
第二步,基于上述初始网络差异结构对上述待处理网络进行迭代操作,得到迭代后的待处理网络。
执行主体可以通过初始网络差异结构确定需要调整的初始网络结构,并在迭代过程中重点调整该初始网络结构,进而得到迭代后的待处理网络。
在本实施例的一些可选的实现方式中,上述基于上述初始网络差异结构对上述待处理网络进行迭代操作,可以包括:基于上述初始网络差异结构设置上述待处理网络的反馈参数,并根据上述反馈参数对上述待处理网络进行迭代操作。
得到初始网络差异结构后,执行主体可以根据初始网络差异结构设置对应的反馈参数,并通过反馈参数引导待处理网络的迭代方向。从而可以得到基于初始网络差异结构的迭代后的待处理网络。
在本实施例的一些可选的实现方式中,上述计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数,可以包括以下步骤:
第一步,查询上述迭代后的待处理网络中的、与上述基准网络结构对应的至少一个更新目标初始网络结构。
由于目标初始网络结构与基准网络结构存在差异,会使得迭代后的待处理网络与迭代前的待处理网络的网络结构会发生变化。执行主体可以首先从迭代后的待处理网络中的、与上述基准网络结构对应的至少一个更新目标初始网络结构。此处,更新目标初始网络结构可以与上述的目标初始网络结构相同,但参数不同的网络结构,也可以与目标初始网络结构相同,且参数也相同的网络结构。此外,更新目标初始网络结构还可能是与目标初始网络结构不同的其他网络结构,具体视实际情况而定。
第二步,计算上述至少一个更新目标初始网络结构在上述迭代后的待处理网络中的更新目标分布参数。
确定了更新目标初始网络结构后,执行主体可以计算上述至少一个更新目标初始网络结构在上述迭代后的待处理网络中的更新目标分布参数。
步骤204,响应于上述迭代操作的达到设定的迭代次数,或上述更新目标分布参数对应的当前相对熵小于等于设定阈值,则将上述迭代操作后的待处理网络标记为目标网络。
本申请的相对熵用于表征待处理网络在基准网络结构的运行场景(例如可以是基准网络结构对输入数据进行处理的场景)下、与基准网络结构的性能差异。即,上述当前相对熵可以用于表征更新目标分布参数与上述基准网络结构之间的差异度。在此基础上,执行主体可以进一步检测迭代操作是否达到设定的迭代次数。如果迭代操作的达到设定的迭代次数,或者更新目标分布参数对应的当前相对熵小于等于设定阈值,则执行主体可以将上述迭代操作后的待处理网络标记为目标网络。即,当前相对熵也可以表征待处理网络与上述基准网络结构之间的差异度。此时,可以认为得到的目标网络不仅对很多网络具有很好的兼容性,而且与具体的网络的一致性也很高。如此,提高了目标网络的适应性。有利于设备在运行目标网络时尽快达到基准网络结构的性能,进而提高了设备运行目标网络的数据处理效率,减少目标网络占用设备的内存空间。
在本实施例的一些可选的实现方式中,上述当前相对熵通过以下步骤计算得到:
根据上述更新目标分布参数确定上述至少一个目标初始网络结构与上述基准网络结构之间的差异度,得到当前相对熵。
执行主体根据更新目标分布参数查询目标初始网络结构与上述基准网络结构之间的网络参数、网络节点等差异度,并以此差异度来确定当前相对熵。例如,执行主体可以通过多种方式模拟基准网络结构与更新目标分布参数下的目标初始网络结构的性能,进而将性能转换为对应的损失函数确定为当前相对熵。
继续参见图3,图3是根据本实施例的用于获取目标网络的方法的应用场景的一个示意图。在图3的应用场景中,网络训练服务器105可以通过网络104与网络结构服务器106建立数据通信,并从网络结构服务器106中获取待处理网络和待处理网络的网络结构参数。然后,网络训练服务器105可以从终端设备101、102或其他设备获取基准网络结构,并查询待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数。之后,目标初始分布参数和基准网络结构迭代待处理网络,得到目标初始网络结构的更新目标分布参数。最后在迭代操作的达到设定的迭代次数,或所述更新目标分布参数对应的当前相对熵小于等于设定阈值时,将所述迭代操作后的待处理网络标记为目标网络。当终端设备103和终端设备101、102具有相似的应用场景时,网络训练服务器105可以将目标网络发送给终端设备103,以使得目标网络在终端设备103上有效运行。
本公开的上述实施例提供的方法首先获取待处理网络和上述待处理网络的网络结构参数;然后查询上述待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数;之后基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,并计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数;最后在上述迭代操作的达到设定的迭代次数,且上述更新目标分布参数对应的当前相对熵小于等于设定阈值时,将上述迭代操作后的待处理网络标记为目标网络。本申请提高了目标网络的适应性。有利于设备在运行目标网络时尽快达到基准网络结构的性能,进而提高了设备运行目标网络的数据处理效率,减少目标网络占用设备的内存空间。
进一步参考图4,其示出了用于获取目标网络的方法的又一个实施例的流程400。该用于获取目标网络的方法的流程400,包括以下步骤:
步骤401,获取待处理网络和上述待处理网络的网络结构参数。
步骤401的内容与步骤步骤201的内容相同,此处不再一一赘述。
步骤402,查询上述待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数。
步骤402的内容与步骤步骤202的内容相同,此处不再一一赘述。
步骤403,基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,并计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数。
步骤403的内容与步骤步骤203的内容相同,此处不再一一赘述。
步骤404,响应于上述迭代操作的达到设定的迭代次数,或上述更新目标分布参数对应的当前相对熵小于等于设定阈值,则将上述迭代操作后的待处理网络标记为目标网络。
步骤404的内容与步骤步骤204的内容相同,此处不再一一赘述。
步骤405,响应于接收到的网络请求,将上述目标网络发送给对应网络请求的设备。
执行主体可以接收终端设备101、102、103等发来的网络请求,请将目标网络发送给终端设备101、102、103。如此,有利于目标网络的兼容性,使得目标网络更好地应用于终端设备101、102、103。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种用于获取目标网络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5所示,本实施例的用于获取目标网络的装置500可以包括:数据获取单元501、参数查询单元502、更新参数获取单元503和目标网络标记单元504。其中,数据获取单元501被配置成获取待处理网络和上述待处理网络的网络结构参数,上述网络结构参数包含上述待处理网络包含的至少一个初始网络结构中每个初始网络结构的初始分布参数;参数查询单元502被配置成查询上述待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数;更新参数获取单元503被配置成基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,并计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数;目标网络标记单元504,响应于上述迭代操作的达到设定的迭代次数,或上述更新目标分布参数对应的当前相对熵小于等于设定阈值,被配置成将上述迭代操作后的待处理网络标记为目标网络,其中,上述当前相对熵用于表征更新目标分布参数与上述基准网络结构之间的差异度。
在本实施例的一些可选的实现方式中,上述更新参数获取单元503可以包括:差异结构确定子单元(图中未视出)和迭代操作子单元(图中未视出)。其中,差异结构确定子单元被配置成确定上述目标初始网络结构与上述基准网络结构的初始网络差异结构;迭代操作子单元被配置成基于上述初始网络差异结构对上述待处理网络进行迭代操作,得到迭代后的待处理网络。
在本实施例的一些可选的实现方式中,上述迭代操作子单元可以包括:迭代操作模块(图中未视出),被配置成基于上述初始网络差异结构设置上述待处理网络的反馈参数,并根据上述反馈参数对上述待处理网络进行迭代操作。
在本实施例的一些可选的实现方式中,上述更新参数获取单元503可以包括:更新目标初始网络结构查询子单元(图中未视出)和更新目标分布参数计算子单元(图中未视出)。其中,更新目标初始网络结构查询子单元被配置成查询上述迭代后的待处理网络中的、与上述基准网络结构对应的至少一个更新目标初始网络结构;更新目标分布参数计算子单元被配置成计算上述至少一个更新目标初始网络结构在上述迭代后的待处理网络中的更新目标分布参数。
在本实施例的一些可选的实现方式中,上述用于获取目标网络的装置500还可以包括:当前相对熵计算单元(图中未视出),被配置成根据上述更新目标分布参数确定上述至少一个目标初始网络结构与上述基准网络结构之间的差异度,得到当前相对熵。
本实施例还提供了一种电子设备,包括:一个或多个处理器;存储器,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执行上述的用于获取目标网络的方法。
本实施例还提供了一种计算机可读介质,其上存储有计算机程序,该程序被处理器执行时实现上述的用于获取目标网络的方法。
下面参考图6,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中的网络训练服务器105)的计算机系统600的结构示意图。图6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6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605: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606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,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6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609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601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:获取待处理网络和上述待处理网络的网络结构参数,上述网络结构参数包含上述待处理网络包含的至少一个初始网络结构中每个初始网络结构的初始分布参数;查询上述待处理网络中的、与基准网络结构相对应的至少一个目标初始网络结构的目标初始分布参数;基于上述目标初始分布参数和基准网络结构对上述待处理网络进行迭代操作,并计算迭代后的待处理网络中、上述至少一个目标初始网络结构的更新目标分布参数;响应于上述迭代操作的达到设定的迭代次数,或上述更新目标分布参数对应的当前相对熵小于等于设定阈值,将上述迭代操作后的待处理网络标记为目标网络,其中,上述当前相对熵用于表征更新目标分布参数与上述基准网络结构之间的差异度。
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,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,图示了按照本公开的各种实施例的系统、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:一种处理器包括数据获取单元、参数查询单元、更新参数获取单元和目标网络标记单元。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,目标网络标记单元还可以被描述为“在满足设定条件下,将待处理网络标记为目标网络的单元”。
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 (8)
1.一种用于获取目标网络的方法,包括:
获取待处理网络和所述待处理网络的网络结构参数,所述待处理网络为包含多个类型网络结构的超网络,不同类型的网络结构分别对应不同应用场景下的数据处理需要,所述网络结构参数包含所述待处理网络包含的至少一个初始网络结构中每个初始网络结构的初始分布参数;
查询所述待处理网络中的、与基准网络结构相对应、且存在差异的一个目标初始网络结构及所述目标初始网络结构的目标初始分布参数;其中,所述基准网络结构为匹配于相同实际特定场景数据处理需求的网络结构;
确定所述目标初始网络结构与所述基准网络结构的初始网络差异结构;基于所述初始网络差异结构确定需要调整的初始网络结构,并在迭代过程中重点调整所述需要调整的初始网络结构,得到与迭代前的待处理网络在网络结构上发生了变化的迭代后的待处理网络;查询所述迭代后的待处理网络中的、与所述基准网络结构对应的一个更新目标初始网络结构,所述更新目标初始网络结构相对于所述目标初始网络结构至少具有以下一项不同:参数、网络结构;计算所述更新目标初始网络结构在所述迭代后的待处理网络中的更新目标分布参数;
响应于所述迭代操作的达到设定的迭代次数,或所述更新目标分布参数对应的当前相对熵小于等于设定阈值,将所述迭代操作后的待处理网络标记为目标网络,其中,所述当前相对熵用于表征更新目标分布参数与所述基准网络结构之间的差异度,所述当前相对熵的确定方式包括:分别模拟所述基准网络结构与所述更新目标分布参数下的目标初始网络结构的性能,并将根据得到的性能差转换出的损失函数确定为所述当前相对熵。
2.根据权利要求1所述的方法,其中,所述基于所述初始网络差异结构确定需要调整的初始网络结构,并在迭代过程中重点调整所述需要调整的初始网络结构,得到与迭代前的待处理网络在网络结构上发生了变化的迭代后的待处理网络,包括:
基于所述初始网络差异结构设置所述待处理网络的反馈参数,并根据所述反馈参数对所述待处理网络进行迭代操作。
3.根据权利要求1所述的方法,其中,所述方法还包括:
根据所述更新目标分布参数确定所述至少一个目标初始网络结构与所述基准网络结构之间的差异度,得到当前相对熵。
4.一种用于获取目标网络的装置,包括:
数据获取单元,被配置成获取待处理网络和所述待处理网络的网络结构参数,所述待处理网络为包含多个类型网络结构的超网络,不同类型的网络结构分别对应不同应用场景下的数据处理需要,所述网络结构参数包含所述待处理网络包含的至少一个初始网络结构中每个初始网络结构的初始分布参数;
参数查询单元,被配置成查询所述待处理网络中的、与基准网络结构相对应、且存在差异的一个目标初始网络结构及所述目标初始网络结构的目标初始分布参数;其中,所述基准网络结构为匹配于相同实际特定场景数据处理需求的网络结构;
更新参数获取单元,被配置成确定所述目标初始网络结构与所述基准网络结构的初始网络差异结构;基于所述初始网络差异结构确定需要调整的初始网络结构,并在迭代过程中重点调整所述需要调整的初始网络结构,得到与迭代前的待处理网络在网络结构上发生了变化的迭代后的待处理网络;查询所述迭代后的待处理网络中的、与所述基准网络结构对应的一个更新目标初始网络结构,所述更新目标初始网络结构相对于所述目标初始网络结构至少具有以下一项不同:参数、网络结构;计算所述更新目标初始网络结构在所述迭代后的待处理网络中的更新目标分布参数;
目标网络标记单元,响应于所述迭代操作的达到设定的迭代次数,或所述更新目标分布参数对应的当前相对熵小于等于设定阈值,被配置成将所述迭代操作后的待处理网络标记为目标网络,其中,所述当前相对熵用于表征更新目标分布参数与所述基准网络结构之间的差异度,所述当前相对熵的确定方式包括:分别模拟所述基准网络结构与所述更新目标分布参数下的目标初始网络结构的性能,并将根据得到的性能差转换出的损失函数确定为所述当前相对熵。
5.根据权利要求4所述的装置,其中,所述更新参数获取单元包括被配置成基于所述初始网络差异结构确定需要调整的初始网络结构,并在迭代过程中重点调整所述需要调整的初始网络结构,得到与迭代前的待处理网络在网络结构上发生了变化的迭代后的待处理网络的迭代操作子单元,所述迭代操作子单元被进一步配置成:
基于所述初始网络差异结构设置所述待处理网络的反馈参数,并根据所述反馈参数对所述待处理网络进行迭代操作。
6.根据权利要求4所述的装置,其中,所述装置还包括:
当前相对熵计算单元,被配置成根据所述更新目标分布参数确定所述至少一个目标初始网络结构与所述基准网络结构之间的差异度,得到当前相对熵。
7.一种电子设备,包括:
一个或多个处理器;
存储器,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时,使得所述一个或多个处理器执行权利要求1至3中任一所述的方法。
8.一种计算机可读介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至3中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010112531.5A CN111278085B (zh) | 2020-02-24 | 2020-02-24 | 用于获取目标网络的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010112531.5A CN111278085B (zh) | 2020-02-24 | 2020-02-24 | 用于获取目标网络的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111278085A CN111278085A (zh) | 2020-06-12 |
CN111278085B true CN111278085B (zh) | 2023-08-29 |
Family
ID=70999175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010112531.5A Active CN111278085B (zh) | 2020-02-24 | 2020-02-24 | 用于获取目标网络的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111278085B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111783951B (zh) * | 2020-06-29 | 2024-02-20 | 北京百度网讯科技有限公司 | 基于超网络的模型获取方法、装置、设备及存储介质 |
CN111898061B (zh) * | 2020-07-29 | 2023-11-28 | 抖音视界有限公司 | 搜索网络的方法、装置、电子设备和计算机可读介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106413057A (zh) * | 2016-10-09 | 2017-02-15 | 北京邮电大学 | 一种基于sdwn架构的无线接入网能耗优化方法 |
CN108921281A (zh) * | 2018-05-08 | 2018-11-30 | 中国矿业大学 | 一种基于深度网络和对抗技术的领域适配方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9734436B2 (en) * | 2015-06-05 | 2017-08-15 | At&T Intellectual Property I, L.P. | Hash codes for images |
CN107529650B (zh) * | 2017-08-16 | 2021-05-18 | 广州视源电子科技股份有限公司 | 闭环检测方法、装置及计算机设备 |
CN107945204B (zh) * | 2017-10-27 | 2021-06-25 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
US11250314B2 (en) * | 2017-10-27 | 2022-02-15 | Cognizant Technology Solutions U.S. Corporation | Beyond shared hierarchies: deep multitask learning through soft layer ordering |
US10558913B1 (en) * | 2018-10-24 | 2020-02-11 | Equifax Inc. | Machine-learning techniques for monotonic neural networks |
CN109359120A (zh) * | 2018-11-09 | 2019-02-19 | 阿里巴巴集团控股有限公司 | 一种模型训练中的数据更新方法、装置及设备 |
CN110287987B (zh) * | 2019-05-16 | 2021-06-25 | 北京交通大学 | 带层次网络结构的业务系统层次组织结构发现方法 |
CN110598842A (zh) * | 2019-07-17 | 2019-12-20 | 深圳大学 | 一种深度神经网络超参数优化方法、电子设备及存储介质 |
CN110531861B (zh) * | 2019-09-06 | 2021-11-19 | 腾讯科技(深圳)有限公司 | 运动想象脑电信号的处理方法和装置及存储介质 |
CN110580520A (zh) * | 2019-09-11 | 2019-12-17 | 北京百度网讯科技有限公司 | 基于超网络的模型结构采样、装置以及电子设备 |
CN110782034A (zh) * | 2019-10-31 | 2020-02-11 | 北京小米智能科技有限公司 | 神经网络的训练方法、装置及存储介质 |
CN112381227B (zh) * | 2020-11-30 | 2023-03-24 | 北京市商汤科技开发有限公司 | 神经网络生成方法、装置、电子设备及存储介质 |
-
2020
- 2020-02-24 CN CN202010112531.5A patent/CN111278085B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106413057A (zh) * | 2016-10-09 | 2017-02-15 | 北京邮电大学 | 一种基于sdwn架构的无线接入网能耗优化方法 |
CN108921281A (zh) * | 2018-05-08 | 2018-11-30 | 中国矿业大学 | 一种基于深度网络和对抗技术的领域适配方法 |
Non-Patent Citations (1)
Title |
---|
深度置信网络优化模型在人才评价中的应用;李娜娜;胡坚剑;顾军华;张亚娟;;计算机工程(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111278085A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110391938B (zh) | 用于部署服务的方法和装置 | |
CN110619078B (zh) | 用于推送信息的方法和装置 | |
CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
CN110909521A (zh) | 在线文档信息的同步处理方法、装置及电子设备 | |
CN111278085B (zh) | 用于获取目标网络的方法及装置 | |
WO2021203918A1 (zh) | 用于处理模型参数的方法和装置 | |
CN110781373A (zh) | 榜单更新方法、装置、可读介质和电子设备 | |
CN107347093B (zh) | 用于分布式服务器系统的配置方法和装置 | |
CN111324470B (zh) | 用于生成信息的方法及装置 | |
CN110009101B (zh) | 用于生成量化神经网络的方法和装置 | |
CN111327472B (zh) | 用于获取目标网络的方法及装置 | |
CN109144864B (zh) | 用于测试窗口的方法及装置 | |
CN112507676B (zh) | 能源报表生成方法、装置、电子设备和计算机可读介质 | |
CN110765238A (zh) | 数据加密查询方法及装置 | |
CN110929209B (zh) | 用于发送信息的方法及装置 | |
CN111726476B (zh) | 图像处理方法、装置、设备和计算机可读介质 | |
CN111353585A (zh) | 神经网络模型的结构搜索方法和装置 | |
CN110619079A (zh) | 用于推送信息的方法和装置 | |
CN110417596B (zh) | 用于可用区的扩容方法和装置 | |
CN111526054B (zh) | 用于获取网络的方法及装置 | |
CN113472565B (zh) | 服务器功能的扩容方法、装置、设备和计算机可读介质 | |
CN111314457B (zh) | 设置虚拟私有云的方法和装置 | |
CN114697206B (zh) | 物联网节点管理方法、装置、设备和计算机可读介质 | |
CN112311833B (zh) | 数据更新方法和装置 | |
CN112667485A (zh) | 平台数据节点显示方法、装置、电子设备和介质 |
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 |