CN111340221A - 神经网络结构的采样方法和装置 - Google Patents

Abstract

本公开涉及人工智能领域。本公开的实施例公开了神经网络结构的采样方法和装置。该方法包括：对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化；执行多次迭代操作；迭代操作包括：采样出未被采样过的神经网络结构作为当前迭代操作中的候选模型结构；计算上一次迭代操作中确定出的目标网络结构集合中添加当前迭代操作中的候选模型结构后的信息熵增益；确定出使得信息熵增益最大的候选模型结构添加至目标网络结构集合中；估计目标网络结构集合中的目标网络结构的预测性能，获取目标网络结构集合中的目标网络结构的实际性能，根据预测性能与实际性能之间的偏差更新目标函数的参数。该方法可以提升模型结构的采样效率。

Description

神经网络结构的采样方法和装置

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，尤其涉及神经网络结构的采样方法和装置。

背景技术

随着人工智能技术和数据存储技术的发展，深度神经网络在许多领域的任务中取得了重要的成果。深度神经网络的网络结构对任务的执行效果具有直接的影响，因此，构建最优的神经网络结构成为了深度学习的一个研究热点。

NAS(neural architecture search，自动化神经网络结构搜索)是指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。其中，搜索策略涉及到网络性能与网络结构之间的关系的确定，即构建表征网络性能与网络结构之间关系的模型，这样可以利用该模型帮助NAS快速搜索合适的网络结构。

发明内容

本公开的实施例提出了神经网络结构的采样方法和装置、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神经网络结构的采样方法，包括：对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化；通过执行多次迭代操作，从预设的网络结构搜索空间中搜索出用于预测目标函数的目标网络结构集合，其中，网络结构搜索空间包括用于处理深度学习任务数据的神经网络结构；迭代操作包括：在预设的网络结构搜索空间中采样出未被采样过的神经网络结构，作为当前迭代操作中的候选模型结构；根据当前的目标函数，计算在上一次迭代操作中确定出的目标网络结构集合中添加当前迭代操作中的候选模型结构后的信息熵增益；从当前迭代操作中的候选模型结构中确定出使得信息熵增益最大的候选模型结构，添加至目标网络结构集合中；利用当前的目标函数估计目标网络结构集合中的目标网络结构的预测性能，并获取基于对应的深度学习任务数据训练的目标网络结构集合中的目标网络结构的实际性能，根据预测性能与实际性能之间的偏差更新目标函数的参数。

在一些实施例中，上述迭代操作还包括：响应于确定目标网络结构的预测性能与实际性能之间的偏差满足预设的收敛条件，将当前迭代操作后得到的目标网络结构集合确定为搜索出的用于预测目标函数的目标网络结构集合。

在一些实施例中，上述方法还包括：基于执行多次迭代操作后获得的目标网络结构集合，估计表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数。

在一些实施例中，上述方法还包括：利用目标函数，预测网络结构搜索空间内的神经网络结构的性能分布；以及基于预设的性能约束条件，以及预测出的网络结构搜索空间内的神经网络结构的性能分布，确定出执行预设的深度学习任务的神经网络结构。

在一些实施例中，上述预设的性能约束条件包括：处理器的功耗约束条件；神经网络结构的性能包括运行神经网络结构所产生的功耗。

第二方面，本公开的实施例提供了一种神经网络结构的采样装置，包括：初始化单元，被配置为对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化；搜索单元，被配置为通过执行多次迭代操作，从预设的网络结构搜索空间中搜索出用于预测目标函数的目标网络结构集合，其中，网络结构搜索空间包括用于处理深度学习任务数据的神经网络结构；搜索单元执行的迭代操作包括：在预设的网络结构搜索空间中采样出未被采样过的神经网络结构，作为当前迭代操作中的候选模型结构；根据当前的目标函数，计算在上一次迭代操作中确定出的目标网络结构集合中添加当前迭代操作中的候选模型结构后的信息熵增益；从当前迭代操作中的候选模型结构中确定出使得信息熵增益最大的候选模型结构，添加至目标网络结构集合中；利用当前的目标函数估计目标网络结构集合中的目标网络结构的预测性能，并获取基于对应的深度学习任务数据训练的目标网络结构集合中的目标网络结构的实际性能，根据预测性能与实际性能之间的偏差更新目标函数的参数。

在一些实施例中，上述搜索单元执行的迭代操作还包括：响应于确定目标网络结构的预测性能与实际性能之间的偏差满足预设的收敛条件，将当前迭代操作后得到的目标网络结构集合确定为搜索出的用于预测目标函数的目标网络结构集合。

在一些实施例中，上述装置还包括：估计单元，被配置为基于执行多次迭代操作后获得的目标网络结构集合，估计表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数。

在一些实施例中，上述装置还包括：预测单元，被配置为利用目标函数，预测网络结构搜索空间内的神经网络结构的性能分布；以及确定单元，被配置为基于预设的性能约束条件，以及预测出的网络结构搜索空间内的神经网络结构的性能分布，确定出执行预设的深度学习任务的神经网络结构。

在一些实施例中，上述预设的性能约束条件包括：处理器的功耗约束条件；神经网络结构的性能包括运行神经网络结构所产生的功耗。

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神经网络结构的采样方法。

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神经网络结构的采样方法。

本公开的上述实施例的神经网络结构的采样方法和装置，首先对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化；然后通过执行多次迭代操作，从预设的网络结构搜索空间中搜索出用于预测目标函数的目标网络结构集合，其中，网络结构搜索空间包括用于处理深度学习任务数据的神经网络结构；迭代操作包括：在预设的网络结构搜索空间中采样出未被采样过的神经网络结构，作为当前迭代操作中的候选模型结构；根据当前的目标函数，计算在上一次迭代操作中确定出的目标网络结构集合中添加当前迭代操作中的候选模型结构后的信息熵增益；从当前迭代操作中的候选模型结构中确定出使得信息熵增益最大的候选模型结构，添加至目标网络结构集合中；利用当前的目标函数估计目标网络结构集合中的目标网络结构的预测性能，并获取基于对应的深度学习任务数据训练的目标网络结构集合中的目标网络结构的实际性能，根据预测性能与实际性能之间的偏差更新目标函数的参数。该神经网络结构的采样方法能够自动获得均匀的网络结构采样结果，提升了用于估计表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数的网络结构的采样效率，从而降低了网络结构采样过程中占用的内存资源，并且能够帮助提升基于该采样结果估计出的表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数的准确性。

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是根据本公开的神经网络结构的采样方法的一个实施例的流程图；

图3是根据本公开的神经网络结构的采样方法的另一个实施例的流程图；

图4是本公开的神经网络结构的采样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神经网络结构的采样方法或神经网络结构的采样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，例如运行基于图像、视频、语音、文本、数字信号等数据的目标检测与识别、文本或语音识别、信号转换等服务的服务器。服务器105可以从终端设备101、102、103获取深度学习任务数据、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发送的待处理的数据，使用神经网络模型对数据进行处理，并将处理结果返回至终端设备101、102、103。

在本申请实施例的场景中，服务器105可以根据终端设备101、102、103的硬件或软件约束条件(诸如处理器的延时、功耗、应用程序运行环境下的运算效率等)来搜索适合终端设备101、102、103的神经网络模型结构，然后对搜索出的神经网络模型结构进行训练，训练完成后发送至终端设备101、102、103。终端设备101、102、103可以在本地运行神经网络模型结构。

在实际场景中，终端设备101、102、103可以向服务器105发送与语音交互、文本分类、对话行为分类、图像识别、关键点检测等任务相关的深度学习任务请求。服务器105可以针对相应的深度学习任务搜索出最优的神经网络模型并进行训练。

需要说明的是，本公开的实施例所提供的神经网络结构的采样方法一般由服务器105执行，相应地，神经网络结构的采样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神经网络结构的采样方法的一个实施例的流程200。该神经网络结构的采样方法，包括以下步骤：

步骤201，对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化。

在本实施例中，可以构建目标函数，该目标函数表征神经网络模型的性能与神经网络模型的结构之间的关系。在这里，可以采用随机变量的概率分布对神经网络模型的性能与神经网络模型的结构之间的关系建模，则可以基于随机变量的概率分布函数构建目标函数。

目前的模型结构自动搜索方案中，模型结构的搜索空间通常较大，可选的模型结构数量巨大，在搜索过程中，需要反复训练和评估每个模型结构的性能，由此带来了巨大的运算压力。本实施例中，通过构建目标函数对模型结构和模型性能之间的关系建模，可以快速地评估不同模型结构的性能，从而帮助提升模型结构自动搜索的效率。

可以首先对上述目标函数的参数进行初始化，例如可以将目标函数的参数的初始值设置为随机的值，也可以将目标函数的参数初始化为预先设定的值。

步骤202，通过执行多次迭代操作，从预设的网络结构搜索空间中搜索出用于预测目标函数的目标网络结构集合。

在初始化目标函数之后，可以通过执行多次迭代操作从预设的网络结构搜索空间搜索出多个目标网络结构形成目标网络结构集合。其中，网络结构搜索空间包括用于处理深度学习任务数据的神经网络结构。

具体地，可以在每次迭代操作中，根据基于当前迭代操作所获得的目标函数的精确度等信息采样出部分网络结构，添加至目标网络结构集合中，通过多次迭代操作增加采样的网络结构的数量。

上述步骤202的迭代操作包括以下步骤2021至步骤2024。

首先，在步骤2021中，在预设的网络结构搜索空间中采样出未被采样过的神经网络结构，作为当前迭代操作中的候选模型结构。

在初次迭代操作中，可以随机地在网络结构搜索空间中采样出至少一个神经网络结构作为初次迭代操作获得的目标网络结构集合。

在第二次及之后的每次迭代操作中，可以继续从预设的网络结构搜索空间中对网络结构进行采样，搜索出未在已执行的上述迭代操作中被采样过的网络结构，将采样出的网络结构作为当前迭代操作中的候选模型结构。

可选地，上述模型结构的采样还可以基于预先训练的采样控制器来执行。该采样控制器可以实现为递归神经网络，或者基于遗传算法、模拟退火算法等机器学习算法实现。可以预先定义采样控制器生成的序列编码的解码规则，从而将采样控制器在每次迭代操作中输出的序列编码解码为对应的模型结构的序列。

然后，在步骤2022中，根据当前的目标函数，计算在上一次迭代操作中确定出的目标网络结构集合中添加当前迭代操作中的候选模型结构后的信息熵增益。

上述目标函数用于表征模型性能随模型结构的概率分布。则在每次迭代操作中，可以利用当前的目标函数计算网络结构的概率分布，从而根据该概率分布计算出在上一次迭代操作后确定出的目标网络结构集合的信息熵、以及在上一次迭代操作中确定出的目标网络结构集合中添加当前迭代操作中的候选模型结构后的信息熵，进而获得在上一次迭代操作中确定出的目标网络结构集合中添加当前迭代操作中的候选模型结构后的信息熵增益。

在这里，上述信息熵H可以按照如下方式计算：

其中，p_i为目标网络结构集合中的第i个网络结构或模型结构的性能的概率、或者在目标网络结构集合中添加当前迭代操作中的候选模型结构后形成的集合中的第i个网络结构的性能的概率，i的取值为1，2,3，…，n，n为集合中的网络结构的总数量。

接着，在步骤2023中，从当前迭代操作中的候选模型结构中确定出使得信息熵增益最大的候选模型结构，添加至目标网络结构集合中。

在本实施例中，每次迭代操作中执行上述步骤2021时，可以采样多个网络结构，可以分别计算每个候选模型结构对应的上述信息熵增益，然后选择对应的信息熵增益最大的候选模型结构添加至目标网络结构集合中。这样，在当前迭代操作中实现了目标网络集合的更新。

可选地，还可以对当前迭代操作采样出的多个网络结构进行组合形成多个网络结构子集合，则上述步骤2022中可以计算在上一次迭代操作中确定出的目标网络结构集合中添加各个网络结构子集合后的信息熵增益，继而在步骤2023中选择上述信息熵增益最大的网络结构子集合，将该子集合中的候选模型结构添加至目标网络结构集合中。

最后，在步骤2024中，利用当前的目标函数估计目标网络结构集合中的目标网络结构的预测性能，并获取基于对应的深度学习任务数据训练的目标网络结构集合中的目标网络结构的实际性能，根据预测性能与实际性能之间的偏差更新概率分布函数的参数。

在每次迭代操作中，对目标网络结构集合更新之后，可以利用当前的目标函数预测目标网络结构集合中的各目标网络结构的性能，得到各目标网络结构的预测性能。还可以对各目标网络结构基于对应的深度学习任务数据进行训练，获得训练后的目标网络结构的性能作为实际性能。在这里，深度学习任务数据可以是实际应用中产生的需要利用神经网络模型进行处理的数据。例如，在一些应用程序中，功能的实现需要运行对应的神经网络模型，则该功能对应的用户数据(如图像、视频、文本、语音等媒体数据)是深度学习任务数据。

具体地，上述目标网络结构对应的深度学习任务数据可以包括训练数据和测试数据，可以基于训练数据对目标网络结构进行训练，然后基于测试数据获得实际性能。在这里，性能可以包括精度、运算效率、内存占用率、硬件延时中的一项或多项。

可以比对目标网络结构的预测性能与实际性能，根据二者的偏差生成反馈信息，将反馈信息反馈至目标函数。可以基于该反馈信息，采用反向传播的方式更新目标函数的参数。

需要说明的是，在每次迭代操作中，对于上一次迭代操作中已训练和测试完成的目标网络结构，可以不再重新训练和测试，仅对当前迭代操作中被添加至目标网络结构集合中的候选模型结构进行训练和测试。这样，无需对于目标网络结构集合中的目标网络结构重复训练，从而避免了不必要的内存资源的消耗。由于每次迭代后目标函数被更新，所以每次迭代操作中都需要执行利用当前的目标函数估计目标网络结构集合中的目标网络结构的预测性能的操作。

在完成步骤2024之后，当前迭代操作完成，可以基于在当前迭代操作中更新后的目标网络结构集合和目标函数继续执行下一次迭代操作。

这样，通过多次执行迭代操作，可以持续更新目标函数和目标网络结构集合。在停止执行迭代操作时获得的目标网络结构集合即为本方案对网络结构进行采样的结果。由于每次迭代操作中基于网络结构的性能选出了信息熵增益最大的候选模型结构添加至目标网络结构集合中，因此在采样过程中能够避免采样到性能随结构的概率分布相似的网络结构，由此得到的目标网络集合中的各目标网络结构的分布的离散程度较高，提升网络结构采样结果的均匀性，从而能够通过较低的采样率获得高质量的网络结构采样结果。并且，在采样网络结构的过程中，逐步优化了表征模型性能与模型结构之间关系的目标函数，提升了目标函数的优化效率，同时还提升了目标函数的准确性。

上述神经网络结构的采样方法中，可以在迭代操作的执行次数达到预先设定的次数阈值之后停止迭代，将最后一次迭代操作中更新得到的目标网络结构集合作为采样结果。

在一些实施例中，上述迭代操作还可以包括：响应于确定目标网络结构的预测性能与实际性能之间的偏差满足预设的收敛条件，将当前迭代操作后得到的目标网络结构集合确定为搜索出的用于预测目标函数的目标网络结构集合。

具体地，预设的收敛条件可以是：目标网络结构的预测性能与实际性能之间的偏差收敛至预设的误差区间；或者可以是：目标网络结构的预测性能与实际性能之间的偏差的更新率的平均值低于预设的更新率阈值。在这里，偏差的更新率是指两次相邻的迭代操作中得到的该偏差之间的差值与其中一次迭代操作中得到的该偏差的比值。这样，在目标网络结构集合收敛时即停止迭代操作，避免网络结构采样消耗过多的内存资源。

继续参考图3，其示出了根据本公开的神经网络结构的采样方法的另一个实施例的流程图。如图3所示，本实施例的神经网络结构的采样方法的另一个实施例的流程300，包括以下步骤：

步骤301，对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化。

步骤302，通过执行多次迭代操作，从预设的网络结构搜索空间中搜索出用于预测目标函数的目标网络结构集合。

其中，网络结构搜索空间包括用于处理深度学习任务数据的神经网络结构。

步骤302的迭代操作可以包括如下步骤3021至步骤3024。

步骤3021，在预设的网络结构搜索空间中采样出未被采样过的神经网络结构，作为当前迭代操作中的候选模型结构。

步骤3022，根据当前的目标函数，计算在上一次迭代操作中确定出的目标网络结构集合中添加当前迭代操作中的候选模型结构后的信息熵增益。

步骤3023，从当前迭代操作中的候选模型结构中确定出使得信息熵增益最大的候选模型结构，添加至目标网络结构集合中。

步骤3024，利用当前的目标函数估计目标网络结构集合中的目标网络结构的预测性能，并获取基于对应的深度学习任务数据训练的目标网络结构集合中的目标网络结构的实际性能，根据预测性能与实际性能之间的偏差更新目标函数的参数。

本实施例的步骤301、步骤302及迭代操作中的步骤3021、步骤3022、步骤3023、步骤3024分别与前述实施例的步骤201、步骤202、步骤2021、步骤2022、步骤2023、步骤2024一致，步骤301、步骤302及迭代操作中的步骤3021、步骤3022、步骤3023、步骤3024的具体方式可以参考前述实施例的描述，此处不再赘述。

在本实施例中，方法流程300还包括：

步骤303，基于执行多次迭代操作后获得的目标网络结构集合，估计表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数。

在本实施例中，获得目标网络结构集合后，可以利用该目标网络结构集合来估计上述目标函数。例如可以对目标网络结构集合中的目标网络结构进行训练，获得目标网络结构的实际性能。然后，可以采用数学拟合的方法拟合可以表征目标网络结构的实际性能随网络结构的概率分布函数，或者，可以基于循环神经网络等深度学习算法，通过多轮迭代来搜索出符合目标网络结构的实际性能与对应的网络结构的概率分布的目标函数。又或者，可以通过目标网络结构集合和对应的实际性能作为训练数据，来训练用于预测目标函数的神经网络模型。

本实施例在采样出目标网络结构集合之后，可以快速估计出用于预测模型性能的目标函数。由于采样的网络结构分布均匀且数量较少，可以提升估计目标函数的效率，同时确保目标函数的准确性。

可选地，在步骤303之后，还可以执行以下步骤304：

步骤304，利用目标函数，预测网络结构搜索空间内的神经网络结构的性能分布，以及基于预设的性能约束条件和预测出的网络结构搜索空间内的神经网络结构的性能分布，确定出执行预设的深度学习任务的神经网络结构。

可以利用目标函数对上述网络结构搜索空间内的各个神经网络结构的性能，得出述网络结构搜索空间内的各个神经网络结构的性能分布。这样，在针对具体的深度学习任务搜索网络结构的过程汇总，可以基于目标函数预测出的各神经网络结构的性能分布快速地找到性能较优的网络结构，提升模型结构自动搜索的效率，减少模型结构搜索消耗的运算资源。

在实际应用中，需要在各种不同的硬件设备和软件环境中运行神经网络模型，而不同的硬件设备和软件环境对神经网络模型的性能约束不同。作为示例，神经网络模型对应的应用程序中的功能具有一定的实时性要求(例如响应时间不能超过1秒)，不同处理器的处理能力不同，使得在不同处理器中运行实现该功能的神经网络模型的延时约束不相同。

在上述实施例中，可以基于预设的性能约束条件和预测出的网络结构搜索空间内的神经网络结构的性能分布，确定出执行预设的深度学习任务的神经网络结构。具体可以根据预设的性能约束条件，基于目标函数在网络结构搜索空间内搜索出满足该性能约束条件的网络结构，作为搜索出的神经网络结构。

在上述示例中，可以基于目标函数预测搜索空间内各网络结构的性能分布，并选择满足各处理器对应的延时约束的分别网络结构作为各处理器对应的神经网络模型。这样，可以快速地确定基于硬件设备或软件环境确定的性能约束条件下最优的神经网络结构，而无需再每一种硬件设备或软件环境中都执行模型结构自动搜索操作，能够有效地提升在多设备或多环境场景中进行模型结构自动搜索的效率。

可选地，上述预设的性能约束条件包括：处理器的功耗约束条件；则上述神经网络结构的性能包括运行神经网络结构所产生的功耗。在采样目标网络结构模型时，可以将运行目标网络结构所产生的功耗作为目标网络结构的性能指标。这样，可以进一步通过功耗约束来减少模型结构采样、目标函数估计和模型结构自动搜索的功耗。

上述预设的性能约束条件还可以包括模型的准确性、模型的运行效率、运行模型产生的硬件延时，等等。

请参考图4，作为对上述神经网络结构的采样方法的实现，本公开提供了一种神经网络结构的采样装置的一个实施例，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，本实施例的神经网络结构的采样装置400包括初始化单元401和搜索单元402。其中，初始化单元401被配置为对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化；搜索单元402被配置为通过执行多次迭代操作，从预设的网络结构搜索空间中搜索出用于预测目标函数的目标网络结构集合，其中，网络结构搜索空间包括用于处理深度学习任务数据的神经网络结构；搜索单元402执行的迭代操作包括：在预设的网络结构搜索空间中采样出未被采样过的神经网络结构，作为当前迭代操作中的候选模型结构；根据当前的目标函数，计算在上一次迭代操作中确定出的目标网络结构集合中添加当前迭代操作中的候选模型结构后的信息熵增益；从当前迭代操作中的候选模型结构中确定出使得信息熵增益最大的候选模型结构，添加至目标网络结构集合中；利用当前的目标函数估计目标网络结构集合中的目标网络结构的预测性能，并获取基于对应的深度学习任务数据训练的目标网络结构集合中的目标网络结构的实际性能，根据预测性能与实际性能之间的偏差更新目标函数的参数。

在一些实施例中，上述搜索单元402执行的迭代操作还包括：响应于确定目标网络结构的预测性能与实际性能之间的偏差满足预设的收敛条件，将当前迭代操作后得到的目标网络结构集合确定为搜索出的用于预测目标函数的目标网络结构集合。

在一些实施例中，上述装置还包括：估计单元，被配置为基于执行多次迭代操作后获得的目标网络结构集合，估计表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数。

在一些实施例中，上述装置还包括：预测单元，被配置为利用目标函数，预测网络结构搜索空间内的神经网络结构的性能分布；以及确定单元，被配置为基于预设的性能约束条件，以及预测出的网络结构搜索空间内的神经网络结构的性能分布，确定出执行预设的深度学习任务的神经网络结构。

在一些实施例中，上述预设的性能约束条件包括：处理器的功耗约束条件；上述神经网络结构的性能包括运行神经网络结构所产生的功耗。

上述装置400中的初始化单元401和搜索单元402与参考图2和图3描述的方法中的步骤相对应。由此，上文针对神经网络结构的采样方法描述的操作、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RAM 503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：对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化；通过执行多次迭代操作，从预设的网络结构搜索空间中搜索出用于预测目标函数的目标网络结构集合，其中，网络结构搜索空间包括用于处理深度学习任务数据的神经网络结构；迭代操作包括：在预设的网络结构搜索空间中采样出未被采样过的神经网络结构，作为当前迭代操作中的候选模型结构；根据当前的目标函数，计算在上一次迭代操作中确定出的目标网络结构集合中添加当前迭代操作中的候选模型结构后的信息熵增益；从当前迭代操作中的候选模型结构中确定出使得信息熵增益最大的候选模型结构，添加至目标网络结构集合中；利用当前的目标函数估计目标网络结构集合中的目标网络结构的预测性能，并获取基于对应的深度学习任务数据训练的目标网络结构集合中的目标网络结构的实际性能，根据预测性能与实际性能之间的偏差更新目标函数的参数。

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：一种处理器包括初始化单元和搜索单元。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，初始化单元还可以被描述为“对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化的单元”。

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 (12)

1.一种神经网络结构的采样方法，包括：

对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化；

通过执行多次迭代操作，从预设的网络结构搜索空间中搜索出用于预测所述目标函数的目标网络结构集合，其中，所述网络结构搜索空间包括用于处理深度学习任务数据的神经网络结构；

所述迭代操作包括：

在预设的网络结构搜索空间中采样出未被采样过的神经网络结构，作为当前迭代操作中的候选模型结构；

根据当前的目标函数，计算在上一次迭代操作中确定出的目标网络结构集合中添加所述当前迭代操作中的候选模型结构后的信息熵增益；

从当前迭代操作中的候选模型结构中确定出使得所述信息熵增益最大的候选模型结构，添加至目标网络结构集合中；

利用当前的目标函数估计所述目标网络结构集合中的目标网络结构的预测性能，并获取基于对应的深度学习任务数据训练的所述目标网络结构集合中的目标网络结构的实际性能，根据所述预测性能与所述实际性能之间的偏差更新所述目标函数的参数。

2.根据权利要求1所述的方法，其中，所述迭代操作还包括：

响应于确定所述目标网络结构的预测性能与所述实际性能之间的偏差满足预设的收敛条件，将当前迭代操作后得到的目标网络结构集合确定为搜索出的用于预测所述目标函数的目标网络结构集合。

3.根据权利要求1所述的方法，其中，所述方法还包括：

基于执行多次迭代操作后获得的目标网络结构集合，估计所述表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数。

4.根据权利要求3所述的方法，其中，所述方法还包括：

利用所述目标函数，预测所述网络结构搜索空间内的神经网络结构的性能分布；以及

基于预设的性能约束条件，以及预测出的所述网络结构搜索空间内的神经网络结构的性能分布，确定出执行预设的深度学习任务的神经网络结构。

5.根据权利要求4所述的方法，其中，所述预设的性能约束条件包括：处理器的功耗约束条件；

所述神经网络结构的性能包括运行所述神经网络结构所产生的功耗。

6.一种神经网络结构的采样装置，包括：

初始化单元，被配置为对表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数进行参数初始化；

搜索单元，被配置为通过执行多次迭代操作，从预设的网络结构搜索空间中搜索出用于预测所述目标函数的目标网络结构集合，其中，所述网络结构搜索空间包括用于处理深度学习任务数据的神经网络结构；

所述搜索单元执行的所述迭代操作包括：

在预设的网络结构搜索空间中采样出未被采样过的神经网络结构，作为当前迭代操作中的候选模型结构；

根据当前的目标函数，计算在上一次迭代操作中确定出的目标网络结构集合中添加所述当前迭代操作中的候选模型结构后的信息熵增益；

从当前迭代操作中的候选模型结构中确定出使得所述信息熵增益最大的候选模型结构，添加至目标网络结构集合中；

利用当前的目标函数估计所述目标网络结构集合中的目标网络结构的预测性能，并获取基于对应的深度学习任务数据训练的所述目标网络结构集合中的目标网络结构的实际性能，根据所述预测性能与所述实际性能之间的偏差更新所述目标函数的参数。

7.根据权利要求6所述的装置，其中，所述搜索单元执行的所述迭代操作还包括：

响应于确定所述目标网络结构的预测性能与所述实际性能之间的偏差满足预设的收敛条件，将当前迭代操作后得到的目标网络结构集合确定为搜索出的用于预测所述目标函数的目标网络结构集合。

8.根据权利要求6所述的装置，其中，所述装置还包括：

估计单元，被配置为基于执行多次迭代操作后获得的目标网络结构集合，估计所述表征神经网络模型的性能随神经网络模型的结构的概率分布的目标函数。

9.根据权利要求8所述的方法，其中，所述装置还包括：

预测单元，被配置为利用所述目标函数，预测所述网络结构搜索空间内的神经网络结构的性能分布；以及

确定单元，被配置为基于预设的性能约束条件，以及预测出的所述网络结构搜索空间内的神经网络结构的性能分布，确定出执行预设的深度学习任务的神经网络结构。

10.根据权利要求9所述的装置，其中，所述预设的性能约束条件包括：处理器的功耗约束条件；

所述神经网络结构的性能包括运行所述神经网络结构所产生的功耗。

11.一种电子设备，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1-5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，所述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。

Images