CN111950702A - 一种神经网络结构确定方法及其装置 - Google Patents
一种神经网络结构确定方法及其装置 Download PDFInfo
- Publication number
- CN111950702A CN111950702A CN202010688391.6A CN202010688391A CN111950702A CN 111950702 A CN111950702 A CN 111950702A CN 202010688391 A CN202010688391 A CN 202010688391A CN 111950702 A CN111950702 A CN 111950702A
- Authority
- CN
- China
- Prior art keywords
- network
- target
- neural network
- task
- neural
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 557
- 238000000034 method Methods 0.000 title claims abstract description 134
- 238000012545 processing Methods 0.000 claims abstract description 185
- 238000009826 distribution Methods 0.000 claims description 177
- 238000012549 training Methods 0.000 claims description 96
- 230000015654 memory Effects 0.000 claims description 45
- 238000011156 evaluation Methods 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 41
- 238000005070 sampling Methods 0.000 claims description 41
- 238000001514 detection method Methods 0.000 claims description 21
- 230000011218 segmentation Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 description 23
- 239000011159 matrix material Substances 0.000 description 14
- 230000006870 function Effects 0.000 description 11
- 238000013473 artificial intelligence Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 230000002787 reinforcement Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 102100034112 Alkyldihydroxyacetonephosphate synthase, peroxisomal Human genes 0.000 description 3
- 101000799143 Homo sapiens Alkyldihydroxyacetonephosphate synthase, peroxisomal Proteins 0.000 description 3
- 238000000848 angular dependent Auger electron spectroscopy Methods 0.000 description 3
- 239000000872 buffer Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000001537 neural effect Effects 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000011022 operating instruction Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 230000003796 beauty Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 230000016776 visual perception Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005538 encapsulation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000008570 general process Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000013519 translation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种神经网络结构确定方法,包括:获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务;根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率;以及根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。本申请不需要很多的迭代次数,就可以选择出适配于神经网络需要实现的任务类型的网络结构。
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结构确定方法及其装置。
背景技术
机器学习(machine learning,ML)近年来取得了相当大的成功,越来越多机器学习衍生的产品正在使人们的生活发生翻天覆地的变化。但是当前机器学习的进展依赖于ML专家手动对模型进行繁冗的设计和调试,这不仅限制了机器学习的广泛应用,也延长了产品的迭代周期。
随着人工智能技术的快速发展,一个性能优良的神经网络往往拥有精妙的网络结构,而这需要具有高超技能和丰富经验的人类专家花费大量精力进行构建。为了更好地构建神经网络,人们提出了通过神经网络结构搜索(neural architecture search,NAS)的方法来搭建神经网络,通过自动化地搜索神经网络结构,从而得到性能优异的神经网络结构。
神经网络架构搜索(NAS)在很多任务上(如图片分类、物体检测、语义分割等)取得了巨大的成功。然而,NAS算法在实际应用中将会遇到各种各样的数据集或任务,现有的实现中,每次针对不同的任务的神经网络进行NAS时,需要重新搜索,迭代过程较多,需要的计算开销较大。
发明内容
第一方面,本申请提供了一种神经网络结构确定方法,所述方法包括:
获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务;在一种实现中,用户还可以输入数据集位置,终端设备可以基于输入的数据集位置获取目标训练数据,并根据目标训练数据训练和第一神经网络的网络架构,训练得到第一神经网络以及第一神经网络的任务处理精度。任务处理精度的评价方式和目标任务的类型有关,具体的,任务处理精度可以包括但不限于正确率(accuracy),平均正确率(mean average precision),平均交并比(mean intersection over union),均方误差(mean square error),结构相似度(structural similarity index)等;根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率;以及根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。
本申请提供了一种神经网络结构确定方法,所述方法包括:获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务;根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率;以及根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。为了实现较好的任务处理精度,针对于不同的任务以及不同的目标训练数据,神经网络的主干网络的网络结构很可能不同,为了在每次对主干网络进行结构搜索时,不需要重新搜索,可以首先获取到可以表达出神经网络需要实现的任务类型以及训练数据的特征(即上述实施例中的目标编码),之后确定该目标编码对应的主干网络的结构特征(即主干网络各个结构的结构类型的概率分布),并基于概率分布选择目标神经网络。由于目标神经网络是基于目标编码确定的概率分布采样得到的,使得目标神经网络和神经网络需要实现的任务类型以及训练数据的特征相关,即和较优的网络结构较为贴近,进而不需要很多的迭代次数,就可以选择出适配于神经网络需要实现的任务类型以及训练数据的网络结构。
在一种可能的实现中,所述根据所述多种候选网络的结构参数的概率,确定目标神经网络,包括:
根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;
获取所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络。
在一种可能的实现中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种可能的实现中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
所述主干网络的结构参数可以包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。其中,主干网络的深度可以理解为主干网络包括的神经网络层(待搜索的神经网络层)的数量,主干网络的宽度可以理解为主干网络生成的特征图的通道数。神经网络层的类型可以从搜索空间中选择,示例性的,搜索空间可以包含但不限于包括但不限于卷积、池化、残差连接等操作类型,例如可以包括以下操作类型:1x3和3x1 convolution、1x7和7x1 convolution、3x3dilated convolution、3x3 average pooling、3x3 max pooling、5x5 max pooling、7x7max pooling、1x1 convolution、3x3 convolution、3x3 separable conv、5x5 seperableconv、7x7separable conv、跳连接操作、置零操作(Zero,相应位置所有神经元置零)等等。
在一种可能的实现中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述第一神经网络为基于目标训练数据训练得到的,所述目标编码用于表示所述目标任务和所述目标训练数据。
在一种可能的实现中,所述目标神经网络为当前迭代过程中选择的,所述方法还包括:
对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
在一种可能的实现中,所述至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,包括:
至少根据所述主干网络的结构参数以及所述任务处理精度,获取分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码。
在一种可能的实现中,所述至少根据所述主干网络的结构参数以及所述任务处理精度,获取分布参数,包括:
获取预先训练好的任务编码网络;
至少将所述主干网络的结构参数以及所述任务处理精度作为所述任务编码网络的输入数据,得到所述分布参数。
任务编码模块可以是服务器侧训练好的网络模型,其具有输入神经网络的网络结构以及任务处理精度,就可以输出目标编码的能力,且该目标编码可以表达目标任务的特征以及目标训练数据的特征。应理解,任务编码模块可以为一个全连接网络,为了实现较好的任务处理精度,针对于不同的任务以及不同的目标训练数据,神经网络的主干网络的网络结构很可能不同,为了在每次对主干网络进行结构搜索时,不需要重新搜索,可以首先获取到可以表达出神经网络需要实现的任务类型以及训练数据的特征(即上述实施例中的目标编码)。
在一种可能的实现中,所述分布参数包括高斯分布的平均值和方差。
在一种可能的实现中,所述根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率,包括:
获取预先训练好的概率分布生成网络;
将所述目标编码作为所述概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率。
示例性的,终端设备可以调用概率分布生成网络,依次输出主干网络的宽度w,主干网络的深度d,主干网络生成的特征图的尺寸s的概率分布。如p(w)=[0.1,0.3,0.5,0.1]表示分别以0.1,0.3,0.5,0.1的概率采到w=48,56,64,72。d、s的概率分布确定方式可以跟w类似。
在一种可能的实现中,所述获取所述M个第二神经网络的任务处理精度,包括:
获取预训练的精度评估网络;
将所述M个第二神经网络中包括的主干网络的结构参数和所述目标编码作为所述精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度。
在一种可能的实现中,所述根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络,包括:
根据所述M个第二神经网络的任务处理精度,从所述M个第二神经网络中选择任务处理精度最高的第二神经网络作为所述目标神经网络。
在一种可能的实现中,所述任务编码网络、所述概率分布生成网络和所述精度评估网络为服务器训练得到的。
在一种可能的实现中,所述方法还包括:
接收服务器发送的所述任务编码网络、所述概率分布生成网络和所述精度评估网络。
第二方面,本申请提供了一种神经网络结构确定装置,所述装置包括:
获取模块,用于获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;
确定模块,用于至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务;
根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率;以及
根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。
在一种可能的实现中,所述获取模块,用于根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;
获取所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络。
在一种可能的实现中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种可能的实现中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述第一神经网络为基于目标训练数据训练得到的,所述目标编码用于表示所述目标任务和所述目标训练数据。
在一种可能的实现中,所述目标神经网络为当前迭代过程中选择的,所述装置还包括:
训练模块,用于对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
在一种可能的实现中,所述确定模块,用于至少根据所述主干网络的结构参数以及所述任务处理精度,获取分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码。
在一种可能的实现中,所述获取模块,用于获取预先训练好的任务编码网络;
至少将所述主干网络的结构参数以及所述任务处理精度作为所述任务编码网络的输入数据,得到所述分布参数。
在一种可能的实现中,所述分布参数包括高斯分布的平均值和方差。
在一种可能的实现中,所述确定模块,用于获取预先训练好的概率分布生成网络;
将所述目标编码作为所述概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率。
在一种可能的实现中,所述获取模块,用于获取预训练的精度评估网络;
将所述M个第二神经网络中包括的主干网络的结构参数和所述目标编码作为所述精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度。
在一种可能的实现中,所述确定模块,用于根据所述M个第二神经网络的任务处理精度,从所述M个第二神经网络中选择任务处理精度最高的第二神经网络作为所述目标神经网络。
在一种可能的实现中,所述任务编码网络、所述概率分布生成网络和所述精度评估网络为服务器训练得到的。
在一种可能的实现中,所述装置还包括:
接收模块,用于接收服务器发送的所述任务编码网络、所述概率分布生成网络和所述精度评估网络。
由于第二方面是第一方面对应的装置,其各种实现方式、解释说明以及相应的技术效果请参见第一方面的描述,这里不再赘述。
第三方面,本申请提供了一种神经网络训练方法,包括:
获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;
至少将所述主干网络的结构参数以及所述任务处理精度作为任务编码网络的输入数据,得到分布参数,所述分布参数表示编码的概率分布;
根据所述编码的概率分布,采样得到目标编码;
将所述目标编码作为概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率;
根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;
将所述M个第二神经网络中包括的主干网络的网络结构和所述目标编码作为精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择目标神经网络;
基于强化学习的方式更新所述任务编码网络、所述概率分布生成网络、所述精度评估网络,以得到更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络。
在一种可能的实现中,所述方法还包括:
向终端设备发送所述更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络。
在一种可能的实现中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种可能的实现中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述目标神经网络为当前迭代过程中选择的,所述方法还包括:
对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
第四方面,本申请提供了一种神经网络训练装置,包括:
获取模块,用于获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;
确定模块,用于至少将所述主干网络的结构参数以及所述任务处理精度作为任务编码网络的输入数据,得到分布参数,所述分布参数表示编码的概率分布;
根据所述编码的概率分布,采样得到目标编码;
将所述目标编码作为概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率;
根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;
将所述M个第二神经网络中包括的主干网络的网络结构和所述目标编码作为精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择目标神经网络;
训练模块,用于基于强化学习的方式更新所述任务编码网络、所述概率分布生成网络、所述精度评估网络,以得到更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络。
在一种可能的实现中,所述装置还包括:
发送模块,用于向终端设备发送所述更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络。
在一种可能的实现中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种可能的实现中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述目标神经网络为当前迭代过程中选择的,所述方法还包括:
对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
第五方面,本申请实施例提供了一种系统,包括服务器和终端设备;
所述服务器用于获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少将所述主干网络的结构参数以及所述任务处理精度作为任务编码网络的输入数据,得到分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到目标编码;将所述目标编码作为概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率;根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;将所述M个第二神经网络中包括的主干网络的网络结构和所述目标编码作为精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择目标神经网络;基于强化学习的方式更新所述任务编码网络、所述概率分布生成网络、所述精度评估网络,以得到更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络;向终端设备发送所述更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络;
所述终端设备用于获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少将所述主干网络的结构参数以及所述任务处理精度作为所述更新后的任务编码网络的输入数据,得到分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码;将所述目标编码作为所述更新后的概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率;根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;将所述M个第二神经网络中包括的主干网络的结构参数和所述目标编码作为所述更新后的精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络。
在一种可能的实现中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种可能的实现中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述目标神经网络为当前迭代过程中选择的,所述终端设备还用于:对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
第六方面,本申请实施例提供了一种神经网络结构确定装置,可以包括存储器、处理器以及总线系统,其中,存储器用于存储程序,处理器用于执行存储器中的程序,以执行如上述第一方面及第一方面任一可选的方法。
第七方面,本申请实施例提供了一种神经网络训练装置,可以包括存储器、处理器以及总线系统,其中,存储器用于存储程序,处理器用于执行存储器中的程序,以执行如上述第二方面及第一方面任一可选的方法。
第八方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面及其任一可选的方法。
第九方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,当其在计算机上运行时,使得计算机执行上述第二方面及其任一可选的方法。
第十方面,本申请实施例提供了一种计算机程序,当其在计算机上运行时,使得计算机执行上述第一方面及其任一可选的方法。
第十一方面,本申请实施例提供了一种计算机程序,当其在计算机上运行时,使得计算机执行上述第二方面及其任一可选的方法。
第十二方面,本申请提供了一种芯片系统,该芯片系统包括处理器,用于支持执行设备或训练设备实现上述方面中所涉及的功能,例如,发送或处理上述方法中所涉及的数据;或,信息。在一种可能的设计中,所述芯片系统还包括存储器,所述存储器,用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统,可以由芯片构成,也可以包括芯片和其他分立器件。
本申请提供了一种神经网络结构确定方法,所述方法包括:获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务;根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率;以及根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。为了实现较好的任务处理精度,针对于不同的任务以及不同的目标训练数据,神经网络的主干网络的网络结构很可能不同,为了在每次对主干网络进行结构搜索时,不需要重新搜索,可以首先获取到可以表达出神经网络需要实现的任务类型以及训练数据的特征(即上述实施例中的目标编码),之后确定该目标编码对应的主干网络的结构特征(即主干网络各个结构的结构类型的概率分布),并基于概率分布选择目标神经网络。由于目标神经网络是基于目标编码确定的概率分布采样得到的,使得目标神经网络和神经网络需要实现的任务类型以及训练数据的特征相关,即和较优的网络结构较为贴近,进而不需要很多的迭代次数,就可以选择出适配于神经网络需要实现的任务类型以及训练数据的网络结构。
附图说明
图1为人工智能主体框架的一种结构示意图;
图2为本申请实施例的应用场景;
图3为本申请实施例提供的一种系统架构的示意图;
图4为本申请实施例提供的一种神经网络结构确定方法的流程示意;
图5为本申请实施例提供的一种主干网络的示意;
图6为本申请实施例提供的一种功能架构示意;
图7为本申请实施例提供的一种神经网络结构确定流程示意;
图8为本申请实施例提供的一种神经网络结构确定流程示意;
图9为本申请实施例提供的一种神经网络结构确定装置;
图10为本申请实施例提供的一种神经网络训练装置的结构示意;
图11为本申请实施例提供的执行设备的一种结构示意图;
图12是本申请实施例提供的训练设备一种结构示意图;
图13为本申请实施例提供的芯片的一种结构示意图;
图14为本申请实施例提供的系统的一种示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释,而非旨在限定本发明。
下面结合附图,对本申请的实施例进行描述。本领域普通技术人员可知,随着技术的发展和新场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换,这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
首先对人工智能系统总体工作流程进行描述,请参见图1,图1示出的为人工智能主体框架的一种结构示意图,下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中,“智能信息链”反映从数据的获取到处理的一列过程。举例来说,可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中,数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程,反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持,实现与外部世界的沟通,并通过基础平台实现支撑。通过传感器与外部沟通;计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供;基础平台包括分布式计算框架及网络等相关的平台保障和支持,可以包括云存储和计算、互联互通网络等。举例来说,传感器和外部沟通获取数据,这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本,还涉及到传统设备的物联网数据,包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练,机器学习,深度学习,搜索,推理,决策等方式。
其中,机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中,模拟人类的智能推理方式,依据推理控制策略,利用形式化的信息进行机器思维和求解问题的过程,典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程,通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后,进一步基于数据处理的结果可以形成一些通用的能力,比如可以是算法或者一个通用系统,例如,翻译,文本的分析,计算机视觉的处理,语音识别,图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用,是对人工智能整体解决方案的封装,将智能信息决策产品化、实现落地应用,其应用领域主要包括:智能终端、智能交通、智能医疗、自动驾驶、平安城市等。
本申请实施例可以应用在图片分类、物体检测、语义分割、室内布局(roomlayout)、图片补全或自动编码,示例性的,本申请实施例可以应用在驾驶辅助、自动驾驶、手机终端等需要完成多种感知任务的领域。
下面分别对ADAS/ADS视觉感知系统和手机美颜两种应用场景做简单的介绍。
应用场景1:ADAS/ADS视觉感知系统
如图2所示,在ADAS和ADS中,需要实时进行多类型的2D目标检测,包括:动态障碍物(行人(Pedestrian)、骑行者(Cyclist)、三轮车(Tricycle)、轿车(Car)、卡车(Truck)、公交车(Bus)),静态障碍物(交通锥标(TrafficCone)、交通棍标(TrafficStick)、消防栓(FireHydrant)、摩托车(Motocycle)、自行车(Bicycle)),交通标志((TrafficSign)、导向标志(GuideSign)、广告牌(Billboard)、红色交通灯(TrafficLight_Red)/黄色交通灯(TrafficLight_Yellow)/绿色交通灯(TrafficLight_Green)/黑色交通灯(TrafficLight_Black)、路标(RoadSign))。另外,为了准确获取动态障碍物的在3维空间所占的区域,还需要对动态障碍物进行3D估计,输出3D框。为了与激光雷达的数据进行融合,需要获取动态障碍物的Mask,从而把打到动态障碍物上的激光点云筛选出来;为了进行精确的泊车位,需要同时检测出泊车位的4个关键点;为了进行构图定位,需要检测出静态目标的关键点。使用本申请实施例提供的技术方案,可以在神经网络中完成上述的全部或一部分功能。
应用场景2:手机美颜功能
在手机中,通过本申请实施例提供的神经网络检测出人体的Mask和关键点,可以对人体相应的部位进行放大缩小,比如进行收腰和美臀操作,从而输出美颜的图像。
应用场景3:图像分类场景:
在获取待分类图像后,可以基于神经网络获取待分类图像中的物体的类别,然后可根据待分类图像中物体的类别对待分类图像进行分类。对于摄影师来说,每天会拍很多照片,有动物的,有人物,有植物的。采用本申请的方法可以快速地将照片按照照片中的内容进行分类,可分成包含动物的照片、包含人物的照片和包含植物的照片。
对于图像数量比较庞大的情况,人工分类的方式效率比较低下,并且人在长时间处理同一件事情时很容易产生疲劳感,此时分类的结果会有很大的误差;而采用本申请的方法可以快速地将图像进行分类,并且不会有误差。
应用场景4:商品分类:
在获取包括商品的图像后,可以神经网路的处理获取商品的图像中商品的类别,然后根据商品的类别对商品进行分类。对于大型商场或超市中种类繁多的商品,采用本申请的物体识别方法可以快速完成商品的分类,降低了时间开销和人工成本。
由于本申请实施例涉及大量神经网络的应用,为了便于理解,下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)物体检测,利用图像处理和机器学习、计算机图形学等相关方法,物体检测可以确定图像物体的类别,并确定用于定位物体的检测框。
(2)卷积神经网络(Convosutionas Neuras Network,CNN)是一种带有卷积结构的深度神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器。该特征抽取器可以看作是滤波器。本实施例中的感知网络可以包括卷积神经网络,用于对图像进行卷积处理或者对特征图进行卷积处理来生成特征图。
(3)反向传播算法
卷积神经网络可以采用误差反向传播(back propagation,BP)算法在训练过程中修正初始的超分辨率模型中参数的大小,使得超分辨率模型的重建误差损失越来越小。具体地,前向传递输入信号直至输出会产生误差损失,通过反向传播误差损失信息来更新初始的超分辨率模型中参数,从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动,旨在得到最优的超分辨率模型的参数,例如权重矩阵。本实施例中,在进行感知网络的训练时,可以基于反向传播算法来更新感知网络。
图3是本申请实施例提供的一种系统架构的示意图,在图3中,执行设备110配置输入/输出(input/output,I/O)接口112,用于与外部设备进行数据交互,用户可以通过客户设备140向I/O接口112输入数据。
在执行设备120对输入数据进行预处理,或者在执行设备120的计算模块111执行计算等相关的处理(比如进行本申请中神经网络的功能实现)过程中,执行设备120可以调用数据存储系统150中的数据、代码等以用于相应的处理,也可以将相应处理得到的数据、指令等存入数据存储系统150中。
最后,I/O接口112将处理结果,如上述得到的图像或图像块或者图像中感兴趣物体的2D、3D、Mask和关键点等信息中的至少一种返回给客户设备140,从而提供给用户。
可选地,客户设备140,例如可以是自动驾驶系统中的控制单元、手机终端中的功能算法模块,例如该功能算法模块可以用于实现相关的任务。
值得说明的是,训练设备120可以针对不同的目标或称不同的任务,基于不同的训练数据生成相应的目标模型/规则,该相应的目标模型/规则即可以用于实现上述目标或完成上述任务,从而为用户提供所需的结果。
在图3中所示情况下,用户可以手动给定输入数据,该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下,客户设备140可以自动地向I/O接口112发送输入数据,如果要求客户设备140自动发送输入数据需要获得用户的授权,则用户可以在客户设备140中设置相应权限。用户可以在客户设备140查看执行设备110输出的结果,具体的现形式可以是显示、声音、动作等具体方式。客户设备140也可以作为数据采集端,采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据,并存入数据库130。当然,也可以不经过客户设备140进行采集,而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果,作为新的样本数据存入数据库130。
值得注意的是,图3仅是本申请实施例提供的一种系统架构的示意图,图中所示设备、器件、模块等之间的位置关系不构成任何限制,例如,在图3中,数据存储系统150相对执行设备110是外部存储器,在其它情况下,也可以将数据存储系统150置于执行设备110中。
参见图4,图4为本申请实施例提供的一种神经网络结构确定方法的流程示意,如图4中示出的那样,本申请实施例提供的神经网络结构确定方法包括:
401、获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务。
本申请实施例中,可以随机生成一个第一神经网络。具体的,可以随机采样第一神经网络主干网络的网络结构,其中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。其中,主干网络的深度可以理解为主干网络包括的神经网络层(待搜索的神经网络层)的数量,主干网络的宽度可以理解为主干网络生成的特征图的通道数。神经网络层的类型可以从搜索空间中选择,示例性的,搜索空间可以包含但不限于包括但不限于卷积、池化、残差连接等操作类型,例如可以包括以下操作类型:1x3和3x1 convolution、1x7和7x1convolution、3x3 dilated convolution、3x3 average pooling、3x3 max pooling、5x5max pooling、7x7 max pooling、1x1 convolution、3x3 convolution、3x3 separableconv、5x5 seperable conv、7x7 separable conv、跳连接操作、置零操作(Zero,相应位置所有神经元置零)等等。
其中,示例性的,3x3 average pooling表示池化核大小为3×3的均值池化;3x3max pooling表示池化核大小为3×3的最大值池化;3x3 dilated convolution表示卷积核大小为3×3且空洞率为2的空洞卷积;3x3 separable conv表示卷积核大小为3×3的分离卷积;5x5seperable conv表示卷积核大小为5×5的分离卷积。
示例性的,参照图5,图5为本申请实施例提供的一种主干网络的示意,其中,主干网络用于接收输入的图像,并对输入的图像进行卷积处理,输出对应所述图像的具有不同分辨率的特征图(特征图C1、特征图C2、特征图C3、特征图C4);也就是说输出对应所述图像的不同大小的特征图,主干网络完成基础特征的提取,为后续的检测提供相应的特征。
具体的,主干网络可以对输入的图像进行一系列的卷积处理,得到在不同的尺度(具有不同分辨率)下的特征图(feature map)。这些特征图将为后续的检测模块提供基础特征。主干网络可以采用多种形式,比如视觉几何组(visual geometry group,VGG)、残差神经网络(residual neural network,resnet)、GoogLeNet的核心结构(Inception-net)等。
主干网络可以对输入的图像进行卷积处理,生成若干不同尺度的卷积特征图,每张特征图是一个H*W*C的矩阵,其中H是特征图的高度,W是特征图的宽度、C是特征图的通道数。
backbone可以采用目前多种现有的卷积网络框架,比如VGG16、Resnet50、Inception-Net等,下面以Resnet18为Backbone为例进行说明。
假设输入的图像的分辨率为H*W*3(高度H,宽度W,通道数为3,也就是RBG三个通道)。输入图像可以经过Resnet18的一个卷积层Res18-Conv1进行卷积操作,生成Featuremap(特征图)C1,这个特征图相对于输入图像进行了2次下采样,并且通道数扩充为64,因此C1的分辨率是H/4*W/4*64。C1可以经过Resnet18的Res18-Conv2进行卷积操作,得到Featuremap C2,这个特征图的分辨率与C1一致;C2继续经过Res18-Conv3进行卷积操作,生成Featuremap C3,这个特征图相对C2进一步下采样,通道数增倍,其分辨率为H/8*W/8*128;最后C3经过Res18-Conv4进行卷积操作,生成Featuremap C4,其分辨率为H/16*W/16*256。
需要说明的是,本申请实施例中的主干网络也可以称为骨干网络,这里并不限定。
需要说明的是,图5中示出的主干网络仅为一种实现方式,并不构成对本申请的限定。
本申请实施例中,可以随机确定第一神经网络中主干网络的最小宽度w(例如从[48,56,64,72]中随机选择一个宽度),深度d(例如从([15,20,25,30]中随机选择一个深度),阶段数s(例如从[4,5]中随机选择一个,这里的阶段数可以指上述主干网络生成相同尺寸特征图的神经网络层数量),以及每个阶段的宽度跟包括的神经网络层的数量。例如,可以确定第一神经网络的主干网络平的网络结构为:[64,15,5,[3,3,4,5],[2,2,4,7]],其中,64为主干网络的宽度,15为主干网络的深度,5为主干网络生成的特征图的数量,[3,3,4,5]为主干网络生成的特征图之间的神经网络层数量依次为3,3,4,5,[2,2,4,7]分别表示间隔2,2,4以及7个神经网络层,主干网络的宽度增加一倍。此外,还可以随机确定主干网络的神经网络层之间的连接关系以及主干网络的神经网络层的类型。
本申请实施例中,可以接收到用户输入的任务类型(目标任务),相应的,终端设备可以确定与该目标任务相对应的网络结构作为主干网络后续连接的网络,并将随机确定的主干网络的网络结构以及与该目标任务相对应的网络结构,作为第一神经网络的网络架构。
本申请实施例中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种实现中,用户还可以输入数据集位置,终端设备可以基于输入的数据集位置获取目标训练数据,并通过目标训练数据训练和第一神经网络的网络架构,训练得到第一神经网络以及第一神经网络的任务处理精度。任务处理精度的评价方式和目标任务有关,具体的,任务处理精度可以包括但不限于正确率(accuracy),平均正确率(meanaverage precision),平均交并比(mean intersection over union),均方误差(meansquare error),结构相似度(structural similarity index)等。
在一种实现中,第一神经网络可以为上一次迭代过程选择的目标神经网络(例如步骤404选择的目标神经网络),关于如何选择目标神经网络,将在之后的实施例中描述,这里不再赘述。
本申请实施例中,终端设备可以从历史存储模块获取一个或多个第一神经网络,其中,历史存储模块可以为终端设备的一个存储空间,历史存储模块可以存储有多个神经网络。
402、至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务。
本申请实施例中,在获取到第一神经网络中主干网络的结构参数之后,可以至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务。在一种实现中,所述第一神经网络为基于目标训练数据训练得到的,所述目标编码用于表示所述目标任务和所述目标训练数据。
本申请实施例中,可以至少根据所述主干网络的结构参数以及所述任务处理精度,获取分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码。具体的,获取预先训练好的任务编码网络;至少将所述主干网络的结构参数以及所述任务处理精度作为所述任务编码网络的输入数据,得到所述分布参数。
本申请实施例中,可以将所述主干网络的结构参数以及所述任务处理精度输入到任务编码模块(例如可以是一个全连接网络)。任务编码模块输出编码的分布参数(例如可以是高斯分布的平均值与方差,或其他分布的参数),之后可以从编码分布中采样一个编码(例如可以是多维向量)。
403、根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率。
本申请实施例中,在至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码之后,可以根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率。其中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
本申请实施例中,可以获取预先训练好的概率分布生成网络;将所述目标编码作为所述概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率。
示例性的,终端设备可以调用概率分布生成网络,依次输出主干网络的宽度w,主干网络的深度d,主干网络生成的特征图的数量s的概率分布。如p(w)=[0.1,0.3,0.5,0.1]表示分别以0.1,0.3,0.5,0.1的概率采到w=48,56,64,72。d、s的概率分布确定方式可以跟w类似。
404、根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。
本申请实施例中,可以根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;获取所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络。
本申请实施例中,可以获取预训练的精度评估网络;将所述M个第二神经网络中包括的主干网络的结构参数和所述目标编码作为所述精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度。具体的,终端设备可以调用精度评估网络,输入M个第二神经网络的结构参数与目标编码,输出M个第二神经网络的任务处理精度,可选的,可以从M个第二神经网络中选出精度最高的第二神经网络作为目标神经网络。之后终端设备可以对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
具体的,终端设备可以训练目标神经网络,并得到目标神经网络的任务处理精度并储存到历史存储模块中,之后可以并判断是否循环迭代了预设次数。若是,则输出历史存储模块中精度最高的网络,作为结构搜索的结果。
本申请实施例中,所述任务编码网络、所述概率分布生成网络和所述精度评估网络可以为服务器训练得到的。相应的,终端设备在进行神经网络的结构搜索前,可以接收服务器发送的所述任务编码网络、所述概率分布生成网络和所述精度评估网络。
本申请提供了一种神经网络结构确定方法,所述方法包括:获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务;根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率;以及根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。为了实现较好的任务处理精度,针对于不同的任务以及不同的目标训练数据,神经网络的主干网络的网络结构很可能不同,为了在每次对主干网络进行结构搜索时,不需要重新搜索,可以首先获取到可以表达出神经网络需要实现的任务类型以及训练数据的特征(即上述实施例中的目标编码),之后确定该目标编码对应的主干网络的结构特征(即主干网络各个结构的结构类型的概率分布),并基于概率分布选择目标神经网络。由于目标神经网络是基于目标编码确定的概率分布采样得到的,使得目标神经网络和神经网络需要实现的任务类型以及训练数据的特征相关,即和较优的网络结构较为贴近,进而不需要很多的迭代次数,就可以选择出适配于神经网络需要实现的任务类型以及训练数据的网络结构。
接下来描述如何训练上述任务编码网络、所述概率分布生成网络和所述精度评估网络:
本申请实施例中,服务器侧的训练设备可以获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少将所述主干网络的结构参数以及所述任务处理精度作为任务编码网络的输入数据,得到分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到目标编码;将所述目标编码作为概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率;根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;将所述M个第二神经网络中包括的主干网络的网络结构和所述目标编码作为精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择目标神经网络;基于强化学习的方式更新所述任务编码网络、所述概率分布生成网络、所述精度评估网络,以得到更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络。
在一种可能的实现中,训练设备为服务器,在得到更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络之后,可以向终端设备发送所述更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络。
在一种可能的实现中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种可能的实现中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述目标神经网络为当前迭代过程中选择的,训练设备还可以对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
参照图6,图6为本申请实施例提供的一种功能架构示意,如图6中示出的那样,本实施例提供的功能架构包括:主循环模块,其中,主循环模块可以部署在服务器(由元训练模块调用),也可以部署在终端设备上(由应用模块调用,并由终端设备的输出模块输出主循环模块的处理结果),其中,主循环模块包括历史存储模块,其中,历史存储模块可以存储有一个或多个第一神经网络,历史存储模块可以为终端设备的一个存储空间。
主循环模块可以包括任务编码网络,任务编码网络用于至少根据从历史存储模块中获取到的第一神经网络的结构参数以及任务处理精度,确定目标编码,更具体的,任务编码网络可以至少根据所述结构参数以及所述任务处理精度,获取分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码。具体的,获取预先训练好的任务编码网络;至少将所述结构参数以及所述任务处理精度作为所述任务编码网络的输入数据,得到所述分布参数,并根据所述编码的概率分布,采样得到所述目标编码。关于任务编码网络的描述可以参照上述实施例中步骤402的描述,这里不再赘述。
主循环模块可以包括网络架构采样模块,网络架构采样模块可以根据所述目标编码,确定主干网络的多种候选结构参数的概率。关于网络架构采样模块的描述可以参照上述实施例中步骤403的描述,这里不再赘述。
主循环模块可以包括评估选择模块,评估选择模块可以根据所述多种候选结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选结构参数中的一种,所述第二神经网络用于实现所述目标任务。关于评估选择模块的描述可以参照上述实施例中步骤404的描述,这里不再赘述。精度评估网络可以对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
参照图7,图7为本申请实施例提供的一种神经结构参数确定流程示意,如图7中示出的那样,可以包括在服务器侧进行的元训练过程以及在终端设备中的应用过程,元训练过程可以包括:评估器评估网络并选择最优网络,输入任务,训练评估,随机采样网络,记录采样历史,训练编码器,强化学习策略和评估器,判断是否满足预设条件,若是,则输出编码器,强化学习策略和评估器,若否,则通过编码器生成任务,并基于强化学习策略采样M个网络,之后输出编码器、强化学习策略以及评估器。在终端设备侧的应用过程中,可以输入新任务,并输出最优网络。
参照图8,图8为本申请实施例提供的一种神经结构参数确定流程示意,如图8中示出的那样,历史存储模块可以存储有一个或多个第一神经网络801,历史存储模块可以为终端设备的一个存储空间。任务编码网络,任务编码网络用于至少根据从历史存储模块中获取到的第一神经网络的结构参数以及任务处理精度,确定目标编码802,更具体的,任务编码网络可以至少根据所述结构参数以及所述任务处理精度,获取分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码。具体的,获取预先训练好的任务编码网络;至少将所述结构参数以及所述任务处理精度作为所述任务编码网络的输入数据,得到所述分布参数,并根据所述编码的概率分布,采样得到所述目标编码。关于任务编码网络的描述可以参照上述实施例中步骤402的描述,这里不再赘述。概率分布生成网络可以根据所述目标编码,确定主干网络的多种候选结构参数的概率803。关于概率分布生成网络的描述可以参照上述实施例中步骤403的描述,这里不再赘述。网络架构采样模块可以根据所述多种候选结构参数的概率,采样M个候选结构804,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务。精度评估网络可以获取所述M个第二神经网络的任务处理精度805,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择目标神经网络806,之后终端设备可以对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据,具体的,可以将训练后的目标神经网络存储到历史存储模块中。
参照图9,图9为本申请实施例提供的一种神经网络结构确定装置,其特征在于,所述装置900包括:
获取模块901,用于获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;
确定模块902,用于至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务;
根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率;以及
根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。
在一种可能的实现中,所述获取模块,用于根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;
获取所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络。
在一种可能的实现中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种可能的实现中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述第一神经网络为基于目标训练数据训练得到的,所述目标编码用于表示所述目标任务和所述目标训练数据。
在一种可能的实现中,所述目标神经网络为当前迭代过程中选择的,所述装置还包括:
训练模块,用于对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
在一种可能的实现中,所述确定模块,用于至少根据所述主干网络的结构参数以及所述任务处理精度,获取分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码。
在一种可能的实现中,所述获取模块,用于获取预先训练好的任务编码网络;
至少将所述主干网络的结构参数以及所述任务处理精度作为所述任务编码网络的输入数据,得到所述分布参数。
在一种可能的实现中,所述分布参数包括高斯分布的平均值和方差。
在一种可能的实现中,所述确定模块,用于获取预先训练好的概率分布生成网络;
将所述目标编码作为所述概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率。
在一种可能的实现中,所述获取模块,用于获取预训练的精度评估网络;
将所述M个第二神经网络中包括的主干网络的结构参数和所述目标编码作为所述精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度。
在一种可能的实现中,所述确定模块,用于根据所述M个第二神经网络的任务处理精度,从所述M个第二神经网络中选择任务处理精度最高的第二神经网络作为所述目标神经网络。
在一种可能的实现中,所述任务编码网络、所述概率分布生成网络和所述精度评估网络为服务器训练得到的。
在一种可能的实现中,所述装置还包括:
接收模块,用于接收服务器发送的所述任务编码网络、所述概率分布生成网络和所述精度评估网络。
参照图10,图10为本申请实施例提供的一种神经网络训练装置的结构示意,如图10示出的那样,神经网络训练装置1000包括:
获取模块1001,用于获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;
确定模块1002,用于至少将所述主干网络的结构参数以及所述任务处理精度作为任务编码网络的输入数据,得到分布参数,所述分布参数表示编码的概率分布;
根据所述编码的概率分布,采样得到目标编码;
将所述目标编码作为概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率;
根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;
将所述M个第二神经网络中包括的主干网络的网络结构和所述目标编码作为精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择目标神经网络;
训练模块1003,用于基于强化学习的方式更新所述任务编码网络、所述概率分布生成网络、所述精度评估网络,以得到更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络。
在一种可能的实现中,所述装置还包括:
发送模块,用于向终端设备发送所述更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络。
在一种可能的实现中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种可能的实现中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述目标神经网络为当前迭代过程中选择的,所述方法还包括:
对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
此外,参照图14,本申请实施例还提供了一种系统,包括服务器和终端设备;
所述服务器用于获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少将所述主干网络的结构参数以及所述任务处理精度作为任务编码网络的输入数据,得到分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到目标编码;将所述目标编码作为概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率;根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;将所述M个第二神经网络中包括的主干网络的网络结构和所述目标编码作为精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择目标神经网络;基于强化学习的方式更新所述任务编码网络、所述概率分布生成网络、所述精度评估网络,以得到更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络;向终端设备发送所述更新后的任务编码网络、更新后的概率分布生成网络以及更新后的精度评估网络;
所述终端设备用于获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少将所述主干网络的结构参数以及所述任务处理精度作为所述更新后的任务编码网络的输入数据,得到分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码;将所述目标编码作为所述更新后的概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率;根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;将所述M个第二神经网络中包括的主干网络的结构参数和所述目标编码作为所述更新后的精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络。
在一种可能的实现中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种可能的实现中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述目标神经网络为当前迭代过程中选择的,所述终端设备还用于:对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
接下来介绍本申请实施例提供的一种执行设备,请参阅图11,图11为本申请实施例提供的执行设备的一种结构示意图,执行设备1100具体可以表现为虚拟现实VR设备、手机、平板、笔记本电脑、智能穿戴设备、监控数据处理设备等,此处不做限定。其中,执行设备1100上可以部署有图9对应实施例中所描述的神经网络结构确定装置,用于实现图4对应实施例中神经网络结构确定方法。具体的,执行设备1100包括:接收器1101、发射器1102、处理器1103和存储器1104(其中执行设备1100中的处理器1103的数量可以一个或多个,图11中以一个处理器为例),其中,处理器1103可以包括应用处理器11031和通信处理器11032。在本申请的一些实施例中,接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接。
存储器1104可以包括只读存储器和随机存取存储器,并向处理器1103提供指令和数据。存储器1104的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory,NVRAM)。存储器1104存储有处理器和操作指令、可执行模块或者数据结构,或者它们的子集,或者它们的扩展集,其中,操作指令可包括各种操作指令,用于实现各种操作。
处理器1103控制执行设备的操作。具体的应用中,执行设备的各个组件通过总线系统耦合在一起,其中总线系统除包括数据总线之外,还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见,在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1103中,或者由处理器1103实现。处理器1103可以是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、数字信号处理器(digital signal processing,DSP)、微处理器或微控制器,还可进一步包括专用集成电路(application specific integratedcircuit,ASIC)、现场可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1103可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104,处理器1103读取存储器1104中的信息,结合其硬件完成上述方法的步骤。
接收器1101可用于接收输入的数字或字符信息,以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1102可用于通过第一接口输出数字或字符信息;发射器1102还可用于通过第一接口向磁盘组发送指令,以修改磁盘组中的数据;发射器1102还可以包括显示屏等显示设备。
本申请实施例中,在一种情况下,处理器1103,用于执行上述实施例中的神经网络结构确定方法,具体的,处理器1103可以执行:
获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务;根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率;以及根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。
为了实现较好的任务处理精度,针对于不同的任务以及不同的目标训练数据,神经网络的主干网络的网络结构很可能不同,为了在每次对主干网络进行结构搜索时,不需要重新搜索,可以首先获取到可以表达出神经网络需要实现的任务类型以及训练数据的特征(即上述实施例中的目标编码),之后确定该目标编码对应的主干网络的结构特征(即主干网络各个结构的结构类型的概率分布),并基于概率分布选择目标神经网络。由于目标神经网络是基于目标编码确定的概率分布采样得到的,使得目标神经网络和神经网络需要实现的任务类型以及训练数据的特征相关,即和较优的网络结构较为贴近,进而不需要很多的迭代次数,就可以选择出适配于神经网络需要实现的任务类型以及训练数据的网络结构。
在一种可能的实现中,处理器1103可以执行:
根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;
获取所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络。
在一种可能的实现中,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
在一种可能的实现中,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
所述主干网络的结构参数可以包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。其中,主干网络的深度可以理解为主干网络包括的神经网络层(待搜索的神经网络层)的数量,主干网络的宽度可以理解为主干网络生成的特征图的通道数。神经网络层的类型可以从搜索空间中选择,示例性的,搜索空间可以包含但不限于包括但不限于卷积、池化、残差连接等操作类型,例如可以包括以下操作类型:1x3和3x1 convolution、1x7和7x1 convolution、3x3dilated convolution、3x3 average pooling、3x3 max pooling、5x5 max pooling、7x7max pooling、1x1 convolution、3x3 convolution、3x3 separable conv、5x5 seperableconv、7x7separable conv、跳连接操作、置零操作(Zero,相应位置所有神经元置零)等等。
在一种可能的实现中,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
在一种可能的实现中,所述第一神经网络为基于目标训练数据训练得到的,所述目标编码用于表示所述目标任务和所述目标训练数据。
在一种可能的实现中,所述目标神经网络为当前迭代过程中选择的,处理器1103可以执行:
对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
在一种可能的实现中,处理器1103可以执行:
至少根据所述主干网络的结构参数以及所述任务处理精度,获取分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码。
在一种可能的实现中,所述至少根据所述主干网络的结构参数以及所述任务处理精度,获取分布参数,包括:
获取预先训练好的任务编码网络;
至少将所述主干网络的结构参数以及所述任务处理精度作为所述任务编码网络的输入数据,得到所述分布参数。
任务编码模块可以是服务器侧训练好的网络模型,其具有输入神经网络的网络结构以及任务处理精度,就可以输出目标编码的能力,且该目标编码可以表达目标任务的特征以及目标训练数据的特征。应理解,任务编码模块可以为一个全连接网络,为了实现较好的任务处理精度,针对于不同的任务以及不同的目标训练数据,神经网络的主干网络的网络结构很可能不同,为了在每次对主干网络进行结构搜索时,不需要重新搜索,可以首先获取到可以表达出神经网络需要实现的任务类型以及训练数据的特征(即上述实施例中的目标编码)。
在一种可能的实现中,所述分布参数包括高斯分布的平均值和方差。
在一种可能的实现中,处理器1103可以执行:
获取预先训练好的概率分布生成网络;
将所述目标编码作为所述概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率。
示例性的,终端设备可以调用概率分布生成网络,依次输出主干网络的宽度w,主干网络的深度d,主干网络生成的特征图的尺寸s的概率分布。如p(w)=[0.1,0.3,0.5,0.1]表示分别以0.1,0.3,0.5,0.1的概率采到w=48,56,64,72。d、s的概率分布确定方式可以跟w类似。
在一种可能的实现中,处理器1103可以执行:
获取预训练的精度评估网络;
将所述M个第二神经网络中包括的主干网络的结构参数和所述目标编码作为所述精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度。
在一种可能的实现中,处理器1103可以执行:
根据所述M个第二神经网络的任务处理精度,从所述M个第二神经网络中选择任务处理精度最高的第二神经网络作为所述目标神经网络。
在一种可能的实现中,所述任务编码网络、所述概率分布生成网络和所述精度评估网络为服务器训练得到的。
在一种可能的实现中,处理器1103可以执行:接收服务器发送的所述任务编码网络、所述概率分布生成网络和所述精度评估网络。
本申请实施例还提供了一种训练设备,请参阅图12,图12是本申请实施例提供的训练设备一种结构示意图,训练设备1200上可以部署有图10对应实施例中所描述的神经网络训练装置,用于实现图10对应实施例中神经网络训练装置的功能,具体的,训练设备1200由一个或多个服务器实现,训练设备1200可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上中央处理器(central processing units,CPU)1212(例如,一个或一个以上处理器)和存储器1232,一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中,存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出),每个模块可以包括对训练设备中的一系列指令操作。更进一步地,中央处理器1212可以设置为与存储介质1230通信,在训练设备1200上执行存储介质1230中的一系列指令操作。
训练设备1200还可以包括一个或一个以上电源1226,一个或一个以上有线或无线网络接口1250,一个或一个以上输入输出接口1258;或,一个或一个以上操作系统1241,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM等等。
本申请实施例中,中央处理器1212,用于执行上述实施例中的神经网络训练方法相关的步骤。
本申请实施例中还提供一种包括计算机程序产品,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质,该计算机可读存储介质中存储有用于进行信号处理的程序,当其在计算机上运行时,使得计算机执行如前述执行设备所执行的步骤,或者,使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片,芯片包括:处理单元和通信单元,所述处理单元例如可以是处理器,所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令,以使执行设备内的芯片执行上述实施例描述的数据处理方法,或者,以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地,所述存储单元为所述芯片内的存储单元,如寄存器、缓存等,所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元,如只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)等。
具体的,请参阅图13,图13为本申请实施例提供的芯片的一种结构示意图,所述芯片可以表现为神经网络处理器NPU 1300,NPU 1300作为协处理器挂载到主CPU(Host CPU)上,由Host CPU分配任务。NPU的核心部分为运算电路1303,通过控制器1304控制运算电路1303提取存储器中的矩阵数据并进行乘法运算。
在一些实现中,运算电路1303内部包括多个处理单元(Process Engine,PE)。在一些实现中,运算电路1303是二维脉动阵列。运算电路1303还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中,运算电路1303是通用的矩阵处理器。
举例来说,假设有输入矩阵A,权重矩阵B,输出矩阵C。运算电路从权重存储器1302中取矩阵B相应的数据,并缓存在运算电路中每一个PE上。运算电路从输入存储器1301中取矩阵A数据与矩阵B进行矩阵运算,得到的矩阵的部分结果或最终结果,保存在累加器(accumulator)1308中。
统一存储器1306用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller,DMAC)1305,DMAC被搬运到权重存储器1302中。输入数据也通过DMAC被搬运到统一存储器1306中。
BIU为Bus Interface Unit即,总线接口单元1310,用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer,IFB)1309的交互。
总线接口单元1310(Bus Interface Unit,简称BIU),用于取指存储器1309从外部存储器获取指令,还用于存储单元访问控制器1305从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1306或将权重数据搬运到权重存储器1302中或将输入数据数据搬运到输入存储器1301中。
向量计算单元1307包括多个运算处理单元,在需要的情况下,对运算电路1303的输出做进一步处理,如向量乘,向量加,指数运算,对数运算,大小比较等等。主要用于神经网络中非卷积/全连接层网络计算,如Batch Normalization(批归一化),像素级求和,对特征平面进行上采样等。
在一些实现中,向量计算单元1307能将经处理的输出的向量存储到统一存储器1306。例如,向量计算单元1307可以将线性函数;或,非线性函数应用到运算电路1303的输出,例如对卷积层提取的特征平面进行线性插值,再例如累加值的向量,用以生成激活值。在一些实现中,向量计算单元1307生成归一化的值、像素级求和的值,或二者均有。在一些实现中,处理过的输出的向量能够用作到运算电路1303的激活输入,例如用于在神经网络中的后续层中的使用。
控制器1304连接的取指存储器(instruction fetch buffer)1309,用于存储控制器1304使用的指令;
统一存储器1306,输入存储器1301,权重存储器1302以及取指存储器1309均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中,上述任一处提到的处理器,可以是一个通用中央处理器,微处理器,ASIC,或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外,本申请提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现,当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下,凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现,而且,用来实现同一功能的具体硬件结构也可以是多种多样的,例如模拟电路、数字电路或专用电路等。但是,对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在可读取的存储介质中,如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,训练设备,或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
Claims (32)
1.一种神经网络结构确定方法,其特征在于,所述方法包括:
获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;
至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务;
根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率;以及
根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。
2.根据权利要求1所述的方法,其特征在于,所述根据所述多种候选网络的结构参数的概率,确定目标神经网络,包括:
根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;
获取所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络。
3.根据权利要求1或2所述的方法,其特征在于,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
4.根据权利要求1至3任一所述的方法,其特征在于,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
5.根据权利要求1至4任一所述的方法,其特征在于,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
6.根据权利要求1至5任一所述的方法,其特征在于,所述第一神经网络为基于目标训练数据训练得到的,所述目标编码用于表示所述目标任务和所述目标训练数据。
7.根据权利要求1至6任一所述的方法,其特征在于,所述目标神经网络为当前迭代过程中选择的,所述方法还包括:
对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
8.根据权利要求1至7任一所述的方法,其特征在于,所述至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,包括:
至少根据所述主干网络的结构参数以及所述任务处理精度,获取分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码。
9.根据权利要求1至8任一所述的方法,其特征在于,所述至少根据所述主干网络的结构参数以及所述任务处理精度,获取分布参数,包括:
获取预先训练好的任务编码网络;
至少将所述主干网络的结构参数以及所述任务处理精度作为所述任务编码网络的输入数据,得到所述分布参数。
10.根据权利要求8或9所述的方法,其特征在于,所述分布参数包括高斯分布的平均值和方差。
11.根据权利要求1至10任一所述的方法,其特征在于,所述根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率,包括:
获取预先训练好的概率分布生成网络;
将所述目标编码作为所述概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率。
12.根据权利要求2至11任一所述的方法,其特征在于,所述获取所述M个第二神经网络的任务处理精度,包括:
获取预训练的精度评估网络;
将所述M个第二神经网络中包括的主干网络的结构参数和所述目标编码作为所述精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度。
13.根据权利要求2至12任一所述的方法,其特征在于,所述根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络,包括:
根据所述M个第二神经网络的任务处理精度,从所述M个第二神经网络中选择任务处理精度最高的第二神经网络作为所述目标神经网络。
14.根据权利要求9至13任一所述的方法,其特征在于,所述任务编码网络、所述概率分布生成网络和所述精度评估网络为服务器训练得到的。
15.根据权利要求9至14任一所述的方法,其特征在于,所述方法还包括:
接收服务器发送的所述任务编码网络、所述概率分布生成网络和所述精度评估网络。
16.一种神经网络结构确定装置,其特征在于,所述装置包括:
获取模块,用于获取第一神经网络中主干网络的结构参数,以及所述第一神经网络的任务处理精度,所述第一神经网络用于实现目标任务;
确定模块,用于至少根据所述主干网络的结构参数以及所述任务处理精度,确定目标编码,所述目标编码用于表示所述目标任务;
根据所述目标编码,确定主干网络的多种候选网络的结构参数的概率;以及
根据所述多种候选网络的结构参数的概率,确定目标神经网络,所述目标神经网络包括所述多种候选网络结构中的一种,且所述目标神经网络的任务处理精度大于阈值,所述目标神经网络用于实现所述目标任务。
17.根据权利要求16所述的装置,其特征在于,所述获取模块,用于根据所述多种候选网络的结构参数的概率,采样M个候选结构,以得到M个第二神经网络;其中,每种候选结构用于作为一个第二神经网络的主干网络,所述第二神经网络用于实现所述目标任务;
获取所述M个第二神经网络的任务处理精度,并根据所述M个第二神经网络的任务处理精度从所述M个第二神经网络中选择所述目标神经网络。
18.根据权利要求16或17所述的装置,其特征在于,所述目标任务包括如下的至少一种:图片分类、物体检测、语义分割、室内布局(room layout)、图片补全或自动编码。
19.根据权利要求16至18任一所述的装置,其特征在于,所述主干网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
20.根据权利要求16至19任一所述的装置,其特征在于,所述候选网络的结构参数包括如下的至少一种:主干网络的深度、主干网络的宽度、主干网络生成的特征图的尺寸的数量、主干网络生成相同尺寸特征图的神经网络层数量、主干网络的神经网络层之间的连接关系或主干网络的神经网络层的类型。
21.根据权利要求16至20任一所述的方法,其特征在于,所述第一神经网络为基于目标训练数据训练得到的,所述目标编码用于表示所述目标任务和所述目标训练数据。
22.根据权利要求16至21任一所述的装置,其特征在于,所述目标神经网络为当前迭代过程中选择的,所述装置还包括:
训练模块,用于对所述目标神经网络进行训练,得到训练后的目标神经网络;所述训练后的目标神经网络用于作为下一次迭代过程中,目标编码的确定依据。
23.根据权利要求16至22任一所述的装置,其特征在于,所述确定模块,用于至少根据所述主干网络的结构参数以及所述任务处理精度,获取分布参数,所述分布参数表示编码的概率分布;根据所述编码的概率分布,采样得到所述目标编码。
24.根据权利要求16至23任一所述的装置,其特征在于,所述获取模块,用于获取预先训练好的任务编码网络;
至少将所述主干网络的结构参数以及所述任务处理精度作为所述任务编码网络的输入数据,得到所述分布参数。
25.根据权利要求23或24所述的装置,其特征在于,所述分布参数包括高斯分布的平均值和方差。
26.根据权利要求16至25任一所述的装置,其特征在于,所述确定模块,用于获取预先训练好的概率分布生成网络;
将所述目标编码作为所述概率分布生成网络的输入数据,得到所述主干网络的多种候选网络的结构参数的概率。
27.根据权利要求17至26任一所述的装置,其特征在于,所述获取模块,用于获取预训练的精度评估网络;
将所述M个第二神经网络中包括的主干网络的结构参数和所述目标编码作为所述精度评估网络的输入数据,得到所述M个第二神经网络的任务处理精度。
28.根据权利要求17至27任一所述的装置,其特征在于,所述确定模块,用于根据所述M个第二神经网络的任务处理精度,从所述M个第二神经网络中选择任务处理精度最高的第二神经网络作为所述目标神经网络。
29.根据权利要求24至28任一所述的装置,其特征在于,所述任务编码网络、所述概率分布生成网络和所述精度评估网络为服务器训练得到的。
30.根据权利要求24至29任一所述的装置,其特征在于,所述装置还包括:
接收模块,用于接收服务器发送的所述任务编码网络、所述概率分布生成网络和所述精度评估网络。
31.一种神经网络结构确定装置,其特征在于,包括存储介质、处理电路以及总线系统;其中,所述存储介质用于存储指令,所述处理电路用于执行存储器中的指令,以执行所述权利要求1至15中任一项所述的方法的步骤。
32.一种计算机可读存储介质,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权利要求1至15中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010688391.6A CN111950702A (zh) | 2020-07-16 | 2020-07-16 | 一种神经网络结构确定方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010688391.6A CN111950702A (zh) | 2020-07-16 | 2020-07-16 | 一种神经网络结构确定方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111950702A true CN111950702A (zh) | 2020-11-17 |
Family
ID=73340008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010688391.6A Pending CN111950702A (zh) | 2020-07-16 | 2020-07-16 | 一种神经网络结构确定方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950702A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408634A (zh) * | 2021-06-29 | 2021-09-17 | 深圳市商汤科技有限公司 | 模型推荐方法及装置、设备、计算机存储介质 |
CN114299366A (zh) * | 2022-03-10 | 2022-04-08 | 青岛海尔工业智能研究院有限公司 | 一种图像检测方法、装置、电子设备及存储介质 |
US20220247626A1 (en) * | 2021-09-16 | 2022-08-04 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method For Generating Backbone Network, Apparatus For Generating Backbone Network, Device, And Storage Medium |
WO2023098661A1 (zh) * | 2021-11-30 | 2023-06-08 | 维沃移动通信有限公司 | 定位方法及通信设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110046706A (zh) * | 2019-04-18 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 模型生成方法、装置及服务器 |
CN110516804A (zh) * | 2019-08-22 | 2019-11-29 | 广东浪潮大数据研究有限公司 | 模型训练方法及装置 |
US20190370648A1 (en) * | 2018-05-29 | 2019-12-05 | Google Llc | Neural architecture search for dense image prediction tasks |
US20200104687A1 (en) * | 2018-09-27 | 2020-04-02 | Google Llc | Hybrid neural architecture search |
CN111340221A (zh) * | 2020-02-25 | 2020-06-26 | 北京百度网讯科技有限公司 | 神经网络结构的采样方法和装置 |
-
2020
- 2020-07-16 CN CN202010688391.6A patent/CN111950702A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190370648A1 (en) * | 2018-05-29 | 2019-12-05 | Google Llc | Neural architecture search for dense image prediction tasks |
US20200104687A1 (en) * | 2018-09-27 | 2020-04-02 | Google Llc | Hybrid neural architecture search |
CN110046706A (zh) * | 2019-04-18 | 2019-07-23 | 腾讯科技(深圳)有限公司 | 模型生成方法、装置及服务器 |
CN110516804A (zh) * | 2019-08-22 | 2019-11-29 | 广东浪潮大数据研究有限公司 | 模型训练方法及装置 |
CN111340221A (zh) * | 2020-02-25 | 2020-06-26 | 北京百度网讯科技有限公司 | 神经网络结构的采样方法和装置 |
Non-Patent Citations (2)
Title |
---|
CHANHO AHN, ET AL.: ""Deep Elastic Networks with Model Selection for Multi-Task Learning"", 《2019 IEEE/CVF INTERNATIONAL CONFERENCE ON COMPUTER VISION(ICCV)》, pages 6529 - 6538 * |
王振雷, 李鸿儒, 顾树生: "神经网络过学习问题的统计学分析及改进算法", 东北大学学报(自然科学版), no. 04, pages 358 - 360 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408634A (zh) * | 2021-06-29 | 2021-09-17 | 深圳市商汤科技有限公司 | 模型推荐方法及装置、设备、计算机存储介质 |
CN113408634B (zh) * | 2021-06-29 | 2022-07-05 | 深圳市商汤科技有限公司 | 模型推荐方法及装置、设备、计算机存储介质 |
US20220247626A1 (en) * | 2021-09-16 | 2022-08-04 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method For Generating Backbone Network, Apparatus For Generating Backbone Network, Device, And Storage Medium |
US11929871B2 (en) * | 2021-09-16 | 2024-03-12 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method for generating backbone network, apparatus for generating backbone network, device, and storage medium |
WO2023098661A1 (zh) * | 2021-11-30 | 2023-06-08 | 维沃移动通信有限公司 | 定位方法及通信设备 |
CN114299366A (zh) * | 2022-03-10 | 2022-04-08 | 青岛海尔工业智能研究院有限公司 | 一种图像检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112434721B (zh) | 一种基于小样本学习的图像分类方法、系统、存储介质及终端 | |
CN111401516B (zh) | 一种神经网络通道参数的搜索方法及相关设备 | |
CN111797893B (zh) | 一种神经网络的训练方法、图像分类系统及相关设备 | |
CN111507378A (zh) | 训练图像处理模型的方法和装置 | |
CN112183577A (zh) | 一种半监督学习模型的训练方法、图像处理方法及设备 | |
CN111950702A (zh) | 一种神经网络结构确定方法及其装置 | |
US20230076266A1 (en) | Data processing system, object detection method, and apparatus thereof | |
CN111401517B (zh) | 一种感知网络结构搜索方法及其装置 | |
CN111368972B (zh) | 一种卷积层量化方法及其装置 | |
CN112580720A (zh) | 一种模型训练方法及装置 | |
CN111414915B (zh) | 一种文字识别方法以及相关设备 | |
CN111368656A (zh) | 一种视频内容描述方法和视频内容描述装置 | |
CN111931764A (zh) | 一种目标检测方法、目标检测框架及相关设备 | |
CN114595799A (zh) | 一种模型训练方法及装置 | |
CN113191241A (zh) | 一种模型训练方法及相关设备 | |
CN113592060A (zh) | 一种神经网络优化方法以及装置 | |
US20230289572A1 (en) | Neural network structure determining method and apparatus | |
CN114359289A (zh) | 一种图像处理方法及相关装置 | |
WO2024083121A1 (zh) | 一种数据处理方法及其装置 | |
CN111950700A (zh) | 一种神经网络的优化方法及相关设备 | |
CN112529149A (zh) | 一种数据处理方法及相关装置 | |
CN114821096A (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
CN113627421A (zh) | 一种图像处理方法、模型的训练方法以及相关设备 | |
WO2024078411A1 (zh) | 一种数据处理方法及其装置 | |
CN114140841A (zh) | 点云数据的处理方法、神经网络的训练方法以及相关设备 |
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 |