CN111353601A - 用于预测模型结构的延时的方法和装置 - Google Patents
用于预测模型结构的延时的方法和装置 Download PDFInfo
- Publication number
- CN111353601A CN111353601A CN202010116707.4A CN202010116707A CN111353601A CN 111353601 A CN111353601 A CN 111353601A CN 202010116707 A CN202010116707 A CN 202010116707A CN 111353601 A CN111353601 A CN 111353601A
- Authority
- CN
- China
- Prior art keywords
- delay
- network structure
- model
- candidate network
- trained
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 93
- 238000005070 sampling Methods 0.000 claims abstract description 15
- 238000003062 neural network model Methods 0.000 claims description 42
- 230000004044 response Effects 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 239000004744 fabric Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 10
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000001934 delay Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 239000010410 layer Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002356 single layer Substances 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
- G06N3/08—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
- G06N3/04—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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Neurology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及人工智能领域。本公开的实施例公开了用于预测模型结构的延时的方法和装置。该方法包括：通过执行训练操作获得训练完成的延时预测模型；利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行产生的延时；其中，训练操作包括：在预设的网络结构搜索空间中采样出网络结构作为样本模型结构；获取样本模型结构在设备运行环境中运行时产生的实际延时；利用样本模型结构训练预设的延时预测模型；基于样本模型结构在设备的运行环境中运行时产生的实际延时确定训练后的延时预测模型的预测误差，响应于确定预测误差满足预设的收敛条件，得出训练完成的延时预测模型。该方法提升了对模型结构运行时产生的延时的估计结果的准确性。
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，尤其涉及用于预测模型结构的延时的方法和装置。
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。通常NAS是基于特定的处理器性能约束条件进行的，例如在指定硬件延时约束条件的情况下，搜索出符合该约束条件的神经网络结构。而由于不同的硬件设备的性能不同，同一神经网络结构在不同硬件设备中运行时产生的实际延时可能存在差异。目前的方法是基于已有的硬件设备构建延时表，在网络结构自动搜索过程中根据延时表查找不同网络结构的延时。
发明内容
本公开的实施例提出了用于预测模型结构的延时的方法和装置、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用于预测模型结构的延时的方法，包括：通过执行训练操作获得训练完成的延时预测模型；利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行产生的延时；其中，训练操作包括：在预设的网络结构搜索空间中采样出网络结构作为样本模型结构；获取样本模型结构在设备运行环境中运行时产生的实际延时；利用样本模型结构训练预设的延时预测模型；基于样本模型结构在设备的运行环境中运行时产生的实际延时确定训练后的延时预测模型的预测误差，响应于确定预测误差满足预设的收敛条件，得出训练完成的延时预测模型。
在一些实施例中，上述训练操作还包括：响应于确定预测误差不满足预设的收敛条件，执行下一次训练操作，并且在下一次训练操作中增加采样的网络结构的数量。
在一些实施例中，上述方法还包括：通过执行多次迭代操作生成用于执行目标分类任务的神经网络模型；迭代操作包括：基于预设的控制器从预设的网络结构搜索空间内搜索出当前迭代操作中的候选网络结构；利用训练完成的延时预测模型预测候选网络结构在设备运行环境中运行产生的延时；基于候选网络结构在设备运行环境中运行产生的延时，作为反馈信息返回至控制器，以使控制器根据反馈信息进行更新；响应于确定反馈信息达到预设的条件，将当前迭代操作中的候选网络结构确定为搜索出的用于执行目标分类任务的神经网络模型。
在一些实施例中，上述迭代操作还包括：基于待分类的样本数据训练候选网络结构，得到训练完成的候选网络结构的分类准确率；基于候选网络结构在设备运行环境中运行产生的延时，作为反馈信息返回至控制器，包括：将候选网络结构的分类准确率作为奖励信息，候选网络结构在设备运行环境中运行产生的延时作为惩罚信息，确定出当前迭代操作的反馈信息。
在一些实施例中，上述基于候选网络结构在设备运行环境中运行产生的延时，作为反馈信息返回至控制器，包括：基于待分类的样本数据训练候选网络结构，测试训练后的候选网络结构的实际延时；响应于确定候选网络结构的实际延时超过预测模型预测出的候选网络结构在设备运行环境中运行产生的延时，根据候选网络结构的实际延时与延时预测模型预测出的候选网络结构在设备运行环境中运行产生的延时之间的差异确定当前的反馈信息。
第二方面，本公开的实施例提供了一种用于预测模型结构的延时的装置，包括：训练单元，被配置为通过执行训练操作获得训练完成的延时预测模型；预测单元，被配置为利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行产生的延时；其中，训练操作包括：在预设的网络结构搜索空间中采样出网络结构作为样本模型结构；获取样本模型结构在设备运行环境中运行时产生的实际延时；利用样本模型结构训练预设的延时预测模型；基于样本模型结构在设备的运行环境中运行时产生的实际延时确定训练后的延时预测模型的预测误差，响应于确定预测误差满足预设的收敛条件，得出训练完成的延时预测模型。
在一些实施例中，上述训练操作还包括：响应于确定预测误差不满足预设的收敛条件，执行下一次训练操作，并且在下一次训练操作中增加采样的网络结构的数量。
在一些实施例中，上述装置还包括：生成单元，被配置为通过执行多次迭代操作生成用于执行目标分类任务的神经网络模型；迭代操作包括：基于预设的控制器从预设的网络结构搜索空间内搜索出当前迭代操作中的候选网络结构；利用训练完成的延时预测模型预测候选网络结构在设备运行环境中运行产生的延时；基于候选网络结构在设备运行环境中运行产生的延时作为反馈信息返回至控制器，以使控制器根据反馈信息进行更新；响应于确定反馈信息达到预设的条件，将当前迭代操作中的候选网络结构确定为搜索出的用于执行目标分类任务的神经网络模型。
在一些实施例中，上述迭代操作还包括：基于待分类的样本数据训练候选网络结构，得到训练完成的候选网络结构的分类准确率；生成单元执行的迭代操作中，按照如下方式确定反馈信息：将候选网络结构的分类准确率作为奖励信息，候选网络结构在设备运行环境中运行产生的延时作为惩罚信息，确定出当前迭代操作的反馈信息。
在一些实施例中，上述生成单元执行的迭代操作中，按照如下方式确定反馈信息：基于待分类的样本数据训练候选网络结构，测试训练后的候选网络结构的实际延时；响应于确定候选网络结构的实际延时超过预测模型预测出的候选网络结构在设备运行环境中运行产生的延时，根据候选网络结构的实际延时与延时预测模型预测出的候选网络结构在设备运行环境中运行产生的延时之间的差异确定当前的反馈信息。
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用于预测模型结构的延时的方法。
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第一方面提供的用于预测模型结构的延时的方法。
本公开的上述实施例的用于预测模型结构的延时的方法和装置，通过执行训练操作获得训练完成的延时预测模型；利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行产生的延时；其中，训练操作包括：在预设的网络结构搜索空间中采样出网络结构作为样本模型结构；获取样本模型结构在设备运行环境中运行时产生的实际延时；利用样本模型结构训练预设的延时预测模型；基于样本模型结构在设备的运行环境中运行时产生的实际延时确定训练后的延时预测模型的预测误差，响应于确定预测误差满足预设的收敛条件，得出训练完成的延时预测模型。该用于预测模型结构的延时的方法和装置能够获得模型结构在实际运行环境中运行的延时，提升了对模型结构运行时产生的延时的估计结果的准确性。
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是根据本公开的用于预测模型结构的延时的方法的一个实施例的流程图；
图3是根据本公开的用于预测模型结构的延时的方法的另一个实施例的流程图；
图4是本公开的用于预测模型结构的延时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可以训练延时预测模型，并根据终端设备101、102、103的实际运行环境，利用延时预测模型来预测不同的神经网络模型结构在终端设备101、102、103上运行产生的延时，进而根据预测出的不同的神经网络模型结构的延时搜索出最优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用于预测模型结构的延时的方法一般由服务器105执行，相应地，用于预测模型结构的延时的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用于预测模型结构的延时的方法的一个实施例的流程200。该用于预测模型结构的延时的方法，包括：
步骤201，通过执行训练操作获得训练完成的延时预测模型。
在本实施例中，可以基于卷积神经网络等构建延时预测模型，并对构建的延时预测模型执行训练操作。其中，训练操作可以包括以下步骤2011至步骤2014。
在步骤2011中，在预设的网络结构搜索空间中采样出网络结构作为样本模型结构。
可以在网络结构搜索空间中随机采样一些网络结构作为样本模型结构。或者，可以利用基于循环神经网络、遗传算法、模拟退火算法等实现的采样控制器在网络搜索结构空间对网络结构进行采样。其中，采样控制器可以预先设定或者预先训练，还可以在执行训练操作的过程中基于采样出的样本模型结构的性能对采样控制器反向传播，通过迭代调整优化采样控制器。
需要说明的是，上述预设的网络结构搜索空间可以基于神经网络的网络结构单元构建，神经网络的网络结构单元可以由单个层构成，例如可以是一个全连接层；也可以是由多个层连接形成的结构单元，例如可以是由多个卷积层、批量归一化层等连接形成的模块化单元。网络结构搜索空间内的网络结构单元通过组合形成完整的神经网络模型结构。
在步骤2012中，获取样本模型结构在设备运行环境中运行时产生的实际延时。
在本实施例中，可以在真实的设备运行环境中运行步骤2011采样出的样本模型结构，获得样本模型结构在设备运行环境中运行产生的实际延时。
在实际场景中，神经网络模型的运行环境比较复杂，单个设备或单个处理器可能同时运行多个神经网络模型。在示例性的应用中，设备端安装的应用程序的一些功能通过神经网络模型实现，例如视频应用中的换脸、美颜等功能。处理器需要为设备的多个应用程序提供数据处理支持，为其中某个应用程序配置的运行环境与理想条件下(理想条件下处理器仅运行单个应用程序中的一个特定的功能对应的神经网络模型)的运行环境有差异，例如同时运行多个神经网络模型时可能会达到CPU的性能瓶颈从而对每一个神经网络模型的运行效率都会产生影响，而仅运行单个神经网络模型时一般不会达到CPU的性能瓶颈。这时，利用在理想条件下获得的延时表来查找神经网络模型的实际延时是不准确的。本实施例中，可以模拟设备的实际运行环境，例如模拟设备的处理器启动应用程序，并同时运行应用程序中多个功能对应的神经网络，来获得上述样本模型结构的实际延时。也即，步骤2012中获取的实际延时可以是模型结构在设备端的应用程序中运行该模型结构的延时。
在步骤2013中，利用样本模型结构训练预设的延时预测模型。
可以将样本模型结构的实际延时作为样本模型结构的标注信息，利用预设的延时预测模型预测样本模型结构的延时，并将延时预测模型的预测结果与样本模型结构的标注信息进行比对，根据比对结果构建相应的损失函数，通过反向传播来迭代调整预设的延时预测模型的参数。在这里，预设的延时预测模型可以例如基于卷积神经网络、循环神经网络等通用的神经网络模型构建。
在训练延时预测模型的过程中，若损失函数的值的收敛速度降低至一定的范围，或者迭代次数达到了预设的次数阈值，则可以确定停止对当前的延时预测模型的训练。
上述延时预测模型用于预测神经网络模型结构在设备运行环境中运行产生的延时。与通过硬件延时表查找出的延时不同，该延时预测模型预测出的延时是在设备端的运行环境中启用神经网络模型结构实现的功能时，运行该神经网络模型结构产生的延时。在这里，设备运行环境可以包括设备的硬件配置和软件环境，例如处理器型号、设备端安装的运行该神经网络模型结构的应用程序版本、设备端为该应用程序分配的运算资源、该应用程序运行的其他神经网络模型结构的类型和数量，等等。可选地，可以预先设定多个设备运行环境，针对每一个设备运行环境分别训练一个对应的延时预测模型。
在步骤2014中，基于样本模型结构在设备的运行环境中运行时产生的实际延时确定训练后的延时预测模型的预测误差，响应于确定预测误差满足预设的收敛条件，得出训练完成的延时预测模型。
在步骤2013中停止训练延时预测模型之后，对于当前的延时预测模型，可以基于延时预测误差对样本模型结构的延时预测结果与样本模型结构的上述实际延时之间的差异计算当前的延时预测模型的预测误差。然后，判断当前的延时预测模型的预测误差是否达到预设的收敛条件，例如判断预测误差是否收敛至预先设定的范围内，或者最近的几次训练操作中预测误差的更新率是否低于预设的阈值。若是，则可以确定预测误差达到预设的收敛条件。这时可以停止执行步骤201的训练操作，得到训练完成的延时预测模型。
可选地，上述样本模型结构可以包括训练样本和测试样本。其中训练样本用于训练延时预测模型，测试样本用于测试延时预测模型的预测误差。
步骤202，利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行产生的延时。
在本实施例中，对于指定的目标模型结构，可以利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行时的实际延时。具体可以将目标模型结构编码输入至训练完成的延时预测模型，然后将训练完成的延时预测模型的输出解码为对应的延时。
上述实施例的用于预测模型结构的延时的方法，通过采样模型结构作为样本模型结构、并获取样本模型结构在设备环境中运行产生的实际延时来训练延时预测模型，对于经过训练的延期预测模型，在其预测误差达到预设的收敛条件时停止执行训练操作，从而可以获得适合预测模型结构在实际运行环境中运行时产生的延时的延时预测模型，进而利用该延时预测模型对模型结构的实际延时进行预测，能够获得更准确的延时预测结果。
在一些实施例中，上述步骤201中的训练操作还包括：响应于确定预测误差不满足预设的收敛条件，执行下一次训练操作，并且在下一次训练操作中增加采样的网络结构的数量。若经过步骤2013训练后得到的延时预测模型的预测误差未达到上述预设的收敛条件，即延时预测模型的精度未达到期望的精度，这时，可以增加采样的网络结构的数量从而增大样本模型结构的数量，继续执行下一次训练操作。直到经过训练后得到的延时预测模型的预测误差达到上述预设的收敛条件。
这样，通过在每次训练操作中增加采样的网络结构的数量来增大每次训练操作中样本模型结构的数量，可以逐步提升延时预测模型的精度，从而使延时预测模型快速收敛，提升训练的效率。并且，上述逐步增加样本模型结构数量的方案可以通过少量的网络结构采样实现延时预测模型的训练样本的自动化构建，而无需针对特定的任务人为构建训练样本，从而提升了延时预测模型的训练样本的构建效率。
继续参考图3，其示出了根据本公开的用于预测模型结构的延时的方法的另一个实施例的流程图。如图3所示，本实施的用于预测模型结构的延时的方法的流程300，包括以下步骤：
步骤301，通过执行训练操作获得训练完成的延时预测模型。
步骤302，利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行产生的延时。
其中，步骤301执行的训练操作包括以下步骤3011、步骤3012、步骤3013和步骤3014：
步骤3011，在预设的网络结构搜索空间中采样出网络结构作为样本模型结构。
步骤3012，获取样本模型结构在设备运行环境中运行时产生的实际延时。
步骤3013，利用样本模型结构训练预设的延时预测模型。
步骤3014，基于样本模型结构在设备的运行环境中运行时产生的实际延时确定训练后的延时预测模型的预测误差，响应于确定预测误差满足预设的收敛条件，得出训练完成的延时预测模型。
上述步骤301、步骤302以及步骤301执行的训练操作中的步骤3011、步骤3012、步骤3013、步骤3014分别与前述实施例的步骤201、步骤202、步骤2011、步骤2012、步骤2013、步骤2014，则步骤301、步骤302以及步骤301执行的训练操作中的步骤3011、步骤3012、步骤3013、步骤3014的具体实现方式可以分别参考前述实施例中对应的步骤的描述，此处不再赘述。
在本实施例中，用于预测模型结构的延时的方法的流程300还包括：
步骤303，通过执行多次迭代操作生成用于执行目标分类任务的神经网络模型。
其中，迭代操作包括以下步骤3031至步骤3034：
步骤3031，基于预设的控制器从预设的网络结构搜索空间内搜索出当前迭代操作中的候选网络结构。
预设的控制器可以基于循环神经网络构建，也可以实现为遗传算法或强化学习算法。在本实施例中，可以预先设定网络结构搜索空间内的神经网络结构的解码规则。这样可以根据解码规则对控制器输出的编码进行解码，获得当前迭代操作中控制器搜索出的网络结构。
步骤3032，利用训练完成的延时预测模型预测候选网络结构在设备运行环境中运行产生的延时。
可以将步骤3031搜索出的候选网络结构作为目标模型结构，利用步骤301中训练完成的延时预测模型对候选网络结构进行延时预测，得到候选网络结构在设备环境中运行产生的延时。
步骤3033，基于候选网络结构在设备运行环境中运行产生的延时作为反馈信息返回至控制器，以使控制器根据反馈信息进行更新。
在每一次迭代操作中，可以基于延时预测模型预测出的候选网络结构的延时作为反馈信息返回至上述控制器。控制器可以根据该反馈信息进行参数更新。例如该反馈信息可以表征为反馈值(例如强化学习中的反馈值reward，遗传算法中的适应度等等)，控制器以最大化该反馈值的目标来进行参数的迭代更新。则在下一次迭代操作中，更新参数后的控制器可以搜索出新的候选网络结构。
步骤3034，响应于确定反馈信息达到预设的条件，将当前迭代操作中的候选网络结构确定为搜索出的用于执行目标分类任务的神经网络模型。
若基于当前迭代操作中的候选网络结构的延时生成的反馈信息达到预设的条件，可以停止迭代操作。其中预设的条件可以是反馈信息收敛至一定的范围。这时将当前迭代操作中的候选网络结构确定为搜索出的用于执行目标分类任务的神经网络模型。
若基于当前迭代操作中的候选网络结构的延时生成的反馈信息未达到预设的条件，可以执行下一次迭代操作，即基于更新参数后的控制器返回执行步骤3031、步骤3032、步骤3033、步骤3034。
在搜索出用于执行目标分类任务的神经网络模型之后，可以基于样本数据对该神经网络模型进行训练，以优化该神经网络模型的参数。
上述方法可以利用训练完成的延时预测模型预测从搜索空间内搜索出的候选网络结构的延时，并基于该延时生成反馈信息来迭代更新控制器，使得控制器不断优化，搜索出延时较低的网络结构作为执行分类任务的神经网络模型的结构，由于搜索过程中无需对搜索出的网络结构进行训练，直接采用延时预测模型预测其在设备运行环境中的实际延时来迭代更新控制器，能够快速地搜索出最优的神经网络结构，提升模型结构的搜索效率。
在执行多次迭代操作后获得的控制器还可以用于搜索分类准确率最优的神经网络模型构。在初次搜索中利用该控制器在网络结构搜索空间内搜索出最优的网络结构，并对搜索出的网络结构进行训练和测试获取其分类准确率，并根据分类准确率构建误差函数，反向传播至控制器，迭代更新控制器后继续搜索最优的网络结构。这样，通过多次搜索能够得到训练完成的分类准确率最优的神经网络模型。
在一些实施例中，上述迭代操作还可以包括：基于待分类的样本数据训练候选网络结构，得到训练完成的候选网络结构的分类准确率；则上述基于候选网络结构在设备运行环境中运行产生的延时，作为反馈信息返回至控制器，以使控制器根据反馈信息进行更新的步骤3033，具体可以按照如下方式实现：将候选网络结构的分类准确率作为奖励信息，候选网络结构在设备运行环境中运行产生的延时作为惩罚信息，确定出当前迭代操作的反馈信息。
具体地，在步骤3033之前，还可以基于待分类的样本数据中的训练数据对当前迭代操作中搜索出的候选网络结构进行训练，并利用待分类的样本数据中的测试数据测试训练后的候选网络结构的分类准确率。则可以基于训练后的候选网络结构的分类准确率以及延时预测模型预测出的候选网络结构的延时来生成反馈信息。在这里，分类准确率和延时分别作为正反馈和负反馈生成反馈信息。例如，表征反馈信息的反馈值可以与分类准确率正相关，且与延时负相关。
在进一步的实施例中，可以将候选网络结构的分类准确率作为奖励信息，候选网络结构在设备运行环境中运行产生的延时作为惩罚信息，确定出当前迭代操作的反馈信息。这样，可以基于候选网络结构的延时对控制器的网络结构搜索过程加“惩罚”，使得控制器能够通过多次迭代操作搜索出分类准确率高且延时低的神经网络结构。
此外，本实施例中在搜索用于执行目标分类任务的神经网络的结构的过程中，每次迭代操作对搜索出的候选网络结构进行训练，则在搜索出分类准确率高且延时低的模型结构后，可以获得经过训练的用于执行目标分类任务的神经网络。可以直接利用该经过训练的用于执行目标分类任务的神经网络执行处理待分类的数据，得到分类结果，或者，可以继续对该经过训练的用于执行目标分类任务的神经网络进行训练优化。
在另一些实施例中，上述基于候选网络结构在设备运行环境中运行产生的延时，作为反馈信息返回至控制器的步骤3033具体可以按照如下方式实现：
基于待分类的样本数据训练候选网络结构，测试训练后的候选网络结构的实际延时；响应于确定候选网络结构的实际延时超过延时预测模型预测出的候选网络结构在设备运行环境中运行产生的延时，根据候选网络结构的实际延时与预测模型预测出的候选网络结构在设备运行环境中运行产生的延时之间的差异确定当前的反馈信息。
在这里，对候选网络结构训练完成之后，可以利用测试数据测试候选网络结构在设备运行环境中运行产生的实际延时。若针对同一网络结构，测试得到的实际延时与延时预测模型预测出的延时不一致，可以根据二者的差异来确定反馈信息。具体地，测试得到的实际延时与延时预测模型预测出的延时之间的差异越大，则表征反馈信息的反馈值越小。这样，采用模拟退火算法或遗传算法的控制器在该反馈值未达到预设的期望值时根据该反馈值舍弃上一轮迭代操作中搜索出的候选网络结构，在当前迭代操作中根据反馈值重新搜索新的候选网络结构。这样，可以将延时预测模型预测出的延时作为性能约束条件，搜索出满足该性能约束条件的神经网络模型。
请参考图4，作为对上述用于预测模型结构的延时的方法的实现，本公开提供了一种用于预测模型结构的延时的装置的一个实施例，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，本实施例的用于预测模型结构的延时的装置400包括训练单元401和预测单元402。其中，训练单元401被配置为通过执行训练操作获得训练完成的延时预测模型；预测单元402被配置为利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行产生的延时；其中，训练操作包括：在预设的网络结构搜索空间中采样出网络结构作为样本模型结构；获取样本模型结构在设备运行环境中运行时产生的实际延时；利用样本模型结构训练预设的延时预测模型；基于样本模型结构在设备的运行环境中运行时产生的实际延时确定训练后的延时预测模型的预测误差，响应于确定预测误差满足预设的收敛条件，得出训练完成的延时预测模型。
在一些实施例中，上述训练操作还包括：响应于确定预测误差不满足预设的收敛条件，执行下一次训练操作，并且在下一次训练操作中增加采样的网络结构的数量。
在一些实施例中，上述装置还包括：生成单元，被配置为通过执行多次迭代操作生成用于执行目标分类任务的神经网络模型；迭代操作包括：基于预设的控制器从预设的网络结构搜索空间内搜索出当前迭代操作中的候选网络结构；利用训练完成的延时预测模型预测候选网络结构在设备运行环境中运行产生的延时；基于候选网络结构在设备运行环境中运行产生的延时作为反馈信息返回至控制器，以使控制器根据反馈信息进行更新；响应于确定反馈信息达到预设的条件，将当前迭代操作中的候选网络结构确定为搜索出的用于执行目标分类任务的神经网络模型。
在一些实施例中，上述迭代操作还包括：基于待分类的样本数据训练候选网络结构，得到训练完成的候选网络结构的分类准确率；生成单元执行的迭代操作中，按照如下方式确定反馈信息：将候选网络结构的分类准确率作为奖励信息，候选网络结构在设备运行环境中运行产生的延时作为惩罚信息，确定出当前迭代操作的反馈信息。
在一些实施例中，上述生成单元执行的迭代操作中，按照如下方式确定反馈信息：基于待分类的样本数据训练候选网络结构，测试训练后的候选网络结构的实际延时；响应于确定候选网络结构的实际延时超过预测模型预测出的候选网络结构在设备运行环境中运行产生的延时，根据候选网络结构的实际延时与延时预测模型预测出的候选网络结构在设备运行环境中运行产生的延时之间的差异确定当前的反馈信息。
上述装置400与参考图2和图3描述的方法中的步骤相对应。由此，上文针对用于预测模型结构的延时的方法描述的操作、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：通过执行训练操作获得训练完成的延时预测模型；利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行产生的延时；其中，训练操作包括：在预设的网络结构搜索空间中采样出网络结构作为样本模型结构；获取样本模型结构在设备运行环境中运行时产生的实际延时；利用样本模型结构训练预设的延时预测模型；基于样本模型结构在设备的运行环境中运行时产生的实际延时确定训练后的延时预测模型的预测误差，响应于确定预测误差满足预设的收敛条件，得出训练完成的延时预测模型。
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：一种处理器包括训练单元和预测单元。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，训练单元还可以被描述为“通过执行训练操作获得训练完成的延时预测模型的单元”。
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 (12)
1.一种用于预测模型结构的延时的方法，包括：
通过执行训练操作获得训练完成的延时预测模型；
利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行产生的延时；
其中，所述训练操作包括：
在预设的网络结构搜索空间中采样出网络结构作为样本模型结构；
获取所述样本模型结构在所述设备运行环境中运行时产生的实际延时；
利用所述样本模型结构训练预设的延时预测模型；
基于所述样本模型结构在设备的运行环境中运行时产生的实际延时确定训练后的所述延时预测模型的预测误差，响应于确定所述预测误差满足预设的收敛条件，得出训练完成的延时预测模型。
2.根据权利要求1所述的方法，其中，所述训练操作还包括：
响应于确定所述预测误差不满足预设的收敛条件，执行下一次训练操作，并且在下一次训练操作中增加采样的网络结构的数量。
3.根据权利要求1所述的方法，其中，所述方法还包括：通过执行多次迭代操作生成用于执行目标分类任务的神经网络模型；
所述迭代操作包括：
基于预设的控制器从预设的网络结构搜索空间内搜索出当前迭代操作中的候选网络结构；
利用所述训练完成的延时预测模型预测所述候选网络结构在设备运行环境中运行产生的延时；
基于所述候选网络结构在设备运行环境中运行产生的延时，作为反馈信息返回至所述控制器，以使所述控制器根据所述反馈信息进行更新；
响应于确定所述反馈信息达到预设的条件，将所述当前迭代操作中的候选网络结构确定为搜索出的用于执行目标分类任务的神经网络模型。
4.根据权利要求3所述的方法，其中，所述迭代操作还包括：
基于待分类的样本数据训练所述候选网络结构，得到训练完成的候选网络结构的分类准确率；
所述基于所述候选网络结构在设备运行环境中运行产生的延时，作为反馈信息返回至所述控制器，包括：
将所述候选网络结构的分类准确率作为奖励信息，所述候选网络结构在设备运行环境中运行产生的延时作为惩罚信息，确定出当前迭代操作的反馈信息。
5.根据权利要求3所述的方法，其中，所述基于所述候选网络结构在设备运行环境中运行产生的延时，作为反馈信息返回至所述控制器，包括：
基于待分类的样本数据训练所述候选网络结构，测试训练后的候选网络结构的实际延时；
响应于确定所述候选网络结构的实际延时超过所述预测模型预测出的候选网络结构在设备运行环境中运行产生的延时，根据所述候选网络结构的实际延时与所述延时预测模型预测出的候选网络结构在设备运行环境中运行产生的延时之间的差异确定当前的反馈信息。
6.一种用于预测模型结构的延时的装置，包括：
训练单元，被配置为通过执行训练操作获得训练完成的延时预测模型；
预测单元，被配置为利用训练完成的延时预测模型预测目标模型结构在设备运行环境中运行产生的延时；
其中，所述训练操作包括：
在预设的网络结构搜索空间中采样出网络结构作为样本模型结构；
获取所述样本模型结构在所述设备运行环境中运行时产生的实际延时；
利用所述样本模型结构训练预设的延时预测模型；
基于所述样本模型结构在设备的运行环境中运行时产生的实际延时确定训练后的所述延时预测模型的预测误差，响应于确定所述预测误差满足预设的收敛条件，得出训练完成的延时预测模型。
7.根据权利要求6所述的装置，其中，所述训练操作还包括：
响应于确定所述预测误差不满足预设的收敛条件，执行下一次训练操作，并且在下一次训练操作中增加采样的网络结构的数量。
8.根据权利要求6所述的装置，其中，所述装置还包括：
生成单元，被配置为通过执行多次迭代操作生成用于执行目标分类任务的神经网络模型；
所述迭代操作包括：
基于预设的控制器从预设的网络结构搜索空间内搜索出当前迭代操作中的候选网络结构；
利用所述训练完成的延时预测模型预测所述候选网络结构在设备运行环境中运行产生的延时；
基于所述候选网络结构在设备运行环境中运行产生的延时作为反馈信息返回至所述控制器，以使所述控制器根据所述反馈信息进行更新；
响应于确定所述反馈信息达到预设的条件，将所述当前迭代操作中的候选网络结构确定为搜索出的用于执行目标分类任务的神经网络模型。
9.根据权利要求8所述的装置，其中，所述迭代操作还包括：
基于待分类的样本数据训练所述候选网络结构，得到训练完成的候选网络结构的分类准确率；
所述生成单元执行的迭代操作中，按照如下方式确定所述反馈信息：
将所述候选网络结构的分类准确率作为奖励信息，所述候选网络结构在设备运行环境中运行产生的延时作为惩罚信息，确定出当前迭代操作的反馈信息。
10.根据权利要求8所述的装置，其中，所述生成单元执行的迭代操作中，按照如下方式确定所述反馈信息：
基于待分类的样本数据训练所述候选网络结构，测试训练后的候选网络结构的实际延时；
响应于确定所述候选网络结构的实际延时超过所述预测模型预测出的候选网络结构在设备运行环境中运行产生的延时，根据所述候选网络结构的实际延时与所述延时预测模型预测出的候选网络结构在设备运行环境中运行产生的延时之间的差异确定当前的反馈信息。
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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010116707.4A CN111353601B (zh) | 2020-02-25 | 2020-02-25 | 用于预测模型结构的延时的方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010116707.4A CN111353601B (zh) | 2020-02-25 | 2020-02-25 | 用于预测模型结构的延时的方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111353601A true CN111353601A (zh) | 2020-06-30 |
| CN111353601B CN111353601B (zh) | 2024-08-06 |
Family
ID=71194163
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010116707.4A Active CN111353601B (zh) | 2020-02-25 | 2020-02-25 | 用于预测模型结构的延时的方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111353601B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112596869A (zh) * | 2020-12-08 | 2021-04-02 | 海光信息技术股份有限公司 | 延时模型的构建方法及装置、电子设备及存储介质 |
| CN113095485A (zh) * | 2021-04-19 | 2021-07-09 | 上海商汤科技开发有限公司 | 性能指标确定方法及装置、系统、电子设备和存储介质 |
| WO2022063247A1 (zh) * | 2020-09-28 | 2022-03-31 | 华为技术有限公司 | 神经网络结构搜索方法及装置 |
| CN115499899A (zh) * | 2022-11-21 | 2022-12-20 | 国网天津市电力公司电力科学研究院 | 边缘物联代理装置的通信时延测试方法、装置及存储介质 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063759A (zh) * | 2018-07-20 | 2018-12-21 | 浙江大学 | 一种应用于图片多属性预测的神经网络结构搜索方法 |
| CN109255160A (zh) * | 2018-08-17 | 2019-01-22 | 东南大学 | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 |
| CN109376615A (zh) * | 2018-09-29 | 2019-02-22 | 苏州科达科技股份有限公司 | 用于提升深度学习网络预测性能的方法、装置及存储介质 |
| US20190138901A1 (en) * | 2017-11-06 | 2019-05-09 | The Royal Institution For The Advancement Of Learning/Mcgill University | Techniques for designing artificial neural networks |
| CN109948795A (zh) * | 2019-03-11 | 2019-06-28 | 驭势科技（北京）有限公司 | 一种确定网络结构精度和延时优化点的方法和装置 |
| CN110197258A (zh) * | 2019-05-29 | 2019-09-03 | 北京市商汤科技开发有限公司 | 神经网络搜索方法、图像处理方法及装置、设备和介质 |
| WO2019188273A1 (ja) * | 2018-03-30 | 2019-10-03 | オムロン株式会社 | 制御装置、制御方法、及び制御プログラム |
| CN110445653A (zh) * | 2019-08-12 | 2019-11-12 | 灵长智能科技(杭州)有限公司 | 网络状态预测方法、装置、设备及介质 |
| US20190354837A1 (en) * | 2018-05-18 | 2019-11-21 | Baidu Usa Llc | Resource-efficient neural architects |
| CN110543944A (zh) * | 2019-09-11 | 2019-12-06 | 北京百度网讯科技有限公司 | 神经网络结构搜索方法、装置、电子设备和介质 |
| CN110555486A (zh) * | 2019-09-11 | 2019-12-10 | 北京百度网讯科技有限公司 | 模型结构的延时预测方法、装置以及电子设备 |
| WO2020005240A1 (en) * | 2018-06-27 | 2020-01-02 | Google Llc | Adapting a sequence model for use in predicting future device interactions with a computing system |
| US20200034197A1 (en) * | 2016-10-19 | 2020-01-30 | Nutanix, Inc. | Adapting a pre-trained distributed resource predictive model to a target distributed computing environment |
| CN110738318A (zh) * | 2019-09-11 | 2020-01-31 | 北京百度网讯科技有限公司 | 网络结构运行时间评估及评估模型生成方法、系统和装置 |
| CN110751267A (zh) * | 2019-09-30 | 2020-02-04 | 京东城市(北京)数字科技有限公司 | 神经网络的结构搜索方法、训练方法、装置及存储介质 |
-
2020
- 2020-02-25 CN CN202010116707.4A patent/CN111353601B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20200034197A1 (en) * | 2016-10-19 | 2020-01-30 | Nutanix, Inc. | Adapting a pre-trained distributed resource predictive model to a target distributed computing environment |
| US20190138901A1 (en) * | 2017-11-06 | 2019-05-09 | The Royal Institution For The Advancement Of Learning/Mcgill University | Techniques for designing artificial neural networks |
| WO2019188273A1 (ja) * | 2018-03-30 | 2019-10-03 | オムロン株式会社 | 制御装置、制御方法、及び制御プログラム |
| US20190354837A1 (en) * | 2018-05-18 | 2019-11-21 | Baidu Usa Llc | Resource-efficient neural architects |
| WO2020005240A1 (en) * | 2018-06-27 | 2020-01-02 | Google Llc | Adapting a sequence model for use in predicting future device interactions with a computing system |
| CN109063759A (zh) * | 2018-07-20 | 2018-12-21 | 浙江大学 | 一种应用于图片多属性预测的神经网络结构搜索方法 |
| CN109255160A (zh) * | 2018-08-17 | 2019-01-22 | 东南大学 | 基于神经网络的单元延时预测方法和单元延时灵敏度计算方法 |
| CN109376615A (zh) * | 2018-09-29 | 2019-02-22 | 苏州科达科技股份有限公司 | 用于提升深度学习网络预测性能的方法、装置及存储介质 |
| CN109948795A (zh) * | 2019-03-11 | 2019-06-28 | 驭势科技（北京）有限公司 | 一种确定网络结构精度和延时优化点的方法和装置 |
| CN110197258A (zh) * | 2019-05-29 | 2019-09-03 | 北京市商汤科技开发有限公司 | 神经网络搜索方法、图像处理方法及装置、设备和介质 |
| CN110445653A (zh) * | 2019-08-12 | 2019-11-12 | 灵长智能科技(杭州)有限公司 | 网络状态预测方法、装置、设备及介质 |
| CN110543944A (zh) * | 2019-09-11 | 2019-12-06 | 北京百度网讯科技有限公司 | 神经网络结构搜索方法、装置、电子设备和介质 |
| CN110555486A (zh) * | 2019-09-11 | 2019-12-10 | 北京百度网讯科技有限公司 | 模型结构的延时预测方法、装置以及电子设备 |
| CN110738318A (zh) * | 2019-09-11 | 2020-01-31 | 北京百度网讯科技有限公司 | 网络结构运行时间评估及评估模型生成方法、系统和装置 |
| CN110751267A (zh) * | 2019-09-30 | 2020-02-04 | 京东城市(北京)数字科技有限公司 | 神经网络的结构搜索方法、训练方法、装置及存储介质 |
Non-Patent Citations (5)
| Title |
|---|
| HAN CAI 等: "ProxylessNAS: Direct Neural Architecture Search on Target Task and Hardware", pages 1 - 13 * |
| MINGXING TAN 等: "MnasNet: Platform-Aware Neural Architecture Search for Mobile", no. 2019, pages 2820 - 2828 * |
| 何明捷 等: "神经结构搜索进展概述", vol. 35, no. 05, pages 43 - 50 * |
| 周一鸣: "基于平台感知的高效卷积神经网络结构设计", no. 2020, pages 138 - 1856 * |
| 胡方家: "贝叶斯网络的优化算法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 2019, pages 140 - 136 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022063247A1 (zh) * | 2020-09-28 | 2022-03-31 | 华为技术有限公司 | 神经网络结构搜索方法及装置 |
| CN112596869A (zh) * | 2020-12-08 | 2021-04-02 | 海光信息技术股份有限公司 | 延时模型的构建方法及装置、电子设备及存储介质 |
| CN113095485A (zh) * | 2021-04-19 | 2021-07-09 | 上海商汤科技开发有限公司 | 性能指标确定方法及装置、系统、电子设备和存储介质 |
| CN113095485B (zh) * | 2021-04-19 | 2023-12-22 | 上海商汤科技开发有限公司 | 性能指标确定方法及装置、系统、电子设备和存储介质 |
| CN115499899A (zh) * | 2022-11-21 | 2022-12-20 | 国网天津市电力公司电力科学研究院 | 边缘物联代理装置的通信时延测试方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111353601B (zh) | 2024-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110852421B (zh) | 模型生成方法和装置 | |
| CN110807515A (zh) | 模型生成方法和装置 | |
| CN110852438B (zh) | 模型生成方法和装置 | |
| CN110766142A (zh) | 模型生成方法和装置 | |
| CN111353601B (zh) | 用于预测模型结构的延时的方法和装置 | |
| CN111340220B (zh) | 用于训练预测模型的方法和装置 | |
| CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
| 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 | |
| US20240127795A1 (en) | Model training method, speech recognition method, device, medium, and apparatus | |
| CN109829164B (zh) | 用于生成文本的方法和装置 | |
| CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
| CN111738418A (zh) | 超网络的训练方法和装置 | |
| CN112712795B (zh) | 标注数据确定方法、装置、介质及电子设备 | |
| CN111563593A (zh) | 神经网络模型的训练方法和装置 | |
| CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
| CN110782016A (zh) | 用于优化神经网络架构搜索的方法和装置 | |
| CN113448821B (zh) | 一种识别工程缺陷的方法和装置 | |
| CN113111996A (zh) | 模型生成方法和装置 | |
| CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
| CN111523639B (zh) | 用于训练超网络的方法和装置 | |
| CN111754984B (zh) | 文本选取的方法、装置、设备和计算机可读介质 | |
| CN111310896B (zh) | 用于训练神经网络的方法和装置 | |
| CN111767290B (zh) | 用于更新用户画像的方法和装置 | |
| CN113361678A (zh) | 神经网络模型的训练方法和装置 |
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 | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240701 Address after: Room 1802, 18th Floor, Dianke Dongxin Technology Building, No.3 Spectral West Road, Science City, Huangpu District, Guangzhou City, Guangdong Province, 510000 Applicant after: Guangdong No.7 Intelligent Computing Technology Co.,Ltd. Country or region after: China Address before: 2 / F, baidu building, 10 Shangdi 10th Street, Haidian District, Beijing 100085 Applicant before: BEIJING BAIDU NETCOM SCIENCE AND TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| GR01 | Patent grant | ||
| GR01 | Patent grant |