CN111310896A - 用于训练神经网络的方法和装置 - Google Patents

用于训练神经网络的方法和装置 Download PDF

Info

Publication number
CN111310896A
CN111310896A CN202010089892.2A CN202010089892A CN111310896A CN 111310896 A CN111310896 A CN 111310896A CN 202010089892 A CN202010089892 A CN 202010089892A CN 111310896 A CN111310896 A CN 111310896A
Authority
CN
China
Prior art keywords
neural network
training
initial neural
network
preset
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.)
Granted
Application number
CN202010089892.2A
Other languages
English (en)
Other versions
CN111310896B (zh
Inventor
彭冕
傅依
文石磊
章宏武
孙昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010089892.2A priority Critical patent/CN111310896B/zh
Publication of CN111310896A publication Critical patent/CN111310896A/zh
Application granted granted Critical
Publication of CN111310896B publication Critical patent/CN111310896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/045—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了用于训练神经网络的方法和装置。该方法的一具体实施方式包括：获取训练样本；利用训练样本对初始神经网络进行训练，确定初始神经网络是否达到收敛；响应于确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，以及确定初始神经网络是否满足预设的训练结束条件；响应于确定出初始神经网络满足训练结束条件，生成训练完成的神经网络。该实施方式可以在提高神经网络的网络权重的准确性的同时提高神经网络的训练速度。

Description

用于训练神经网络的方法和装置
技术领域
本申请实施例涉及计算机技术领域，具体涉及用于训练神经网络的方法和装置。
背景技术
随着科学技术的发展，神经网络(Neural Network)得到了越来越广泛的应用。神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。目前，神经网络提供了针对图像识别、语音识别和自然语言处理领域诸多问题的最佳解决方案。
发明内容
本申请实施例提出了用于训练神经网络的方法和装置。
第一方面，本申请实施例提供了一种用于训练神经网络的方法，包括：获取训练样本；利用训练样本对初始神经网络进行训练，确定初始神经网络是否达到收敛；响应于确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，以及确定初始神经网络是否满足预设的训练结束条件；响应于确定出初始神经网络满足训练结束条件，生成训练完成的神经网络。
在一些实施例中，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，包括：采用预设的周期余弦学习率，对初始神经网络进行训练，当初始神经网络在每个周期训练完成时，基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新。
在一些实施例中，基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新，包括：确定初始神经网络在上一个周期训练完成时的网络权重与当前的周期数的乘积，将乘积与初始神经网络当前的网络权重之和确定为第一数值；将当前的周期数与预设数值之和确定为第二数值；将第一数值与第二数值的比值确定为第三数值；利用第三数值，对初始神经网络的网络权重进行更新。
在一些实施例中，训练结束条件包括以下至少一项：对初始神经网络进行训练的训练时间超过预设时长；对初始神经网络进行训练的训练次数超过预设次数。
在一些实施例中，神经网络包括图像分割模型，训练样本包括样本图像和样本分割结果；以及确定初始神经网络是否满足预设的训练结束条件，包括：将训练样本中的样本图像输入初始神经网络中，得到分割结果；确定得到的分割结果与对应的样本分割结果之间的差异；确定差异是否小于预设差异阈值。
第二方面，本申请实施例提供了一种用于训练神经网络的装置，包括：获取单元，被配置成获取训练样本；确定单元，被配置成利用训练样本对初始神经网络进行训练，确定初始神经网络是否达到收敛；更新单元，被配置成响应于确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，以及确定初始神经网络是否满足预设的训练结束条件；生成单元，被配置成响应于确定出初始神经网络满足训练结束条件，生成训练完成的神经网络。
在一些实施例中，更新单元进一步被配置成按照如下方式采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新：采用预设的周期余弦学习率，对初始神经网络进行训练，当初始神经网络在每个周期训练完成时，基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新。
在一些实施例中，更新单元进一步被配置成按照如下方式基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新：确定初始神经网络在上一个周期训练完成时的网络权重与当前的周期数的乘积，将乘积与初始神经网络当前的网络权重之和确定为第一数值；将当前的周期数与预设数值之和确定为第二数值；将第一数值与第二数值的比值确定为第三数值；利用第三数值，对初始神经网络的网络权重进行更新。
在一些实施例中，训练结束条件包括以下至少一项：对初始神经网络进行训练的训练时间超过预设时长；对初始神经网络进行训练的训练次数超过预设次数。
在一些实施例中，神经网络包括图像分割模型，训练样本包括样本图像和样本分割结果；以及更新单元进一步被配置成按照如下方式确定初始神经网络是否满足预设的训练结束条件：将训练样本中的样本图像输入初始神经网络中，得到分割结果；确定得到的分割结果与对应的样本分割结果之间的差异；确定差异是否小于预设差异阈值。
第三方面，本申请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，本申请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。
本申请的上述实施例提供的用于训练神经网络的方法和装置，通过首先获取训练样本；之后，利用上述训练样本对初始神经网络进行训练，确定初始神经网络是否达到收敛；若确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，以及确定初始神经网络是否满足预设的训练结束条件；若确定出初始神经网络满足上述训练结束条件，生成训练完成的神经网络。这种方式在确定出神经网络收敛到较稳定阶段之后，采用周期余弦学习率对神经网络进行训练，可以在提高神经网络的网络权重的准确性的同时提高神经网络的训练速度。若所训练的神经网络为图像分割模型时，所生成的图像分割模型可以提高图像分割的准确性。
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，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的各个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的用于训练神经网络的方法的一个实施例的流程图；
图3是根据本申请的用于训练神经网络的方法的学习率与迭代次数的一个对应关系的示意图；
图4是根据本申请的用于训练神经网络的方法的又一个实施例的流程图；
图5是根据本申请的用于训练神经网络的装置的一个实施例的结构示意图；
图6是适于用来实现本申请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申请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，本申请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申请。
图1示出了可以应用本申请的用于训练神经网络的方法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1011、1012、1013，网络102和服务器103。网络102用以在终端设备1011、1012、1013和服务器103之间提供通信链路的介质。网络102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1011、1012、1013通过网络102与服务器103交互，以发送或接收消息等(例如，终端设备1011、1012、1013可以接收服务器103中发送的训练完成的神经网络，服务器103也可以从终端设备1011、1012、1013中获取训练样本)等。终端设备1011、1012、1013上可以安装有各种通讯客户端应用，例如图像处理类应用、即时通讯软件等。
终端设备1011、1012、1013可以是硬件，也可以是软件。当终端设备1011、1012、1013为硬件时，可以是支持信息交互的各种电子设备，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1011、1012、1013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，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103可以是提供各种服务的服务器。例如，可以是对神经网络进行训练的后台服务器。服务器103可以首先获取训练样本；之后，可以利用上述训练样本对初始神经网络进行训练，确定初始神经网络是否达到收敛；而后，若确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，以及确定初始神经网络是否满足预设的训练结束条件；最后，若确定出初始神经网络满足上述训练结束条件，生成训练完成的神经网络。
需要说明的是，服务器103可以是硬件，也可以是软件。当服务器103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103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。
需要说明的是，本申请实施例所提供的用于训练神经网络的方法通常由服务器103执行。
需要说明的是，服务器105的本地可以存储有训练样本，服务器105可以从本地获取训练样本。此时示例性系统架构100可以不存在终端设备1011、1012、1013和网络102。
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，示出了根据本申请的用于训练神经网络的方法的一个实施例的流程200。该用于训练神经网络的方法，包括以下步骤：
步骤201，获取训练样本。
在本实施例中，用于训练神经网络的方法的执行主体(例如图1所示的服务器)可以通过多种方式来获取训练样本。例如，上述执行主体可以通过有线连接方式或无线连接方式，从数据库服务器中获取存储于其中的现有的训练样本。再例如，可以通过终端来收集训练样本。这样，上述执行主体可以接收上述终端所收集的训练样本，并将这些训练样本存储在本地。
通常来说，训练样本包括输入样本和输出样本。训练样本通常是根据神经网络的功能而进行设置的。在一些实施例中，若训练完成的神经网络用于图像分割，则输入样本为样本图像，输出样本为样本图像分割结果。若训练完成的神经网络用于向用户推荐信息，则输入样本为样本用户的用户信息，输出样本为样本待推荐信息。
步骤202，利用训练样本对初始神经网络进行训练。
在本实施例中，上述执行主体可以利用在步骤201中获取到的训练样本对初始神经网络进行训练。初始神经网络可以是基于机器学习技术而创建的现有的各种神经网络模型。该神经网络可以具有现有的各种神经网络结构(例如DenseBox、VGGNet、ResNet、SegNet等)。
在这里，上述执行主体可以将上述训练样本中的输入样本和输入样本分别作为初始神经网络的输入和期望输出，从而对初始神经网络进行训练。作为示例，上述执行主体可以将上述训练样本中的输入样本输入到初始神经网络，得到该输入样本对应的输出，以该训练样本中的输出样本作为初始神经网络的期望输出，利用机器学习方法训练初始神经网络。
步骤203，确定初始神经网络是否达到收敛。
在本实施例中，上述执行主体可以在初始神经网络训练的过程中，确定初始神经网络是否达到收敛。作为一种示例，上述执行主体可以确定初始神经网络在两次迭代之间的网络权重的变化值，通过将上述变化值与预设的权重变化阈值进行比较，若上述变化值小于等于上述权重变化阈值，则可以确定出初始神经网络达到收敛。作为另一种示例，上述执行主体可以确定初始神经网络的损失值，通过将上述损失值与预设的损失值阈值进行比较，若上述损失值小于等于上述损失值阈值，则可以确定出初始神经网络达到收敛。
在本实施例中，若确定出初始神经网络达到收敛，上述执行主体可以执行步骤204。
步骤204，响应于确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新。
在本实施例中，若在步骤203中确定出初始神经网络达到收敛，上述执行主体可以采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新。学习率也可以称为学习速率，是指导如何通过损失函数的梯度调整网络权重的超参数。在对神经网络进行训练的过程中，学习率作为一个超参数控制了网络权重更新的幅度，以及训练的速度和精度。学习率太大容易导致目标函数波动较大从而难以找到局部最优解，而学习率设置的太小，则会导致神经网络收敛过慢耗时太长。余弦学习率通常指的是随着迭代次数的增加，学习率以余弦函数形式进行变化。由于余弦函数通常是周期函数，因此，余弦学习率也可以称为周期余弦学习率。初始神经网络的网络权重也可以称为网络参数，例如，神经网络中每个卷积核中的各个神经元的权重。
步骤205，确定初始神经网络是否满足预设的训练结束条件。
在本实施例中，上述执行主体可以确定初始神经网络是否满足预设的训练结束条件。上述训练结束条件可以包括当前时间点符合预设的设定时间点。作为示例，若预设的设定时间点为2点30分，若当前时间为2点30分时，则可以结束对初始神经网络的训练。若确定出初始神经网络满足上述训练结束条件，则上述执行主体可以执行步骤206。
步骤206，响应于确定出初始神经网络满足训练结束条件，生成训练完成的神经网络。
在本实施例中，若在步骤205中确定出初始神经网络满足上述训练结束条件，则上述执行主体可以生成训练完成的神经网络。之后，可以将训练完成的神经网络发送给其它电子设备。
在本实施例的一些可选的实现方式中，上述执行主体可以通过如下方式采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新：上述执行主体可以采用预设的周期余弦学习率，对初始神经网络进行训练。之后，可以确定初始神经网络是否周期性训练完成。当初始神经网络在每个周期训练完成时，上述执行主体可以基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新。具体地，上述执行主体可以首先确定初始神经网络在上一个周期训练完成时的网络权重与当前的周期数和预设第一数值的乘积作为第一乘积；之后，可以确定初始神经网络当前的网络权重与预设第二数值的乘积作为第二乘积；而后，可以确定当前的周期数和上述第一数值的乘积作为第三乘积；然后，可以确定上述第一乘积与上述第二乘积之和作为第一和值，以及确定上述第三乘积与上述第二数值之和作为第二和值；最后，可以利用上述第一和值与上述第二和值的比值，对初始神经网络的网络权重进行更新。在这里，可以将上述第一和值与上述第二和值的比值赋值给初始神经网络的网络权重。
在本实施例的一些可选的实现方式中，上述训练结束条件可以包括以下至少一项：对初始神经网络进行训练的训练时间超过预设时长和对初始神经网络进行训练的训练次数超过预设次数。上述训练时间也可以称为模型迭代时间，上述训练次数也可以称为模型迭代次数。在这里，上述训练时间可以是以采用周期余弦学习率对初始神经网络进行训练的时间作为起始时间所确定出的训练时间。上述训练次数可以是以采用周期余弦学习率对初始神经网络进行训练的次数作为起始次数所确定出的训练次数。
在本实施例的一些可选的实现方式中，神经网络可以包括图像分割模型。上述图像分割模型可以用于表征图像与图像分割结果之间的对应关系。此时，上述训练样本可以包括样本图像和样本分割结果。上述执行主体可以通过如下方式确定初始神经网络是否满足预设的训练结束条件：上述执行主体可以将上述训练样本中的样本图像输入初始神经网络中，得到分割结果。之后，可以确定得到的分割结果与对应的样本分割结果之间的差异(损失值)。例如，可以将样本的分割结果和对应的样本分割结果作为参数，输入指定的损失函数(loss function)中，可以得到分割结果与对应的样本分割结果两者之间的差异。最后，可以确定上述差异是否小于预设差异阈值。上述差异阈值一般可以用于表示预测值与真实值之间的不一致程度的理想情况。也就是说，当上述差异小于上述差异阈值时，可以认为预测值接近或近似真值。若确定出上述差异小于上述差异阈值，则可以确定出初始神经网络满足训练结束条件。
本申请的上述实施例提供的方法通过在确定出神经网络收敛到较稳定阶段之后，采用周期余弦学习率对神经网络进行训练，从而可以在提高神经网络的网络权重的准确性的同时提高神经网络的训练速度。若所训练的神经网络为图像分割模型时，所生成的图像分割模型可以提高图像分割的准确性。
如图3所示，图3示出了根据本申请的用于训练神经网络的方法的学习率与迭代次数的一个对应关系的示意图。在图3中，横坐标表征初始神经网络的迭代次数，纵坐标表征学习率。从点301的横坐标所指示的迭代次数(0次)开始到点302的横坐标所指示的迭代次数(100次)的区间内，对初始神经网络采用常规的训练方法。在对初始神经网络的网络参数的迭代次数为点302的横坐标所指示的迭代次数(100次)时，初始神经网络达到收敛。之后，采用预设的周期余弦学习率，对初始神经网络进行训练。在对初始神经网络的网络参数的迭代次数为点302的横坐标所指示的迭代次数(100次)至点303的横坐标所指示的迭代次数(110次)的区间内，初始神经网络完成一次周期性训练。在对初始神经网络的网络参数的迭代次数为点303的横坐标所指示的迭代次数(110次)至点304的横坐标所指示的迭代次数(120次)的区间内，初始神经网络完成一次周期性训练。直至迭代到点305的横坐标所指示的迭代次数(150次)时，确定出初始神经网络满足训练结束条件，生成训练完成的神经网络。
进一步参考图4，其示出了用于训练神经网络的方法的又一个实施例的流程400。该用于训练神经网络的方法的流程400，包括以下步骤：
步骤401，获取训练样本。
步骤402，利用训练样本对初始神经网络进行训练。
步骤403，确定初始神经网络是否达到收敛。
在本实施例中，步骤401-403可以按照与步骤201-203类似的方式执行，在此不再赘述。
步骤404，响应于确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络进行训练，当初始神经网络在每个周期训练完成时，确定初始神经网络在上一个周期训练完成时的网络权重与当前的周期数的乘积，将乘积与初始神经网络当前的网络权重之和确定为第一数值。
在本实施例中，若在步骤403中确定出初始神经网络达到收敛，上述执行主体可以采用预设的周期余弦学习率，对初始神经网络进行训练。之后，可以确定初始神经网络是否周期性训练完成。当初始神经网络在每个周期训练完成时，上述执行主体可以确定初始神经网络在上一个周期训练完成时的网络权重与当前的周期数的乘积，将上述乘积与初始神经网络当前的网络权重之和确定为第一数值。周期数通常为采用周期余弦学习率对初始神经网络进行训练时学习率循环的周期。
以图3为示例，点302的横坐标所指示的迭代次数(100次)所对应的周期数为0；点303的横坐标所指示的迭代次数(110次)所对应的周期数为1；点304的横坐标所指示的迭代次数(120次)所对应的周期数为2。当初始神经网络在第二个周期(对应于点304的横坐标所指示的迭代次数)训练完成时，可以确定初始神经网络在上一个周期(即第一个周期)训练完成时的网络权重与当前的周期数(2)的乘积，并将该乘积与初始神经网络当前的网络权重之和确定为第一数值。
步骤405，将当前的周期数与预设数值之和确定为第二数值。
在本实施例中，上述执行主体可以将当前的周期数与预设数值之和确定为第二数值。在这里，上述预设数值通常为1。
步骤406，将第一数值与第二数值的比值确定为第三数值。
在本实施例中，上述执行主体可以将在步骤404中确定出的第一数值与在步骤405中确定出的第二数值的比值确定为第三数值。
步骤407，利用第三数值，对初始神经网络的网络权重进行更新。
在本实施例中，上述执行主体可以利用在步骤406中确定出的第三数值，对初始神经网络的网络权重进行更新。具体地，上述执行主体可以将上述第三数值赋值给初始神经网络的网络权重，以对初始神经网络原始的网络权重进行替换。
在这里，上述执行主体可以通过如下公式(1)确定初始神经网络更新后的网络权重：
Figure BDA0002383318690000111
其中，wn为初始神经网络更新后的网络权重，w'为初始神经网络在上一个周期训练完成时的网络权重，n为当前的周期数，w为初始神经网络当前的网络权重。
步骤408，确定初始神经网络是否满足预设的训练结束条件。
步骤409，响应于确定出初始神经网络满足训练结束条件，生成训练完成的神经网络。
在本实施例中，步骤408-409可以按照与步骤205-206类似的方式执行，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，本实施例中的用于训练神经网络的方法的流程400体现了在每周期训练完成时，利用初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新的步骤。由此，本实施例描述的方案通过确定每周期训练完成时所得到的神经网络的网络权重的平均值，从而对每周期训练完成时所得到的神经网络进行集成，这种方式所集成的神经网络的鲁棒性更高。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种用于训练神经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，本实施例的用于训练神经网络的装置500包括：获取单元501被配置成获取训练样本；确定单元502被配置成利用训练样本对初始神经网络进行训练，确定初始神经网络是否达到收敛；更新单元503被配置成响应于确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，以及确定初始神经网络是否满足预设的训练结束条件；生成单元504被配置成响应于确定出初始神经网络满足训练结束条件，生成训练完成的神经网络。
在本实施例中，用于训练神经网络的装置500的获取单元501、确定单元502、更新单元503和生成单元504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和步骤204。
在本实施例的一些可选的实现方式中，上述更新单元503可以通过如下方式采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新：上述更新单元503可以采用预设的周期余弦学习率，对初始神经网络进行训练。之后，可以确定初始神经网络是否周期性训练完成。当初始神经网络在每个周期训练完成时，上述更新单元503可以基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新。具体地，上述更新单元503可以首先确定初始神经网络在上一个周期训练完成时的网络权重与当前的周期数和预设第一数值的乘积作为第一乘积；之后，可以确定初始神经网络当前的网络权重与预设第二数值的乘积作为第二乘积；而后，可以确定当前的周期数和上述第一数值的乘积作为第三乘积；然后，可以确定上述第一乘积与上述第二乘积之和作为第一和值，以及确定上述第三乘积与上述第二数值之和作为第二和值；最后，可以利用上述第一和值与上述第二和值的比值，对初始神经网络的网络权重进行更新。在这里，可以将上述第一和值与上述第二和值的比值赋值给初始神经网络的网络权重。
在本实施例的一些可选的实现方式中，上述更新单元503可以通过如下方式基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新：当初始神经网络在每个周期训练完成时，上述更新单元503可以确定初始神经网络在上一个周期训练完成时的网络权重与当前的周期数的乘积，将上述乘积与初始神经网络当前的网络权重之和确定为第一数值。周期数通常为采用周期余弦学习率对初始神经网络进行训练时学习率循环的周期。之后，上述更新单元503可以将当前的周期数与预设数值之和确定为第二数值。在这里，上述预设数值通常为1。而后，上述更新单元503可以将确定出的第一数值与确定出的第二数值的比值确定为第三数值。最后，上述更新单元503可以利用确定出的第三数值，对初始神经网络的网络权重进行更新。具体地，上述更新单元503可以将上述第三数值赋值给初始神经网络的网络权重，以对初始神经网络原始的网络权重进行替换。
在本实施例的一些可选的实现方式中，上述训练结束条件可以包括以下至少一项：对初始神经网络进行训练的训练时间超过预设时长和对初始神经网络进行训练的训练次数超过预设次数。上述训练时间也可以称为模型迭代时间，上述训练次数也可以称为模型迭代次数。在这里，上述训练时间可以是以采用周期余弦学习率对初始神经网络进行训练的时间作为起始时间所确定出的训练时间。上述训练次数可以是以采用周期余弦学习率对初始神经网络进行训练的次数作为起始次数所确定出的训练次数。
在本实施例的一些可选的实现方式中，神经网络可以包括图像分割模型。上述图像分割模型可以用于表征图像与图像分割结果之间的对应关系。此时，上述训练样本可以包括样本图像和样本分割结果。上述更新单元503可以通过如下方式确定初始神经网络是否满足预设的训练结束条件：上述更新单元503可以将上述训练样本中的样本图像输入初始神经网络中，得到分割结果。之后，可以确定得到的分割结果与对应的样本分割结果之间的差异。例如，可以将样本的分割结果和对应的样本分割结果作为参数，输入指定的损失函数中，可以得到分割结果与对应的样本分割结果两者之间的差异。最后，可以确定上述差异是否小于预设差异阈值。上述差异阈值一般可以用于表示预测值与真实值之间的不一致程度的理想情况。也就是说，当上述差异小于上述差异阈值时，可以认为预测值接近或近似真值。若确定出上述差异小于上述差异阈值，则可以确定出初始神经网络满足训练结束条件。
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中的服务器)600的结构示意图。图6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：获取训练样本；利用训练样本对初始神经网络进行训练，确定初始神经网络是否达到收敛；响应于确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，以及确定初始神经网络是否满足预设的训练结束条件；响应于确定出初始神经网络满足训练结束条件，生成训练完成的神经网络。
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：一种处理器包括获取单元、确定单元、更新单元和生成单元。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，获取单元还可以被描述为“获取训练样本的单元”。
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，本公开的实施例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的实施例中公开的(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 (12)

1.一种用于训练神经网络的方法，包括：
获取训练样本；
利用所述训练样本对初始神经网络进行训练，确定初始神经网络是否达到收敛；
响应于确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，以及确定初始神经网络是否满足预设的训练结束条件；
响应于确定出初始神经网络满足所述训练结束条件，生成训练完成的神经网络。
2.根据权利要求1所述的方法，其中，所述采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，包括：
采用预设的周期余弦学习率，对初始神经网络进行训练，当初始神经网络在每个周期训练完成时，基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新。
3.根据权利要求2所述的方法，其中，所述基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新，包括：
确定初始神经网络在上一个周期训练完成时的网络权重与当前的周期数的乘积，将所述乘积与初始神经网络当前的网络权重之和确定为第一数值；
将当前的周期数与预设数值之和确定为第二数值；
将所述第一数值与所述第二数值的比值确定为第三数值；
利用所述第三数值，对初始神经网络的网络权重进行更新。
4.根据权利要求1-3之一所述的方法，其中，所述训练结束条件包括以下至少一项：
对初始神经网络进行训练的训练时间超过预设时长；
对初始神经网络进行训练的训练次数超过预设次数。
5.根据权利要求1-3之一所述的方法，其中，神经网络包括图像分割模型，所述训练样本包括样本图像和样本分割结果；以及
所述确定初始神经网络是否满足预设的训练结束条件，包括：
将所述训练样本中的样本图像输入初始神经网络中，得到分割结果；
确定得到的分割结果与对应的样本分割结果之间的差异；
确定所述差异是否小于预设差异阈值。
6.一种用于训练神经网络的装置，包括：
获取单元，被配置成获取训练样本；
确定单元，被配置成利用所述训练样本对初始神经网络进行训练，确定初始神经网络是否达到收敛；
更新单元，被配置成响应于确定出初始神经网络达到收敛，采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新，以及确定初始神经网络是否满足预设的训练结束条件；
生成单元，被配置成响应于确定出初始神经网络满足所述训练结束条件，生成训练完成的神经网络。
7.根据权利要求6所述的装置，其中，所述更新单元进一步被配置成按照如下方式采用预设的周期余弦学习率，对初始神经网络的网络权重进行更新：
采用预设的周期余弦学习率，对初始神经网络进行训练，当初始神经网络在每个周期训练完成时，基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新。
8.根据权利要求7所述的装置，其中，所述更新单元进一步被配置成按照如下方式基于初始神经网络当前的网络权重、初始神经网络在上一个周期训练完成时的网络权重和当前的周期数，对初始神经网络的网络权重进行更新：
确定初始神经网络在上一个周期训练完成时的网络权重与当前的周期数的乘积，将所述乘积与初始神经网络当前的网络权重之和确定为第一数值；
将当前的周期数与预设数值之和确定为第二数值；
将所述第一数值与所述第二数值的比值确定为第三数值；
利用所述第三数值，对初始神经网络的网络权重进行更新。
9.根据权利要求6-8之一所述的装置，其中，所述训练结束条件包括以下至少一项：
对初始神经网络进行训练的训练时间超过预设时长；
对初始神经网络进行训练的训练次数超过预设次数。
10.根据权利要求6-8之一所述的装置，其中，神经网络包括图像分割模型，所述训练样本包括样本图像和样本分割结果；以及
所述更新单元进一步被配置成按照如下方式确定初始神经网络是否满足预设的训练结束条件：
将所述训练样本中的样本图像输入初始神经网络中，得到分割结果；
确定得到的分割结果与对应的样本分割结果之间的差异；
确定所述差异是否小于预设差异阈值。
11.一种电子设备，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1-5中任一所述的方法。
12.一种计算机可读介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-5中任一所述的方法。
CN202010089892.2A 2020-02-13 2020-02-13 用于训练神经网络的方法和装置 Active CN111310896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010089892.2A CN111310896B (zh) 2020-02-13 2020-02-13 用于训练神经网络的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010089892.2A CN111310896B (zh) 2020-02-13 2020-02-13 用于训练神经网络的方法和装置

Publications (2)

Publication Number Publication Date
CN111310896A true CN111310896A (zh) 2020-06-19
CN111310896B CN111310896B (zh) 2023-10-20

Family

ID=71156409

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010089892.2A Active CN111310896B (zh) 2020-02-13 2020-02-13 用于训练神经网络的方法和装置

Country Status (1)

Country Link
CN (1) CN111310896B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189879A (zh) * 2021-05-10 2021-07-30 中国科学技术大学 控制策略的确定方法及装置、存储介质及电子设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109840505A (zh) * 2019-02-03 2019-06-04 湖南工业大学 一种面向全寿命周期轮对踏面的故障诊断方法
US20190188568A1 (en) * 2017-12-20 2019-06-20 Salesforce.Com, Inc. Hybrid training of deep networks
CN109978134A (zh) * 2019-02-26 2019-07-05 华中科技大学 一种基于快速集成卷积神经网络的故障预测方法
CN110222173A (zh) * 2019-05-16 2019-09-10 吉林大学 基于神经网络的短文本情感分类方法及装置
US20190332933A1 (en) * 2018-04-30 2019-10-31 International Business Machines Corporation Optimization of model generation in deep learning neural networks using smarter gradient descent calibration
CN110717402A (zh) * 2019-09-16 2020-01-21 华中科技大学 一种基于层级优化度量学习的行人再识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190188568A1 (en) * 2017-12-20 2019-06-20 Salesforce.Com, Inc. Hybrid training of deep networks
US20190332933A1 (en) * 2018-04-30 2019-10-31 International Business Machines Corporation Optimization of model generation in deep learning neural networks using smarter gradient descent calibration
CN109840505A (zh) * 2019-02-03 2019-06-04 湖南工业大学 一种面向全寿命周期轮对踏面的故障诊断方法
CN109978134A (zh) * 2019-02-26 2019-07-05 华中科技大学 一种基于快速集成卷积神经网络的故障预测方法
CN110222173A (zh) * 2019-05-16 2019-09-10 吉林大学 基于神经网络的短文本情感分类方法及装置
CN110717402A (zh) * 2019-09-16 2020-01-21 华中科技大学 一种基于层级优化度量学习的行人再识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
AKHILESH GOTMARE等: "A CLOSER LOOK AT DEEP LEARNING HEURISTICS:LEARNING RATE RESTARTS, WARMUP AND DISTILLATION", 《ARXIV:1810.13243V1》, pages 1 - 15 *
KOYEL MUKHERJEE等: "A Simple Dynamic Learning Rate Tuning Algorithm For Automated Training of DNNs", 《ARXIV:1910.11605V1》, pages 1 - 21 *
马晓晨: "基于集成学习的目标感知与应用", 《中国优秀硕士学位论文全文数据库_信息科技辑》, pages 138 - 1549 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113189879A (zh) * 2021-05-10 2021-07-30 中国科学技术大学 控制策略的确定方法及装置、存储介质及电子设备
CN113189879B (zh) * 2021-05-10 2022-07-15 中国科学技术大学 控制策略的确定方法及装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN111310896B (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
CN110807515B (zh) 模型生成方法和装置
CN108630190B (zh) 用于生成语音合成模型的方法和装置
CN108520220B (zh) 模型生成方法和装置
CN109800732B (zh) 用于生成漫画头像生成模型的方法和装置
CN109981787B (zh) 用于展示信息的方法和装置
CN109800730B (zh) 用于生成头像生成模型的方法和装置
CN109829164B (zh) 用于生成文本的方法和装置
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
CN111354345B (zh) 生成语音模型和语音识别的方法、装置、设备以及介质
CN111523640A (zh) 神经网络模型的训练方法和装置
CN111353601A (zh) 用于预测模型结构的延时的方法和装置
WO2023138498A1 (zh) 生成风格化图像的方法、装置、电子设备及存储介质
CN111311480A (zh) 图像融合方法和装置
CN110782016A (zh) 用于优化神经网络架构搜索的方法和装置
CN110503181B (zh) 用于生成多层神经网络的方法和装置
CN111310896B (zh) 用于训练神经网络的方法和装置
CN109598344B (zh) 模型生成方法和装置
CN109670579A (zh) 模型生成方法和装置
CN111949860B (zh) 用于生成相关度确定模型的方法和装置
CN110782017B (zh) 用于自适应调整学习率的方法和装置
CN111767290B (zh) 用于更新用户画像的方法和装置
CN115688042A (zh) 模型融合方法、装置、设备及存储介质
CN109670577B (zh) 模型生成方法和装置
CN113128677A (zh) 模型生成方法和装置

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
GR01 Patent grant
GR01 Patent grant