CN111882035A - 基于卷积核的超网络搜索方法、装置、设备和介质 - Google Patents
基于卷积核的超网络搜索方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN111882035A CN111882035A CN202010707538.1A CN202010707538A CN111882035A CN 111882035 A CN111882035 A CN 111882035A CN 202010707538 A CN202010707538 A CN 202010707538A CN 111882035 A CN111882035 A CN 111882035A
- Authority
- CN
- China
- Prior art keywords
- network
- training
- convolution kernel
- super
- size
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000012549 training Methods 0.000 claims abstract description 117
- 239000011159 matrix material Substances 0.000 claims abstract description 50
- 238000006243 chemical reaction Methods 0.000 claims abstract description 13
- 230000008014 freezing Effects 0.000 claims abstract description 10
- 238000007710 freezing Methods 0.000 claims abstract description 10
- 230000009466 transformation Effects 0.000 claims description 30
- 230000015654 memory Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000004821 distillation Methods 0.000 claims description 6
- 238000013140 knowledge distillation Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 4
- 239000000126 substance Substances 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 abstract description 7
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012356 Product development Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本申请公开了一种基于卷积核的超网络搜索方法、装置、设备和介质，涉及人工智能、深度学习、神经网络架构搜索和计算机视觉技术。具体实现方案为：训练初始化后的超网络，其中，所述超网络在初始状态下卷积核的尺寸为自然数n；基于所述训练后卷积核尺寸为n的超网络，在搜索空间内尺寸小于n的多个卷积核中按照尺寸从大到小的顺序，依次按照卷积核训练方式进行训练，直到最后一个尺寸的卷积核训练完毕为止，得到超网络搜索结果；其中，所述卷积核训练方式包括冻结卷积核的权重，并训练转换矩阵。本申请保证超网络与子网络的一致性，提升模型在特定硬件上的速度和精度，降低产品的成本。
Description
技术领域
本申请涉及人工智能领域，尤其涉及一种神经网络架构搜索技术，具体涉及一种基于卷积核的超网络搜索方法、装置、设备和介质。
背景技术
近年来，深度学习技术在很多方向上都取得了巨大的成功，其中，人工神经网络结构的好坏对最终模型的效果有非常重要的影响。手工设计网络拓扑结构需要非常丰富的经验和众多尝试，并且众多参数会产生爆炸性的组合，常规的随机搜索(random search)几乎不可行。因此，神经网络架构搜索技术(Neural Architecture Search，简称NAS)成为研究热点。
在NAS中，基于超网络的模型结构自动搜索可以大大加速搜索的速度。然而，现有技术搜索得到的模型子网络基于超网络的性能，与独立训练子网络的性能之间有很大的差距，从而造成搜索得到的网络结构性能不好。
发明内容
本申请提供一种基于卷积核的超网络搜索方法、装置、设备和介质，以保证超网络与子网络的一致性，提升模型在特定硬件上的速度和精度，降低产品的成本。
第一方面，本申请提供了一种基于卷积核的超网络搜索方法，包括：
训练初始化后的超网络，其中，所述超网络在初始状态下卷积核的尺寸为自然数n；
基于所述训练后卷积核尺寸为n的超网络，在搜索空间内尺寸小于n的多个卷积核中按照尺寸从大到小的顺序，依次按照卷积核训练方式进行训练，直到最后一个尺寸的卷积核训练完毕为止，得到超网络搜索结果；
其中，所述卷积核训练方式包括冻结卷积核的权重，并训练转换矩阵。
第二方面，本申请还提供了一种基于卷积核的超网络搜索装置，包括：
第一训练模块，用于训练初始化后的超网络，其中，所述超网络在初始状态下卷积核的尺寸为自然数n；
第二训练模块，用于基于所述训练后卷积核尺寸为n的超网络，在搜索空间内尺寸小于n的多个卷积核中按照尺寸从大到小的顺序，依次按照卷积核训练方式进行训练，直到最后一个尺寸的卷积核训练完毕为止，得到超网络搜索结果；
其中，所述卷积核训练方式包括冻结卷积核的权重，并训练转换矩阵。
第三方面，本申请还提供了一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本申请任意实施例所述的基于卷积核的超网络搜索方法。
第四方面，本申请还提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行本申请任意实施例所述的基于卷积核的超网络搜索方法。
根据本申请的技术方案，按照卷积核尺寸从大到小的方式依次训练卷积核，并且每次训练都是冻结权重，只训练转换矩阵，使得参数共享更好，保证了超网络与子网络的一致性，能够同时提升模型在特定硬件上的速度和精度，降低产品的成本。
应当理解，本部分所描述的内容并非旨在标识本申请的关键或重要特征，也不用于限制本申请的范围。本申请的其它特征将通过以下的说明书而变得容易理解，上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是根据本申请实施例的基于卷积核的超网络搜索方法的流程示意图；
图2是根据本申请实施例的基于卷积核的超网络搜索方法的流程示意图；
图3是根据本申请实施例的基于卷积核的超网络搜索装置的结构示意图；
图4是用来实现本申请实施例的基于卷积核的超网络搜索方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
图1是根据本申请实施例的基于卷积核的超网络搜索方法的流程示意图，本实施例可适用于基于超网络进行神经网络架构搜索的情况，涉及人工智能、深度学习、神经网络架构搜索和计算机视觉技术。该方法可由一种基于卷积核的超网络搜索装置来执行，该装置采用软件和/或硬件的方式实现，优选是配置于电子设备中，例如服务器或计算机设备等。如图1所示，该方法具体包括如下：
S101、训练初始化后的超网络，其中，所述超网络在初始状态下卷积核的尺寸为自然数n。
具体的，搜索空间即为待搜索网络结构的候选集合，超网络则可以是基于初始模型结构在搜索空间内构建而成。所述初始模型结构中卷积核的尺寸可以大于3，以达到一定的训练效果。搜索空间内则可以为卷积核提供3、5、7、9、11等尺寸选项。例如，假设超网络中存在上述5种卷积核尺寸的选项，且模型中隐藏层的层数为L，那么搜索空间中共存在5的L次幂个子网络。可以理解的是，本申请实施例中对搜索空间中卷积核的尺寸选项的数量和具体的数值均不做任何限定。
S102、基于所述训练后卷积核尺寸为n的超网络，在搜索空间内尺寸小于n的多个卷积核中按照尺寸从大到小的顺序，依次按照卷积核训练方式进行训练，直到最后一个尺寸的卷积核训练完毕为止，得到超网络搜索结果；其中，所述卷积核训练方式包括冻结卷积核的权重，并训练转换矩阵。
具体的，为了实现更好的权重共享，保证超网络和子网络的一致性，本申请实施例中，初始状态下卷积核的尺寸n设置为搜索空间中提供的最大尺寸。例如，若搜索空间中卷积核提供3、5、7、9、11五种尺寸选项，那么超网络初始化时，将n设置为11。也就是说，对初始化后的超网络进行训练至收敛后，超网络只有一个结构，卷积核尺寸均为11。
然后，基于训练好的最大核超网络，在搜索空间内尺寸小于n的多个卷积核中按照尺寸从大到小的顺序，依次按照卷积核训练方式进行训练，直到最后一个尺寸的卷积核训练完毕为止，得到超网络搜索结果。在上面例子中，则是按照9、7、5、3的顺序，依次对尺寸为9、7、5、3的卷积核按照卷积核训练方式进行训练。
其中，所述卷积核训练方式包括冻结卷积核的权重，并训练转换矩阵。也就是说，当最大尺寸卷积核超网络训练收敛后，在训练次大尺寸卷积核的过程中，冻结该最大尺寸卷积核的权重，只训练转换矩阵，以得到次大尺寸卷积核。转换矩阵为表示不同尺寸卷积核之间的转换关系的矩阵，例如，尺寸为11的卷积核转换到尺寸为9的卷积核，其转换矩阵的维度为121*81。当该次大尺寸卷积核训练完毕后，在训练尺寸小于该次大尺寸的卷积核的过程中，继续冻结该次大尺寸卷积核的权重，只训练转换矩阵，以得到更小尺寸的卷积核，并且以此类推，直到最后一个尺寸的卷积核训练完毕为止，即可得到超网络搜索结果。基于所述超网络搜索结果，即可输出满足延时约束和精度约束的目标模型结构。
因此，通过冻结权重而只训练转换矩阵的卷积核训练方式，能够更好地实现权重共享，保证超网络与子网络的一致性。不像现有技术中通过梯度的方式更新网络连接的权重，只保留连接系数最大的连接，使得子网络基于超网络的性能与独立训练子网络的性能之间存在很大的差距，从而导致子网络结构性能不好。而本申请实施例中训练出的子网络，无需重新训练直接就可以产出模型，在特定硬件上的速度和精度都得到了很好的提高。
例如，当模型用于图像处理等任何具体的应用领域时，本申请实施例的方案不仅能够提升模型搜索的效率，节约硬件资源，缩短产品开发的时间，而且，搜索得到的模型能够在轻量级的基础上达到较高的精度，从而提高图像处理的效果和速度，继而从整体上提升了产品的核心竞争力，并降低了产品成本。
此外，在一种实施方式中，对超网络中各尺寸卷积核的训练还可以是基于知识蒸馏算法进行，训练过程中的损失函数是预选教师模型中最后全连接层的蒸馏损失函数。例如，先选择一个预训练的大模型作为教师模型，训练初始化的超网络时，是在教师模型的监督下进行训练至收敛，损失函数即为教师模型中最后全连接层soft label的蒸馏损失函数。然后，在后续对每一个尺寸的卷积核进行训练的过程中，都是基于知识蒸馏算法训练至模型收敛，损失函数也都是教师模型中最后全连接层soft label的蒸馏损失函数。由此，基于知识蒸馏算法进行训练，可以进一步提高模型的性能和效果。
本申请实施例的技术方案，按照卷积核尺寸从大到小的方式依次训练卷积核，并且每次训练都是冻结较大核的权重，只训练转换矩阵，使得参数共享更好，保证了超网络与子网络的一致性，能够同时提升模型在特定硬件上的速度和精度，降低产品的成本。
图2是根据本申请实施例的基于卷积核的超网络搜索方法的流程示意图，本实施例在上述实施例的基础上进一步进行优化。如图2所示，该方法具体包括如下：
S201、基于设定的超网络搜索空间设计规则，将初始模型结构构建为超网络。
其中，初始模型结构例如为任意满足卷积核尺寸大于3的模型结构；搜索空间设计规则可以是提供卷积核尺寸为3、5、7、9、11等选项以构建超网络。
S202、对超网络进行初始化，其中，初始状态下，卷积核的尺寸为自然数n。
S203、训练初始化后的超网络直到收敛。
此时，超网络中只有一个结构，每层卷积核尺寸均为n。例如，n为11。
S204、基于当前尺寸卷积核的超网络，按照卷积核训练方式，训练搜索空间内尺寸小于当前尺寸的次大尺寸卷积核；其中，所述卷积核训练方式包括冻结卷积核的权重，并在所述超网络的各卷积层中逐层开放转换矩阵采样。
S205、将所述次大尺寸卷积核作为新的当前尺寸卷积核。
S206、判断当前训练的卷积核尺寸是否为搜索空间内最小尺寸，如果是，则执行S207，如果否，则返回继续执行S204。
在训练好最大尺寸卷积核的超网络之后，接下来对次大尺寸卷积核进行训练，例如，初始时卷积核尺寸为11，接下来训练尺寸为9的卷积核，由于尺寸9并非搜索空间中的最小尺寸，于是继续对尺寸为7的卷积核进行训练，以此类推，直到对尺寸为3的卷积核训练完毕为止，即可得到超网络搜索结果。
其中，对每一种尺寸的卷积核进行训练的方式，是冻结上一次已经训练好的较大尺寸卷积核的权重，只训练转换矩阵，而且在超网络的各卷积层中逐层开放转换矩阵采样。
在一种具体的实施方式中，所述在当前尺寸卷积核训练的过程中，在超网络的各卷积层中逐层开放转换矩阵采样，包括：
在当前尺寸卷积核训练的过程中，依次对至少m层卷积层开放采样当前尺寸卷积核的转换矩阵，直到m等于L为止，其中，L为卷积层的层数，m从1到L逐渐增加。
具体的，逐层开放的意思是，先对一层或者几层开放转换矩阵采样，然后逐渐增加。例如，当m初始值为1时，则先对至少1层开放，然后m逐渐增加，例如至少2层、3层、4层，以此类推，直到全部卷积层均开放。
示例性的，可以先对1层卷积层开放采样，此时，该层训练的卷积核可以是当前尺寸和之前训练好的较大尺寸卷积核的任意组合，对其他各层则不开放采样当前尺寸卷积核的转换矩阵。然后，在对2层卷积层开放采样，此时，该2层训练的均为当前尺寸和之前训练好的较大尺寸卷积核的任意组合，对其他各层仍然不开放。以此类推，逐层开放，一直到全部卷积层均开放采样当前尺寸卷积核的转换矩阵。
需要说明的是，本申请实施例中，可以是先开放1层，然后按照自然数递增的规律逐层开放；也可以是先开放2层，然后按照偶数递增的规律逐层开放；当然，还可以是先开放任意的至少一层，然后不按照规律或者按照任意规律，逐步增加开放的层数，这些方式均在本申请保护的范围内，对此，不应作任何限定。
此外，所述在当前尺寸卷积核训练的过程中，在所述超网络的各卷积层中逐层开放转换矩阵采样，还包括：在超网络的各卷积层中，每层只采样当前尺寸卷积核的转换矩阵。也就是说，本申请实施例中，还可以是先对每层只采样当前尺寸卷积核的转换矩阵，训练至模型收敛后，再按照上述逐层开放的方式进行训练。
由此，按照转换矩阵逐层开放的方式进行训练，能够对不同的子网络训练更加充分，进一步确保子网络与超网络的一致性。
此外，在另一种实施方式中，还可以按照转换矩阵的其他训练方式进行，例如，在当前尺寸卷积核训练的过程中，在超网络的各卷积层中均开放转换矩阵采样。
S207、基于训练得到的超网络搜索结果，输出满足延时约束和精度约束的目标模型结构。
例如，可以根据模型的具体应用场景，预先涉及延时约束和精度约束，从超网络搜索结果中选择满足该延时约束和精度约束的最优的目标模型结构。
本申请实施例的技术方案，由于每次训练卷积核都是冻结上一次已经训练好的较大尺寸卷积核的权重，只训练转换矩阵，使得参数共享更好，而且对转换矩阵的训练是逐层开放的，使得训练更加充分，保证了超网络与子网络的一致性，能够同时提升模型在特定硬件上的速度和精度，而且搜索出来的子网络无需重新训练直接就产出模型。
图3是根据本申请实施例的基于卷积核的超网络搜索装置的结构示意图，本实施例可适用于基于超网络进行神经网络架构搜索的情况。该装置可实现本申请任意实施例所述的基于卷积核的超网络搜索方法。如图3所示，该装置300具体包括：
第一训练模块301，用于训练初始化后的超网络，其中，所述超网络在初始状态下卷积核的尺寸为自然数n；
第二训练模块302，用于基于所述训练后卷积核尺寸为n的超网络，在搜索空间内尺寸小于n的多个卷积核中按照尺寸从大到小的顺序，依次按照卷积核训练方式进行训练，直到最后一个尺寸的卷积核训练完毕为止，得到超网络搜索结果；
其中，所述卷积核训练方式包括冻结卷积核的权重，并训练转换矩阵。
可选的，所述转换矩阵的训练方式包括：
在当前尺寸卷积核训练的过程中，在所述超网络的各卷积层中逐层开放转换矩阵采样。
可选的，所述第二训练模块具体用于：
在当前尺寸卷积核训练的过程中，依次对至少m层卷积层开放采样当前尺寸卷积核的转换矩阵，直到m等于L为止，其中，L为所述卷积层的层数，m从1到L逐渐增加。
可选的，所述第二训练模块还具体用于：
在所述超网络的各卷积层中，每层只采样当前尺寸卷积核的转换矩阵。
可选的，所述转换矩阵的训练方式包括：
在当前尺寸卷积核训练的过程中，在所述超网络的各卷积层中均开放转换矩阵采样。
可选的，所述第一训练模块和所述第二训练模块对所述超网络中各尺寸卷积核的训练是基于知识蒸馏算法进行，训练过程中的损失函数是预选教师模型中最后全连接层的蒸馏损失函数。
可选的，所述装置还包括：
输出模块，用于基于所述超网络搜索结果，输出满足延时约束和精度约束的目标模型结构。
本申请实施例提供的基于卷积核的超网络搜索装置300可执行本申请任意实施例提供的基于卷积核的超网络搜索方法，具备执行方法相应的功能模块和有益效果。本实施例中未详尽描述的内容可以参考本申请任意方法实施例中的描述。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图4所示，是根据本申请实施例的基于卷积核的超网络搜索方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图4所示，该电子设备包括：一个或多个处理器401、存储器402，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图4中以一个处理器401为例。
存储器402即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的基于卷积核的超网络搜索方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的基于卷积核的超网络搜索方法。
存储器402作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的基于卷积核的超网络搜索方法对应的程序指令/模块(例如，附图3所示的第一训练模块301和第二训练模块302)。处理器401通过运行存储在存储器402中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的基于卷积核的超网络搜索方法。
存储器402可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据实现本申请实施例的基于卷积核的超网络搜索方法的电子设备的使用所创建的数据等。此外，存储器402可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器402可选包括相对于处理器401远程设置的存储器，这些远程存储器可以通过网络连接至实现本申请实施例的基于卷积核的超网络搜索方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实现本申请实施例的基于卷积核的超网络搜索方法的电子设备还可以包括：输入装置403和输出装置404。处理器401、存储器402、输入装置403和输出装置404可以通过总线或者其他方式连接，图4中以通过总线连接为例。
输入装置403可接收输入的数字或字符信息，以及产生与实现本申请实施例的基于卷积核的超网络搜索方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置404可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
根据本申请实施例的技术方案，按照卷积核尺寸从大到小的方式依次训练卷积核，并且每次训练都是冻结较大核的权重，只训练转换矩阵，使得参数共享更好，而且对转换矩阵的训练是逐层开放的，使得训练更加充分，保证了超网络与子网络的一致性，能够同时提升模型在特定硬件上的速度和精度，而且搜索出来的子网络无需重新训练直接就产出模型。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。
Claims (16)
1.一种基于卷积核的超网络搜索方法，包括：
训练初始化后的超网络，其中，所述超网络在初始状态下卷积核的尺寸为自然数n；
基于所述训练后卷积核尺寸为n的超网络，在搜索空间内尺寸小于n的多个卷积核中按照尺寸从大到小的顺序，依次按照卷积核训练方式进行训练，直到最后一个尺寸的卷积核训练完毕为止，得到超网络搜索结果；
其中，所述卷积核训练方式包括冻结卷积核的权重，并训练转换矩阵。
2.根据权利要求1所述的方法，其中，所述转换矩阵的训练方式包括：
在当前尺寸卷积核训练的过程中，在所述超网络的各卷积层中逐层开放转换矩阵采样。
3.根据权利要求2所述的方法，其中，所述在当前尺寸卷积核训练的过程中，在所述超网络的各卷积层中逐层开放转换矩阵采样，包括：
在当前尺寸卷积核训练的过程中，依次对至少m层卷积层开放采样当前尺寸卷积核的转换矩阵，直到m等于L为止，其中，L为所述卷积层的层数，m从1到L逐渐增加。
4.根据权利要求3所述的方法，其中，所述在当前尺寸卷积核训练的过程中，在所述超网络的各卷积层中逐层开放转换矩阵采样，还包括：
在所述超网络的各卷积层中，每层只采样当前尺寸卷积核的转换矩阵。
5.根据权利要求1所述的方法，其中，所述转换矩阵的训练方式包括：
在当前尺寸卷积核训练的过程中，在所述超网络的各卷积层中均开放转换矩阵采样。
6.根据权利要求1所述的方法，其中，对所述超网络中各尺寸卷积核的训练是基于知识蒸馏算法进行，训练过程中的损失函数是预选教师模型中最后全连接层的蒸馏损失函数。
7.根据权利要求1所述的方法，还包括：
基于所述超网络搜索结果，输出满足延时约束和精度约束的目标模型结构。
8.一种基于卷积核的超网络搜索装置，包括：
第一训练模块，用于训练初始化后的超网络，其中，所述超网络在初始状态下卷积核的尺寸为自然数n；
第二训练模块，用于基于所述训练后卷积核尺寸为n的超网络，在搜索空间内尺寸小于n的多个卷积核中按照尺寸从大到小的顺序，依次按照卷积核训练方式进行训练，直到最后一个尺寸的卷积核训练完毕为止，得到超网络搜索结果；
其中，所述卷积核训练方式包括冻结卷积核的权重，并训练转换矩阵。
9.根据权利要求8所述的装置，其中，所述转换矩阵的训练方式包括：
在当前尺寸卷积核训练的过程中，在所述超网络的各卷积层中逐层开放转换矩阵采样。
10.根据权利要求9所述的装置，其中，所述第二训练模块具体用于：
在当前尺寸卷积核训练的过程中，依次对至少m层卷积层开放采样当前尺寸卷积核的转换矩阵，直到m等于L为止，其中，L为所述卷积层的层数，m从1到L逐渐增加。
11.根据权利要求10所述的装置，其中，所述第二训练模块还具体用于：
在所述超网络的各卷积层中，每层只采样当前尺寸卷积核的转换矩阵。
12.根据权利要求8所述的装置，其中，所述转换矩阵的训练方式包括：
在当前尺寸卷积核训练的过程中，在所述超网络的各卷积层中均开放转换矩阵采样。
13.根据权利要求8所述的装置，其中，所述第一训练模块和所述第二训练模块对所述超网络中各尺寸卷积核的训练是基于知识蒸馏算法进行，训练过程中的损失函数是预选教师模型中最后全连接层的蒸馏损失函数。
14.根据权利要求8所述的装置，还包括：
输出模块，用于基于所述超网络搜索结果，输出满足延时约束和精度约束的目标模型结构。
15.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的基于卷积核的超网络搜索方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的基于卷积核的超网络搜索方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010707538.1A CN111882035A (zh) | 2020-07-21 | 2020-07-21 | 基于卷积核的超网络搜索方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010707538.1A CN111882035A (zh) | 2020-07-21 | 2020-07-21 | 基于卷积核的超网络搜索方法、装置、设备和介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111882035A true CN111882035A (zh) | 2020-11-03 |
Family
ID=73155874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010707538.1A Pending CN111882035A (zh) | 2020-07-21 | 2020-07-21 | 基于卷积核的超网络搜索方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111882035A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113239899A (zh) * | 2021-06-17 | 2021-08-10 | 阿波罗智联(北京)科技有限公司 | 用于处理图像和生成卷积核的方法、路侧设备和云控平台 |
| CN113392957A (zh) * | 2021-05-20 | 2021-09-14 | 中国科学院深圳先进技术研究院 | 卷积运算的处理方法、电子设备、移动终端及存储介质 |
| CN114037060A (zh) * | 2021-11-05 | 2022-02-11 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备以及存储介质 |
| CN115034368A (zh) * | 2022-06-10 | 2022-09-09 | 小米汽车科技有限公司 | 车载模型训练方法、装置、电子设备、存储介质及芯片 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018045602A1 (zh) * | 2016-09-07 | 2018-03-15 | 华中科技大学 | 一种基于深度学习的模糊核尺寸估计方法与系统 |
| CN109344898A (zh) * | 2018-09-30 | 2019-02-15 | 北京工业大学 | 基于稀疏编码预训练的卷积神经网络图像分类方法 |
| US20190171926A1 (en) * | 2017-12-01 | 2019-06-06 | International Business Machines Corporation | Convolutional neural network with sparse and complementary kernels |
| CN109978136A (zh) * | 2019-03-05 | 2019-07-05 | 厦门美图之家科技有限公司 | 一种训练目标网络的方法、计算设备及存储介质 |
| CN110795976A (zh) * | 2018-08-03 | 2020-02-14 | 华为技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
| CN110826696A (zh) * | 2019-10-30 | 2020-02-21 | 北京百度网讯科技有限公司 | 超网络的搜索空间构建方法、装置以及电子设备 |
| CN110852425A (zh) * | 2019-11-15 | 2020-02-28 | 北京迈格威科技有限公司 | 基于优化的神经网络的处理方法、装置和电子系统 |
| CN111368973A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 用于训练超网络的方法和装置 |
-
2020
- 2020-07-21 CN CN202010707538.1A patent/CN111882035A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018045602A1 (zh) * | 2016-09-07 | 2018-03-15 | 华中科技大学 | 一种基于深度学习的模糊核尺寸估计方法与系统 |
| US20190171926A1 (en) * | 2017-12-01 | 2019-06-06 | International Business Machines Corporation | Convolutional neural network with sparse and complementary kernels |
| CN110795976A (zh) * | 2018-08-03 | 2020-02-14 | 华为技术有限公司 | 一种训练物体检测模型的方法、装置以及设备 |
| CN109344898A (zh) * | 2018-09-30 | 2019-02-15 | 北京工业大学 | 基于稀疏编码预训练的卷积神经网络图像分类方法 |
| CN109978136A (zh) * | 2019-03-05 | 2019-07-05 | 厦门美图之家科技有限公司 | 一种训练目标网络的方法、计算设备及存储介质 |
| CN110826696A (zh) * | 2019-10-30 | 2020-02-21 | 北京百度网讯科技有限公司 | 超网络的搜索空间构建方法、装置以及电子设备 |
| CN110852425A (zh) * | 2019-11-15 | 2020-02-28 | 北京迈格威科技有限公司 | 基于优化的神经网络的处理方法、装置和电子系统 |
| CN111368973A (zh) * | 2020-02-25 | 2020-07-03 | 北京百度网讯科技有限公司 | 用于训练超网络的方法和装置 |
Non-Patent Citations (4)
| Title |
|---|
| GURCAN, MN 等: "MEDICAL PHYSICS", MEDICAL PHYSICS, 30 September 2001 (2001-09-30) * |
| 文元美;余霆嵩;凌永权;: "基于边缘检测的卷积核数量确定方法", 计算机应用研究, no. 11, 15 November 2017 (2017-11-15) * |
| 李玉;沈成恺;杨红丽;胡海鹤;: "初始化卷积神经网络的主成分洗牌方法", 北京工业大学学报, no. 01, 10 January 2017 (2017-01-10) * |
| 马治楠;韩云杰;彭琳钰;周进凡;林付春;刘宇红;: "基于深层卷积神经网络的剪枝优化", 电子技术应用, no. 12, 6 December 2018 (2018-12-06) * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113392957A (zh) * | 2021-05-20 | 2021-09-14 | 中国科学院深圳先进技术研究院 | 卷积运算的处理方法、电子设备、移动终端及存储介质 |
| CN113239899A (zh) * | 2021-06-17 | 2021-08-10 | 阿波罗智联(北京)科技有限公司 | 用于处理图像和生成卷积核的方法、路侧设备和云控平台 |
| CN113239899B (zh) * | 2021-06-17 | 2024-05-28 | 阿波罗智联(北京)科技有限公司 | 用于处理图像和生成卷积核的方法、路侧设备和云控平台 |
| CN114037060A (zh) * | 2021-11-05 | 2022-02-11 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备以及存储介质 |
| CN115034368A (zh) * | 2022-06-10 | 2022-09-09 | 小米汽车科技有限公司 | 车载模型训练方法、装置、电子设备、存储介质及芯片 |
| CN115034368B (zh) * | 2022-06-10 | 2023-09-29 | 小米汽车科技有限公司 | 车载模型训练方法、装置、电子设备、存储介质及芯片 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111882035A (zh) | 基于卷积核的超网络搜索方法、装置、设备和介质 | |
| KR102645185B1 (ko) | 라벨링 모델을 구축하는 방법, 장치, 전자 기기, 프로그램 및 판독 가능 저장 매체 | |
| KR102567635B1 (ko) | 시맨틱 표현 모델을 트레이닝 하는 방법, 장치, 전자 기기 및 컴퓨터 기록 매체 | |
| JP2022018095A (ja) | マルチモーダル事前訓練モデル取得方法、装置、電子デバイス及び記憶媒体 | |
| US20210374343A1 (en) | Method and apparatus for obtaining word vectors based on language model, device and storage medium | |
| CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
| CN111667057A (zh) | 用于搜索模型结构的方法和装置 | |
| CN111967569A (zh) | 神经网络结构的生成方法、装置、存储介质及电子设备 | |
| CN111639753B (zh) | 用于训练图像处理超网络的方法、装置、设备以及存储介质 | |
| CN111582454A (zh) | 生成神经网络模型的方法和装置 | |
| CN110569969A (zh) | 网络模型结构的采样方法、装置以及电子设备 | |
| CN111582452B (zh) | 生成神经网络模型的方法和装置 | |
| CN112560499B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
| CN112100466A (zh) | 生成搜索空间的方法、装置、设备及存储介质 | |
| CN111652354B (zh) | 用于训练超网络的方法、装置、设备以及存储介质 | |
| CN111539224A (zh) | 语义理解模型的剪枝方法、装置、电子设备和存储介质 | |
| CN111783950A (zh) | 基于超网络的模型获取方法、装置、设备及存储介质 | |
| CN112580723B (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
| CN110569973A (zh) | 网络结构的搜索方法、装置以及电子设备 | |
| CN111160552B (zh) | 新闻信息的推荐处理方法、装置、设备和计算机存储介质 | |
| CN111783951B (zh) | 基于超网络的模型获取方法、装置、设备及存储介质 | |
| CN111680599B (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
| CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
| CN112016524A (zh) | 模型训练方法、人脸识别方法、装置、设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |