CN111526054B - 用于获取网络的方法及装置 - Google Patents
用于获取网络的方法及装置 Download PDFInfo
- Publication number
- CN111526054B CN111526054B CN202010317818.1A CN202010317818A CN111526054B CN 111526054 B CN111526054 B CN 111526054B CN 202010317818 A CN202010317818 A CN 202010317818A CN 111526054 B CN111526054 B CN 111526054B
- Authority
- CN
- China
- Prior art keywords
- network
- space
- sequence
- variance
- parameter
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Debugging And Monitoring (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本公开的实施例公开了用于获取网络的方法及装置。该方法的一具体实施方式包括:获取网络生成信息;查询网络特征空间内对应上述网络生成信息的初始目标网络参数序列;将上述初始目标网络参数序列导入预先训练的空间转换模型,得到上述网络空间内对应上述网络生成信息的目标网络。该实施方式降低了搜索网络的数据处理量,加快了搜索目标网络的速度和有效性。
Description
技术领域
本公开的实施例涉及计算机技术领域,具体涉及用于获取网络的方法及装置。
背景技术
为了适应多种应用场景的需要,技术人员构建网络空间。网络空间可以包含多种不同类型的网络。技术人员可以通过神经网络架构搜索技术(Neural ArchitectureSearch,简称NAS)在网络空间搜索指定网络结构参数对应的网络结构。
发明内容
本公开的实施例提出了用于获取网络的方法及装置。
第一方面,本公开的实施例提供了一种用于获取网络的方法,该方法包括:获取网络生成信息,上述网络生成信息包括网络结构参数,用于查找网络空间内满足上述网络结构参数的网络;查询网络特征空间内对应上述网络生成信息的初始目标网络参数序列,其中,上述网络特征空间为上述网络空间降维后的网络空间;将上述初始目标网络参数序列导入预先训练的空间转换模型,得到上述网络空间内对应上述网络生成信息的目标网络,上述空间转换模型用于表征上述网络特征空间内的初始目标网络参数序列与上述网络空间内的目标网络之间的对应关系。
在一些实施例中,上述将上述初始目标网络参数序列导入预先训练的空间转换模型,得到上述网络空间内对应上述网络生成信息的目标网络,包括:将上述初始目标网络参数序列导入空间转换模型,得到上述网络空间上对应上述初始目标网络参数序列的原始目标网络参数序列;对上述原始目标网络参数序列进行解析,得到上述网络空间内对应上述网络生成信息的目标网络。
在一些实施例中,上述网络特征空间通过以下步骤得到:获取网络空间的方差序列;根据上述方差序列的前第一设定数量个方差得到第一维轴;基于上述第一维轴和上述方差序列构建多维轴,并通过上述第一维轴和多维轴构建网络特征空间。
在一些实施例中,上述获取网络空间的方差序列,包括:查询上述网络空间包含的至少一个网络结构中每个网络结构的网络结构参数序列;通过上述至少一个网络结构参数序列构建参数空间,并确定上述至少一个网络结构参数序列在参数空间中的至少一个点;计算上述网络空间对应的至少一个网络结构参数序列中任意两个网络结构参数序列之间的方差,得到对应上述网络空间的至少一个方差;将上述至少一个方差按照从大到小的顺序排列得到方差序列。
在一些实施例中,上述基于上述第一维轴和上述方差序列构建多维轴,包括:响应于上述方差序列存在大于方差阈值的方差,基于与当前维轴垂直的平面和上述方差序列拟合得到下一维轴。
在一些实施例中,上述基于与当前维轴垂直的平面和上述方差序列拟合得到下一维轴,包括:将上述方差序列中的前第二设定数量个方差在上述参数空间上的点拟合得到的、位于上述平面上的直线设置为下一维轴。
在一些实施例中,上述通过上述第一维轴和多维轴构建网络特征空间,包括:对上述第一维轴和多维轴对应的网络结构参数序列进行特征参数提取,得到网络结构特征参数序列;通过上述网络结构特征参数序列构建网络特征空间。
在一些实施例中,上述空间转换模型通过以下步骤得到:获取上述网络特征空间中的样本网络结构特征参数序列,以及上述网络空间中的、对应上述样本网络结构特征参数序列的样本网络结构参数序列;将上述样本网络结构特征参数序列作为输入,并与上述样本网络结构特征参数序列对应的样本网络结构参数序列作为输出,训练得到空间转换模型。
第二方面,本公开的实施例提供了一种用于获取网络的装置,该装置包括:信息获取单元,被配置成获取网络生成信息,上述网络生成信息包括网络结构参数,用于查找网络空间内满足上述网络结构参数的网络;初始目标网络参数序列查询单元,被配置成查询网络特征空间内对应上述网络生成信息的初始目标网络参数序列,其中,上述网络特征空间为上述网络空间降维后的网络空间;目标网络获取单元,被配置成将上述初始目标网络参数序列导入预先训练的空间转换模型,得到上述网络空间内对应上述网络生成信息的目标网络,上述空间转换模型用于表征上述网络特征空间内的初始目标网络参数序列与上述网络空间内的目标网络之间的对应关系。
在一些实施例中,上述目标网络获取单元包括:序列转换子单元,被配置成将上述初始目标网络参数序列导入空间转换模型,得到上述网络空间上对应上述初始目标网络参数序列的原始目标网络参数序列;序列还原子单元,被配置成对上述原始目标网络参数序列进行解析,得到上述网络空间内对应上述网络生成信息的目标网络。
在一些实施例中,上述装置包括网络特征空间构建单元,被配置成构建网络特征空间,上述网络特征空间构建单元包括:方差序列获取子单元,被配置成获取网络空间的方差序列;第一维轴获取子单元,被配置成根据上述方差序列的前第一设定数量个方差得到第一维轴;网络特征空间构建子单元,被配置成基于上述第一维轴和上述方差序列构建多维轴,并通过上述第一维轴和多维轴构建网络特征空间。
在一些实施例中,上述方差序列获取子单元包括:参数序列查询模块,被配置成查询上述网络空间包含的至少一个网络结构中每个网络结构的网络结构参数序列;参数空间构建模块,被配置成通过上述至少一个网络结构参数序列构建参数空间,并确定上述至少一个网络结构参数序列在参数空间中的至少一个点;方差计算模块,被配置成计算上述网络空间对应的至少一个网络结构参数序列中任意两个网络结构参数序列之间的方差,得到对应上述网络空间的至少一个方差;方差序列生成模块,被配置成将上述至少一个方差按照从大到小的顺序排列得到方差序列。
在一些实施例中,上述网络特征空间构建子单元包括:轴生成模块,响应于上述方差序列存在大于方差阈值的方差,被配置成基于与当前维轴垂直的平面和上述方差序列拟合得到下一维轴。
在一些实施例中,上述轴生成模块包括:轴生成子模块,被配置成将上述方差序列中的前第二设定数量个方差在上述参数空间上的点拟合得到的、位于上述平面上的直线设置为下一维轴。
在一些实施例中,上述网络特征空间构建子单元包括:网络结构特征参数序列获取模块,被配置成对上述第一维轴和多维轴对应的网络结构参数序列进行特征参数提取,得到网络结构特征参数序列;网络特征空间构建模块,被配置成通过上述网络结构特征参数序列构建网络特征空间。
在一些实施例中,上述装置包括空间转换模型训练单元,被配置成训练空间转换模型,上述空间转换模型训练单元包括:样本获取子单元,被配置成获取上述网络特征空间中的样本网络结构特征参数序列,以及上述网络空间中的、对应上述样本网络结构特征参数序列的样本网络结构参数序列;空间转换模型训练子单元,被配置成将上述样本网络结构特征参数序列作为输入,并与上述样本网络结构特征参数序列对应的样本网络结构参数序列作为输出,训练得到空间转换模型。
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网络的方法。
本公开的实施例提供的用于获取网络的方法及装置,首先获取网络生成信息;然后查询网络特征空间内对应上述网络生成信息的初始目标网络参数序列,降低了数据处理量;最后在网络空间内查找对应初始目标网络参数序列对应网络生成信息的目标网络。本申请降低了搜索网络的数据处理量,加快了搜索目标网络的速度和有效性。
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网络的方法的另一个实施例的流程图;
图4是根据本公开的网络特征空间构建方法的一个实施例的流程图;
图5是根据本公开的用于获取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网络的方法或用于获取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、网络获取服务器105和网络结构服务器106。网络104用以在终端设备101、102、103、网络获取服务器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与网络获取服务器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。
网络获取服务器105可以是提供各种服务的服务器,例如根据网络生成信息从网络结构服务器106获取目标网络的服务器。网络获取服务器105可以对接收到的网络生成信息进行分析,并从网络结构服务器106获取到对应网络生成信息的目标网络。目标网络可以应用于终端设备101、102、103。
需要说明的是,本公开的实施例所提供的用于获取网络的方法一般由网络获取服务器105执行,相应地,用于获取网络的装置一般设置于网络获取服务器105中。
需要说明的是,网络获取服务器105可以是硬件,也可以是软件。当网络获取服务器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。当网络获取服务器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),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、网络获取服务器105和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、网络获取服务器105和网络结构服务器。
继续参考图2,示出了根据本公开的用于获取网络的方法的一个实施例的流程200。该用于获取网络的方法包括以下步骤:
步骤201,获取网络生成信息。
在本实施例中,用于获取网络的方法的执行主体(例如图1所示的网络获取服务器105)可以通过有线连接方式或者无线连接方式获取网络生成信息。其中,网络生成信息可以是技术人员输入执行主体的信息,也可以是用户通过终端设备101、102、103发送给执行主体的信息。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。
现有技术中,为了便于网络的搜索,可以对网络空间内的网络结构进行编码,从而得到对应网络结构的网络结构参数序列。即,一个网络结构参数序列可以代表一个网络结构。实际中,网络空间内的网络结果数量众多,且网络结构本身也较为复杂,从而导致网络结构参数序列包含的参数很多,维数过高,不利于对网络结构的快速有效搜索。
本申请的执行主体可以首先获取网络生成信息。其中,上述网络生成信息可以包括网络结构参数,网络结构参数可以包括以下至少一项:网络层数、网络功能类型参数等。其中,网络功能类型参数用于表征网络能够实现的数据处理功能。例如,网络功能类型参数可以是输入层、中间层、输出层等。即,网络生成信息可以用于查找网络空间内满足上述网络结构参数的网络。
步骤202,查询网络特征空间内对应上述网络生成信息的初始目标网络参数序列。
由上述描述可知,网络空间包含了大量的网络结构,即便将网络结构转换为网络结构参数序列,仍然不便于网络的搜索。为此,本申请的执行主体可以查询网络特征空间内对应上述网络生成信息的初始目标网络参数序列。其中,初始目标网络参数序列即为网络特征空间内符合网络生成信息的网络参数序列。上述网络特征空间可以为上述网络空间降维后的网络空间。如此,执行主体可以在数据量较小,且能表征网络空间的网络特征空间内搜索对应的初始目标网络参数序列,有利于降低搜索目标网络的数据处理量,提高搜索对应网络结构参数的目标网络的速度。
步骤203,将上述初始目标网络参数序列导入预先训练的空间转换模型,得到上述网络空间内对应上述网络生成信息的目标网络。
得到初始目标网络参数序列后,执行主体可以将初始目标网络参数序列导入预先训练的空间转换模型。空间转换模型对初始目标网络参数序列进行数据处理,进而得到网络空间内对应上述网络生成信息的目标网络。其中,上述空间转换模型可以用于表征上述网络特征空间内的初始目标网络参数序列与上述网络空间内的目标网络之间的对应关系。由于网络空间内的网络结构也是通过网络参数序列表征的。因此,空间转换模型也可以表征网络特征空间内网络参数序列与上述网络空间内网络参数序列之间的对应关系。通过空间转换模型可以查询到网络空间中对应初始目标网络参数序列的网络参数序列,进而查询到目标网络。如此提高了获取目标网络的速度和有效性。
继续参考图3,示出了根据本公开的用于获取网络的方法的一个实施例的流程300。该用于获取网络的方法包括以下步骤:
步骤301,获取网络生成信息。
步骤301的内容与步骤201的内容相同,此处不再一一赘述。
步骤302,查询网络特征空间内对应上述网络生成信息的初始目标网络参数序列。
步骤302的内容与步骤202的内容相同,此处不再一一赘述。
步骤303,将上述初始目标网络参数序列导入空间转换模型,得到上述网络空间上对应上述初始目标网络参数序列的原始目标网络参数序列。
由上述描述可知,网络特征空间可以为上述网络空间降维后的网络空间,空间转换模型可以表征网络特征空间内网络参数序列与上述网络空间内网络参数序列之间的对应关系。因此,执行主体可以将初始目标网络参数序列导入空间转换模型,得到上述网络空间上对应上述初始目标网络参数序列的原始目标网络参数序列。如此,实现了通过初始目标网络参数序列查找网络空间中对应网络生成信息的原始目标网络参数序列,降低了直接在网络空间搜索原始目标网络参数序列的数据处理量,加快了获取目标网络的速度。
在本实施例的一些可选的实现方式中,上述空间转换模型可以通过以下步骤得到:
第一步,获取上述网络特征空间中的样本网络结构特征参数序列,以及上述网络空间中的、对应上述样本网络结构特征参数序列的样本网络结构参数序列。
执行主体可以通过多种方式从网络特征空间中获取样本网络结构特征参数序列。之后执行主体可以查找网络空间中的、对应样本网络结构特征参数序列的样本网络结构参数序列。由于网络特征空间是网络空间降维后得到的。因此,网络特征空间中的一个样本网络结构特征参数序列可以与网络空间中的多个样本网络结构参数序列对应。如此,有利于从网络特征空间中快速搜索网络结构,加快搜索网络结构的速度。
第二步,将上述样本网络结构特征参数序列作为输入,并与上述样本网络结构特征参数序列对应的样本网络结构参数序列作为输出,训练得到空间转换模型。
确定了样本网络结构特征参数序列和样本网络结构参数序列后,执行主体可以通过多种智能算法(例如可以是深度学习算法)对样本网络结构特征参数序列和样本网络结构参数序列之间的数据关系进行学习,以获取空间转换模型。具体的,执行主体可以将上述样本网络结构特征参数序列作为智能算法的输入,并与上述样本网络结构特征参数序列对应的样本网络结构参数序列作为智能算法的输出,训练得到空间转换模型。
步骤304,对上述原始目标网络参数序列进行解析,得到上述网络空间内对应上述网络生成信息的目标网络。
由上述描述可知,空间转换模型可以将网络特征空间中的一个初始目标网络参数序列转换为网络空间中的多个原始目标网络参数序列。执行主体可以将多个原始目标网络参数序列显示在屏幕上,以供用户进行选择。执行主体也可以按照设定筛选条件从多个原始目标网络参数序列中筛选出目标网络对应的网络参数序列。其中,设定筛选条件可以包括以下至少一项:网络层数、计算单元数量、网络类型等。之后,执行主体可以按照对网络空间内网络结构的编码规则,对原始目标网络参数序列进行解析,从而得到网络空间内对应上述网络生成信息的目标网络,实现了对目标网络的快速获取。
本公开的上述实施例提供的方法首先获取网络生成信息;然后查询网络特征空间内对应上述网络生成信息的初始目标网络参数序列,降低了数据处理量;最后在网络空间内查找对应初始目标网络参数序列对应网络生成信息的目标网络。本申请降低了搜索网络的数据处理量,加快了搜索目标网络的速度和有效性。
进一步参考图4,其示出了网络特征空间构建方法的一个实施例的流程400。该网络特征空间构建方法的流程400,包括以下步骤:
步骤401,获取网络空间的方差序列。
在本实施例中,网络特征空间构建方法的执行主体(例如图1所示的网络获取服务器105)可以通过有线连接方式或者无线连接方式获取网络空间的方差序列。方差序列可以包括多个方差,方差可以用于表征网络空间内网络结构之间的特征区别。
在本实施例的一些可选的实现方式中,上述获取网络空间的方差序列,可以包括以下步骤:
第一步,查询上述网络空间包含的至少一个网络结构中每个网络结构的网络结构参数序列。
为了获取方差序列,执行主体可以首先查询上述网络空间包含的至少一个网络结构中每个网络结构的网络结构参数序列。网络结构参数序列可以是按照设定方式将网络空间内的网络结构进行统一编码得到的序列。网络结构参数序列中每个参数所在的位置对应预设的参数类型。例如,网络结构参数序列的第10位用于表示网络结构中每一层的数据处理单元。当第10位的值为0时,可以表示对应该网络结构参数序列的网络结构每一层的数据处理单元小于10个;当第10位的值为1时,可以表示对应该网络结构参数序列的网络结构每一层的数据处理单元大于10个小于20个。根据实际情况,网络结构参数序列中每个参数位置代表的参数类型及参数取值的含义可以不同。
第二步,通过上述至少一个网络结构参数序列构建参数空间,并确定上述至少一个网络结构参数序列在参数空间中的至少一个点。
执行主体可以根据网络结构参数序列构建参数空间,参数空间中点就可以对应一个网络结构参数序列。例如,执行主体可以将网络结构参数序列中前设定位的网络结构参数作为一组参数,如此可以将网络结构参数序列划分为较小的多维空间。然后再根据网络结构参数序列确定参数空间对应的点。
第三步,计算上述网络空间对应的至少一个网络结构参数序列中任意两个网络结构参数序列之间的方差,得到对应上述网络空间的至少一个方差。
执行主体可以计算网络空间中任意两个网络结构参数序列之间的方差,得到对应网络空间的多个方差。方差可以表征网络空间内网络结构之间的特征区别。方差越大,说明方差对应的两个网络结构属于网络空间内不同的典型网络结构,越能够代表网络空间的网络结构特征。方差越小,说明方差对应的两个网络结构属于网络空间内相同的典型网络结构,越不能代表网络空间的网络结构特征。如此,可以根据方差获取到网络空间内的典型网络结构,有利于降低网络空间的维度。
第四步,将上述至少一个方差按照从大到小的顺序排列得到方差序列。
之后,执行主体将方差按照从大到小的顺序排列得到方差序列。方差越靠前,说明方差对应的网络结构差异越大,对应的网络结构参数序列越能够代表网络空间中不同类型的网络结构的特征;方差越靠后,说明方差对应的网络结构差异越小,对应的网络结构参数序列越不能代表网络空间中不同类型的网络结构的特征。如此,有利于确定网络空间内网络结构的特征类型。
步骤402,根据上述方差序列的前第一设定数量个方差得到第一维轴。
方差可以表征网络空间内网络结构之间的特征区别,方差越大,说明方差对应的两个网络结构属于网络空间内的典型网络结构,越能够代表网络空间的网络结构特征。因此,执行主体可以根据上述方差序列的前第一设定数量个方差在上述参数空间对应的点拟合得到第一维轴。拟合的方法可以是,在参数空间中根据各个方差对应的点的分布,确定各个点之间的差值确定各个点之间的变化趋势,根据该变化趋势拟合出一条直线,则该直线就可以作为第一维轴。第一维轴可以表征网络空间中特征最明显的网络结构的类型。由于这些特征最明显的网络结构是按照类型进行划分的,因此忽略了相同类型的其他网络结构。如此,降低了网络空间中网络结构的维度。
步骤403,基于上述第一维轴和上述方差序列构建多维轴,并通过上述第一维轴和多维轴构建网络特征空间。
在得到第一维轴的基础上,执行主体可以继续在第一维轴的方向上,根据方差序列选取第二维轴、第三维轴等,得到多维轴。之后,执行主体可以通过第一维轴和多维轴构建网络特征空间。则网络特征空间就包含了第一维轴和多维轴对应的网络结构参数序列。
在本实施例的一些可选的实现方式中,上述基于上述第一维轴和上述方差序列构建多维轴,可以包括:响应于上述方差序列存在大于方差阈值的方差,基于与当前维轴垂直的平面和上述方差序列拟合得到下一维轴。
方差序列是按照从大到小的顺序排列方差的。方差越大,对应的网络结构也越有典型性,差异也越大。方差越小,则对应的网络结构越不具有典型性,也就越相似。为此,执行主体可以通过方差阈值来判断方差对应的网络结构的相似程度。当方差序列存在大于方差阈值的方差时,说明对应方差的网络结构具有较为明显的特征。此时,执行主体可以基于与当前维轴垂直的平面和上述方差序列拟合得到下一维轴。若当前维轴为第一维轴,则下一维轴就为第二维轴,如此类推。其中,与当前维轴垂直的平面可以用于对方差序列中的方差对应的网络结构参数序列进行筛选,以获取到与当前未轴对应的网络结构参数序列不相关的其他网络结构参数序列。如此,可以大大降低后续得到网络特征空间的维度。当方差序列没有大于方差阈值的方差时,剩余方差对应的网络结构不具有明显的特征,执行主体可以忽略方差对应的网络结构。如此,大大降低了网络特征空间的维度,有利于从网络特征空间中快速查询对应的网络结构。
在本实施例的一些可选的实现方式中,上述基于与当前维轴垂直的平面和上述方差序列拟合得到下一维轴,可以包括:将上述方差序列中的前第二设定数量个方差在上述参数空间上的点拟合得到的、位于上述平面上的直线设置为下一维轴。
第一维轴是通过方差序列中的前第一设定数量的方差确定的。在确定其他维轴时,可以通过方差序列中的、前第一设定数量的方差以外的方差来确定。执行主体可以将方差序列中的前第二设定数量个方差在上述参数空间上的点拟合得到的、位于上述平面上的直线设置为下一维轴。则此处的前第二设定数量个方差就是在去除了方差序列中、对应上一维轴的方差后的方差中选取的。如此,避免了方差的重复使用,提高了网络特征空间的有效性。
在本实施例的一些可选的实现方式中,上述通过上述第一维轴和多维轴构建网络特征空间,可以包括以下步骤:
第一步,对上述第一维轴和多维轴对应的网络结构参数序列进行特征参数提取,得到网络结构特征参数序列。
第一维轴和多维轴在构建的过程中需要对应的网络空间中的网络结构参数序列。这些网络结构参数序列代表了网络空间中典型的网络结构。在此基础上,执行主体可以对网络结构参数序列进行特征参数提取,得到网络结构特征参数序列。则网络结构特征参数序列可以认为是对网络结构参数序列的进一步降维。有利于提高从网络特征空间搜索网络结构的速度。降维后缺少的网络结构参数可以认为对网络结构的影响较小。
第二步,通过上述网络结构特征参数序列构建网络特征空间。
执行主体可以将网络结构特征参数序列组合起来构建网络特征空间。则网络特征空间就包含了网络空间内最具有代表性的网络结构。
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网络的装置500可以包括:信息获取单元501、初始目标网络参数序列查询单元502和目标网络获取单元503。其中,信息获取单元501,被配置成获取网络生成信息,上述网络生成信息包括网络结构参数,用于查找网络空间内满足上述网络结构参数的网络;初始目标网络参数序列查询单元502,被配置成查询网络特征空间内对应上述网络生成信息的初始目标网络参数序列,其中,上述网络特征空间为上述网络空间降维后的网络空间;目标网络获取单元503,被配置成将上述初始目标网络参数序列导入预先训练的空间转换模型,得到上述网络空间内对应上述网络生成信息的目标网络,上述空间转换模型用于表征上述网络特征空间内的初始目标网络参数序列与上述网络空间内的目标网络之间的对应关系。
在本实施例的一些可选的实现方式中,上述目标网络获取单元503可以包括:序列转换子单元(图中未视出)和序列还原子单元(图中未视出)。其中,序列转换子单元,被配置成将上述初始目标网络参数序列导入空间转换模型,得到上述网络空间上对应上述初始目标网络参数序列的原始目标网络参数序列;序列还原子单元,被配置成对上述原始目标网络参数序列进行解析,得到上述网络空间内对应上述网络生成信息的目标网络。
在本实施例的一些可选的实现方式中,上述用于获取网络的装置500可以包括网络特征空间构建单元(图中未视出),被配置成构建网络特征空间,上述网络特征空间构建单元可以包括:方差序列获取子单元(图中未视出)、第一维轴获取子单元(图中未视出)和网络特征空间构建子单元(图中未视出)。其中,方差序列获取子单元,被配置成获取网络空间的方差序列;第一维轴获取子单元,被配置成根据上述方差序列的前第一设定数量个方差拟合得到第一维轴;网络特征空间构建子单元,被配置成基于上述第一维轴和上述方差序列构建多维轴,并通过上述第一维轴和多维轴构建网络特征空间。
在本实施例的一些可选的实现方式中,上述方差序列获取子单元可以包括:参数序列查询模块(图中未视出)、参数空间构建模块(图中未视出)、方差计算模块(图中未视出)和方差序列生成模块(图中未视出)。其中,参数序列查询模块,被配置成查询上述网络空间包含的至少一个网络结构中每个网络结构的网络结构参数序列;参数空间构建模块,被配置成通过上述至少一个网络结构参数序列构建参数空间,并确定上述至少一个网络结构参数序列在参数空间中的至少一个点;方差计算模块,被配置成计算上述网络空间对应的至少一个网络结构参数序列中任意两个网络结构参数序列之间的方差,得到对应上述网络空间的至少一个方差;方差序列生成模块,被配置成将上述至少一个方差按照从大到小的顺序排列得到方差序列。
在本实施例的一些可选的实现方式中,上述网络特征空间构建子单元可以包括:轴生成模块(图中未视出),响应于上述方差序列存在大于方差阈值的方差,被配置成基于与当前维轴垂直的平面和上述方差序列拟合得到下一维轴。
在本实施例的一些可选的实现方式中,上述轴生成模块可以包括:轴生成子模块(图中未视出),被配置成将上述方差序列中的前第二设定数量个方差在上述参数空间上的点拟合得到的、位于上述平面上的直线设置为下一维轴。
在本实施例的一些可选的实现方式中,上述网络特征空间构建子单元可以包括:网络结构特征参数序列获取模块(图中未视出)和网络特征空间构建模块(图中未视出)。其中,网络结构特征参数序列获取模块,被配置成对上述第一维轴和多维轴对应的网络结构参数序列进行特征参数提取,得到网络结构特征参数序列;网络特征空间构建模块,被配置成通过上述网络结构特征参数序列构建网络特征空间。
在本实施例的一些可选的实现方式中,上述用于获取网络的装置500可以包括空间转换模型训练单元(图中未视出),被配置成训练空间转换模型,上述空间转换模型训练单元可以包括:样本获取子单元和空间转换模型训练子单元。其中,样本获取子单元,被配置成获取上述网络特征空间中的样本网络结构特征参数序列,以及上述网络空间中的、对应上述样本网络结构特征参数序列的样本网络结构参数序列;空间转换模型训练子单元,被配置成将上述样本网络结构特征参数序列作为输入,并与上述样本网络结构特征参数序列对应的样本网络结构参数序列作为输出,训练得到空间转换模型。
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中的网络获取服务器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:获取网络生成信息,上述网络生成信息包括网络结构参数,用于查找网络空间内满足上述网络结构参数的网络;查询网络特征空间内对应上述网络生成信息的初始目标网络参数序列,其中,上述网络特征空间为上述网络空间降维后的网络空间;将上述初始目标网络参数序列导入预先训练的空间转换模型,得到上述网络空间内对应上述网络生成信息的目标网络,上述空间转换模型用于表征上述网络特征空间内的初始目标网络参数序列与上述网络空间内的目标网络之间的对应关系。
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:一种处理器包括信息获取单元、初始目标网络参数序列查询单元和目标网络获取单元。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,目标网络获取单元还可以被描述为“用于获取网络空间中网络结构的单元”。
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 (18)
1.一种用于获取网络的方法,包括:
获取网络生成信息,所述网络生成信息包括网络结构参数,用于查找网络空间内满足所述网络结构参数的网络;
查询网络特征空间内对应所述网络生成信息的初始目标网络参数序列,其中,所述网络特征空间为所述网络空间降维后的网络空间;
将所述初始目标网络参数序列导入预先训练的空间转换模型,得到所述网络空间内对应所述网络生成信息的目标网络,所述空间转换模型用于表征所述网络特征空间内的初始目标网络参数序列与所述网络空间内的目标网络之间的对应关系。
2.根据权利要求1所述的方法,其中,所述将所述初始目标网络参数序列导入预先训练的空间转换模型,得到所述网络空间内对应所述网络生成信息的目标网络,包括:
将所述初始目标网络参数序列导入空间转换模型,得到所述网络空间上对应所述初始目标网络参数序列的原始目标网络参数序列;
对所述原始目标网络参数序列进行解析,得到所述网络空间内对应所述网络生成信息的目标网络。
3.根据权利要求1所述的方法,其中,所述网络特征空间通过以下步骤得到:
获取网络空间的方差序列;
根据所述方差序列的前第一设定数量个方差得到第一维轴;
基于所述第一维轴和所述方差序列构建多维轴,并通过所述第一维轴和多维轴构建网络特征空间。
4.根据权利要求3所述的方法,其中,所述获取网络空间的方差序列,包括:
查询所述网络空间包含的至少一个网络结构中每个网络结构的网络结构参数序列;
通过所述至少一个网络结构参数序列构建参数空间,并确定所述至少一个网络结构参数序列在参数空间中的至少一个点;
计算所述网络空间对应的至少一个网络结构参数序列中任意两个网络结构参数序列之间的方差,得到对应所述网络空间的至少一个方差;
将所述至少一个方差按照从大到小的顺序排列得到方差序列。
5.根据权利要求3所述的方法,其中,所述基于所述第一维轴和所述方差序列构建多维轴,包括:
响应于所述方差序列存在大于方差阈值的方差,基于与当前维轴垂直的平面和所述方差序列拟合得到下一维轴。
6.根据权利要求5所述的方法,其中,所述基于与当前维轴垂直的平面和所述方差序列拟合得到下一维轴,包括:
将所述方差序列中的前第二设定数量个方差在参数空间上的点拟合得到的、位于所述平面上的直线设置为下一维轴,其中,所述参数空间通过查询所述网络空间包含的至少一个网络结构中每个网络结构的网络结构参数序列而构建。
7.根据权利要求3所述的方法,其中,所述通过所述第一维轴和多维轴构建网络特征空间,包括:
对所述第一维轴和多维轴对应的网络结构参数序列进行特征参数提取,得到网络结构特征参数序列;
通过所述网络结构特征参数序列构建网络特征空间。
8.根据权利要求1所述的方法,其中,所述空间转换模型通过以下步骤得到:
获取所述网络特征空间中的样本网络结构特征参数序列,以及所述网络空间中的、对应所述样本网络结构特征参数序列的样本网络结构参数序列;
将所述样本网络结构特征参数序列作为输入,并与所述样本网络结构特征参数序列对应的样本网络结构参数序列作为输出,训练得到空间转换模型。
9.一种用于获取网络的装置,包括:
信息获取单元,被配置成获取网络生成信息,所述网络生成信息包括网络结构参数,用于查找网络空间内满足所述网络结构参数的网络;
初始目标网络参数序列查询单元,被配置成查询网络特征空间内对应所述网络生成信息的初始目标网络参数序列,其中,所述网络特征空间为所述网络空间降维后的网络空间;
目标网络获取单元,被配置成将所述初始目标网络参数序列导入预先训练的空间转换模型,得到所述网络空间内对应所述网络生成信息的目标网络,所述空间转换模型用于表征所述网络特征空间内的初始目标网络参数序列与所述网络空间内的目标网络之间的对应关系。
10.根据权利要求9所述的装置,其中,所述目标网络获取单元包括:
序列转换子单元,被配置成将所述初始目标网络参数序列导入空间转换模型,得到所述网络空间上对应所述初始目标网络参数序列的原始目标网络参数序列;
序列还原子单元,被配置成对所述原始目标网络参数序列进行解析,得到所述网络空间内对应所述网络生成信息的目标网络。
11.根据权利要求9所述的装置,其中,所述装置包括网络特征空间构建单元,被配置成构建网络特征空间,所述网络特征空间构建单元包括:
方差序列获取子单元,被配置成获取网络空间的方差序列;
第一维轴获取子单元,被配置成根据所述方差序列的前第一设定数量个方差得到第一维轴;
网络特征空间构建子单元,被配置成基于所述第一维轴和所述方差序列构建多维轴,并通过所述第一维轴和多维轴构建网络特征空间。
12.根据权利要求11所述的装置,其中,所述方差序列获取子单元包括:
参数序列查询模块,被配置成查询所述网络空间包含的至少一个网络结构中每个网络结构的网络结构参数序列;
参数空间构建模块,被配置成通过所述至少一个网络结构参数序列构建参数空间,并确定所述至少一个网络结构参数序列在参数空间中的至少一个点;
方差计算模块,被配置成计算所述网络空间对应的至少一个网络结构参数序列中任意两个网络结构参数序列之间的方差,得到对应所述网络空间的至少一个方差;
方差序列生成模块,被配置成将所述至少一个方差按照从大到小的顺序排列得到方差序列。
13.根据权利要求11所述的装置,其中,所述网络特征空间构建子单元包括:
轴生成模块,响应于所述方差序列存在大于方差阈值的方差,被配置成基于与当前维轴垂直的平面和所述方差序列拟合得到下一维轴。
14.根据权利要求13所述的装置,其中,所述轴生成模块包括:
轴生成子模块,被配置成将所述方差序列中的前第二设定数量个方差在参数空间上的点拟合得到的、位于所述平面上的直线设置为下一维轴,其中,所述参数空间通过查询所述网络空间包含的至少一个网络结构中每个网络结构的网络结构参数序列而构建。
15.根据权利要求11所述的装置,其中,所述网络特征空间构建子单元包括:
网络结构特征参数序列获取模块,被配置成对所述第一维轴和多维轴对应的网络结构参数序列进行特征参数提取,得到网络结构特征参数序列;
网络特征空间构建模块,被配置成通过所述网络结构特征参数序列构建网络特征空间。
16.根据权利要求9所述的装置,其中,所述装置包括空间转换模型训练单元,被配置成训练空间转换模型,所述空间转换模型训练单元包括:
样本获取子单元,被配置成获取所述网络特征空间中的样本网络结构特征参数序列,以及所述网络空间中的、对应所述样本网络结构特征参数序列的样本网络结构参数序列;
空间转换模型训练子单元,被配置成将所述样本网络结构特征参数序列作为输入,并与所述样本网络结构特征参数序列对应的样本网络结构参数序列作为输出,训练得到空间转换模型。
17.一种电子设备,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8中任一所述的方法。
18.一种计算机可读介质,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8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010317818.1A CN111526054B (zh) | 2020-04-21 | 2020-04-21 | 用于获取网络的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010317818.1A CN111526054B (zh) | 2020-04-21 | 2020-04-21 | 用于获取网络的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111526054A CN111526054A (zh) | 2020-08-11 |
CN111526054B true CN111526054B (zh) | 2022-08-26 |
Family
ID=71903287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010317818.1A Active CN111526054B (zh) | 2020-04-21 | 2020-04-21 | 用于获取网络的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111526054B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276442A (zh) * | 2019-05-24 | 2019-09-24 | 西安电子科技大学 | 一种神经网络架构的搜索方法及装置 |
CN110490323A (zh) * | 2019-08-20 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 网络模型压缩方法、装置、存储介质和计算机设备 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11030997B2 (en) * | 2017-11-22 | 2021-06-08 | Baidu Usa Llc | Slim embedding layers for recurrent neural language models |
-
2020
- 2020-04-21 CN CN202010317818.1A patent/CN111526054B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276442A (zh) * | 2019-05-24 | 2019-09-24 | 西安电子科技大学 | 一种神经网络架构的搜索方法及装置 |
CN110490323A (zh) * | 2019-08-20 | 2019-11-22 | 腾讯科技(深圳)有限公司 | 网络模型压缩方法、装置、存储介质和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111526054A (zh) | 2020-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109902186B (zh) | 用于生成神经网络的方法和装置 | |
CN109492772B (zh) | 生成信息的方法和装置 | |
CN107944481B (zh) | 用于生成信息的方法和装置 | |
CN112699991A (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 | |
CN109872242B (zh) | 信息推送方法和装置 | |
CN110096584B (zh) | 一种应答方法和装置 | |
CN110009059B (zh) | 用于生成模型的方法和装置 | |
CN109800730B (zh) | 用于生成头像生成模型的方法和装置 | |
CN112650841A (zh) | 信息处理方法、装置和电子设备 | |
CN111738010A (zh) | 用于生成语义匹配模型的方法和装置 | |
CN110059172B (zh) | 基于自然语言理解的推荐答案的方法和装置 | |
CN113468344B (zh) | 实体关系抽取方法、装置、电子设备和计算机可读介质 | |
CN116128055A (zh) | 图谱构建方法、装置、电子设备和计算机可读介质 | |
CN109829117B (zh) | 用于推送信息的方法和装置 | |
CN109992719B (zh) | 用于确定推送优先级信息的方法和装置 | |
CN112182255A (zh) | 用于存储媒体文件和用于检索媒体文件的方法和装置 | |
CN114119123A (zh) | 信息推送的方法和装置 | |
CN111526054B (zh) | 用于获取网络的方法及装置 | |
CN110956127A (zh) | 用于生成特征向量的方法、装置、电子设备和介质 | |
CN112307243A (zh) | 用于检索图像的方法和装置 | |
CN113610228B (zh) | 神经网络模型的构建方法及装置 | |
CN111949860B (zh) | 用于生成相关度确定模型的方法和装置 | |
CN111709784A (zh) | 用于生成用户留存时间的方法、装置、设备和介质 | |
CN110990528A (zh) | 一种问答方法、装置及电子设备 | |
CN110619537A (zh) | 用于生成信息的方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |