CN111967569A - 神经网络结构的生成方法、装置、存储介质及电子设备 - Google Patents
神经网络结构的生成方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN111967569A CN111967569A CN202010605458.5A CN202010605458A CN111967569A CN 111967569 A CN111967569 A CN 111967569A CN 202010605458 A CN202010605458 A CN 202010605458A CN 111967569 A CN111967569 A CN 111967569A
- Authority
- CN
- China
- Prior art keywords
- network structure
- target
- neural network
- node selection
- target detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000002910 structure generation Methods 0.000 title description 11
- 238000001514 detection method Methods 0.000 claims abstract description 103
- 230000000694 effects Effects 0.000 claims abstract description 96
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000005070 sampling Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims description 22
- 230000015654 memory Effects 0.000 claims description 19
- 230000003190 augmentative effect Effects 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 8
- 230000003416 augmentation Effects 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 15
- 238000013135 deep learning Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012217 deletion Methods 0.000 description 3
- 230000037430 deletion Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 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
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Abstract
本申请公开了神经网络结构的生成方法、装置、存储介质及电子设备,涉及人工智能、深度学习技术领域,该方法可应用于图像处理或语音识别。具体实现方案为:对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,候选网络结构包括多条边,各条边对应至少一种节点选取操作;采用训练数据集分别对多个候选网络结构进行训练,并获取训练后的多个候选网络结构基于各种节点选取操作的目标检测效果;以及根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构,能够有效增强目标神经网络结构对目标检测的训练数据集的特征提取能力,提升神经网络结构的搜索效率,提升神经网络结构的搜索效果。
Description
技术领域
本申请涉及计算机技术领域,具体涉及人工智能、深度学习技术领域,尤其涉及神经网络结构的生成方法、装置、存储介质及电子设备。
背景技术
近年来,随着深度学习以及计算机视觉技术的发展,人工设计的神经网络结构数量开始呈现爆发式增长,而人工设计的神经网络结构存在设计经验化、任务针对性不足等问题,由此,更多的用户希望针对当前需求的模型任务,产生特定化的网络结构以及参数,这种建模需求促使神经网络结构搜索方法的形成。
发明内容
提供了一种神经网络结构的生成方法、装置、存储介质及电子设备,能够有效增强目标神经网络结构对目标检测的训练数据集的特征提取能力,提升神经网络结构的搜索效率,提升神经网络结构的搜索效果。
根据第一方面,提供了一种神经网络结构的生成方法,包括:对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,所述候选网络结构包括多条边,各条所述边对应至少一种节点选取操作;采用训练数据集分别对所述多个候选网络结构进行训练,并获取训练后的多个所述候选网络结构基于各种所述节点选取操作的目标检测效果;以及根据所述目标检测效果,在所述搜索空间的所述网络结构集合之中进行搜索以生成目标神经网络结构。
本申请实施例的神经网络结构的生成方法,通过对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,候选网络结构包括多条边,各条边对应至少一种节点选取操作,并采用训练数据集分别对多个候选网络结构进行训练,并获取训练后的多个候选网络结构基于各种节点选取操作的目标检测效果;以及根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构,能够有效增强目标神经网络结构对目标检测的训练数据集的特征提取能力,提升神经网络结构的搜索效率,提升神经网络结构的搜索效果。
根据第二方面,提供了一种神经网络结构的生成装置,包括:采样模块,用于对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,所述候选网络结构包括多条边,各条所述边对应至少一种节点选取操作;训练模块,用于采用训练数据集分别对所述多个候选网络结构进行训练,并获取训练后的多个所述候选网络结构基于各种所述节点选取操作的目标检测效果;以及生成模块,用于根据所述目标检测效果,在所述搜索空间的所述网络结构集合之中进行搜索以生成目标神经网络结构。
本申请实施例的神经网络结构的生成装置,通过对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,候选网络结构包括多条边,各条边对应至少一种节点选取操作,并采用训练数据集分别对多个候选网络结构进行训练,并获取训练后的多个候选网络结构基于各种节点选取操作的目标检测效果;以及根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构,能够有效增强目标神经网络结构对目标检测的训练数据集的特征提取能力,提升神经网络结构的搜索效率,提升神经网络结构的搜索效果。
根据第三方面,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实施例的神经网络结构的生成方法。
本申请实施例的电子设备,通过对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,候选网络结构包括多条边,各条边对应至少一种节点选取操作,并采用训练数据集分别对多个候选网络结构进行训练,并获取训练后的多个候选网络结构基于各种节点选取操作的目标检测效果;以及根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构,能够有效增强目标神经网络结构对目标检测的训练数据集的特征提取能力,提升神经网络结构的搜索效率,提升神经网络结构的搜索效果,以及提升电子设备在神经网络结构的搜索方面的表现,提升电子设备的神经网络结构的搜索效率,并且有效节约电子设备的运算资源消耗,当将该电子设备应用于图像处理或语音识别时,能够有效提升图像数据或者语音的特征提取能力,从而使得电子设备具有更好的图像处理效果或者语音识别效果。
根据第四方面,提出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实施例公开的神经网络结构的生成方法。
根据本申请的技术解决了相关技术中神经网络结构的生成效果不佳,针对目标检测任务的表现效果不佳的技术问题,能够有效增强目标神经网络结构对目标检测的训练数据集的特征提取能力,提升神经网络结构的搜索效率,提升神经网络结构的搜索效果。
应当理解,本部分所描述的内容并非旨在标识本申请的实施例的关键或重要特征,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。
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是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是用来实现本申请实施例的神经网络结构的生成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是根据本申请第一实施例的示意图。其中,需要说明的是,本实施例的神经网络结构的生成方法的执行主体为神经网络结构的生成装置,该装置可以由软件和/或硬件的方式实现,该装置可以配置在电子设备中,电子设备可以包括但不限于终端、服务器端等。
本申请实施例涉及人工智能、深度学习技术领域,其中,人工智能(ArtificialIntelligence),英文缩写为AI。它是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。深度学习是学习样本数据的内在规律和表示层次,这些学习过程中获得的信息对诸如文字,图像和声音等数据的解释有很大的帮助。深度学习的最终目标是让机器能够像人一样具有分析学习能力,能够识别文字、图像和声音等数据。
如图1所示,该神经网络结构的生成方法可以包括:
S101:对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,候选网络结构包括多条边,各条边对应至少一种节点选取操作。
可以理解的是,由于网络模型结构的搜索空间通常较大,因此,本申请实施例中,可以对搜索空间内的网络结构集合进行采样,以得到多个可能的网络结构,作为候选网络结构。
通常搜索空间内的网络结构集合包括了节点和边,并且节点和边的数量众多,各边上携带对应的节点选取操作,当执行不同的节点选取操作时,所确定的跳转节点通常是相同或者是不相同的,节点选取操作可以例如为3*3卷积,5*5卷积,3*3空洞卷积,5*5空洞卷积,平均池化,最大池化等,对此不作限制。
由此,当对搜索空间内的网络结构集合进行采样,使得多个候选网络结构,每个候选网络结构包括多条边,各条边对应至少一种节点选取操作,候选网络结构的边和节点选取操作为从搜索空间中采样得到的部分的边和节点选取操作。
上述在对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,可以触发执行下述基于目标检测的训练数据集进行效果验证的步骤。
S102:采用训练数据集分别对多个候选网络结构进行训练,并获取训练后的多个候选网络结构基于各种节点选取操作的目标检测效果。
一些实施例中,可以获取与目标检测的任务相关的数据集直接作为训练数据集,也即是说,该训练数据集可以例如为目标检测任务相关的图像数据集,以及针对该图像数据集进行目标检测的结果,对此不作限制。
而本申请实施例中,在对搜索空间内的网络结构集合进行采样之前,可以获取初始数据集;基于目标检测的任务对初始数据集进行增广处理,得到增广数据集;其中,在采用训练数据集分别对多个候选网络结构进行训练之前,还从增广数据集内提取训练数据集,由此,通过基于目标检测的任务对初始数据集进行了增广处理,有效提升数据集的全面性,能够从数据集的维度增强目标神经网络结构的特征提取能力,提升目标神经网络的目标检测效果。
作为一种示例,通过提取目标检测的任务相关的数据集如:PASCAL VOC2007、MSCOCO trainval35k中的目标检测的任务实例instances,来增广ImageNet(ImageNet是一个用于视觉对象识别软件研究的大型可视化数据库)的ILSVRC2012初始数据集,从而使得经过增广的数据集会含有更多目标检测的任务的信息,相当于将目标检测的知识加入了网络结构的搜索任务中,从而提升骨架网络对此类特征的提取能力。
本申请上述实施例中,从增广数据集内提取训练数据集,从而采用训练数据集分别对多个候选网络结构进行训练,而后,还从增广数据集内提取验证数据集;采用验证数据集,对训练后的多个候选网络结构基于各种节点选取操作的检测效果进行验证,以得到目标检测效果。
也即是说,将增广数据集中的部分图像数据集,以及针对该图像数据集进行目标检测的结果分割出来作为验证数据集,作为针对每个候选网络结构的目标检测效果的评价参考,而将除验证数据集的其余数据集作为训练数据集,在具体实施时,还可以在训练数据集和验证数据集的选择中,按照图像数据的类别和权重选择,从而能够有效保证测试数据集和验证数据集具有相同的渠道特征,以此保障训练和验证效果。
S103:根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构。
可以理解的是,由于候选网络结构是对搜索空间内的网络结构集合进行采样得到的,而不同的候选网络结构执行一种目标检测的任务时获得的目标检测效果也不相同,因此,本申请实施例根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构,以此实现对深度学习当中的神经网络结构搜索策略进行了优化,使得优化后的网络结构搜索策略能够更为适用目标检测任务,使得目标神经网络结构能够获得更好的深度学习效果。
本申请实施例中,根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构的详细步骤,可以参见下述实施例,在此不再赘述。
本申请实施例中的方法可应用于图像处理或语音识别,由于该方法能够有效增强目标神经网络结构对目标检测的训练数据集的特征提取能力,由此,当将该神经网络结构的生成方法应用于图像处理或者语音识别时,使得目标神经网络能够对图像数据或者语音数据具备更好的特征提取效果,使得提取的特征能够更完备的描述图像数据或者语音数据的特性,从而使得基于所提取的特征进行图像处理或者语音识别时,能够获取更好的图像处理效果或者语音识别效果。
本实施例中,通过对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,候选网络结构包括多条边,各条边对应至少一种节点选取操作,并采用训练数据集分别对多个候选网络结构进行训练,并获取训练后的多个候选网络结构基于各种节点选取操作的目标检测效果;以及根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构,能够有效增强目标神经网络结构对目标检测的训练数据集的特征提取能力,提升神经网络结构的搜索效率,提升神经网络结构的搜索效果。
图2是根据本申请第二实施例的示意图。
如图2所示,该神经网络结构的生成方法可以包括:
S201:对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,候选网络结构包括多条边,各条边对应至少一种节点选取操作。
在搜索空间中,对可能的候选网络结构进行采样,并且,还可以动态地配置采样的粒度,例如可以根据每次迭代搜索的评估阈值方面的限制条件来决定网络结构采样的粒度。
另外一方面,本申请中对搜索空间内的网络结构集合进行采样的过程,可以被视为不放回采样,也即是说,在一次采样得到候选网络结构,并训练这些候选网络结构得到目标检测效果,而后,基于目标检测效果对搜索空间内的网络结构集合进行压缩,若再次采样,则在压缩处理后的网络结构集合内进行采样,以此有效提升迭代搜索的效率。
上述在搜索空间中对网络结构集合进行不放回采样后,利用分割后的训练数据集,对采样到的候选网络结构进行训练。
S202:采用训练数据集分别对多个候选网络结构进行训练,并获取训练后的多个候选网络结构基于各种节点选取操作的目标检测效果。
S201-S202的解释说明可以参见上述实施例,在此不再赘述。
S203:根据目标检测效果,对网络结构集合内的各条边对应的部分节点选取操作进行删除处理。
其中,根据目标检测效果,对网络结构集合内的各条边对应的部分节点选取操作进行删除处理,可以被视为一个对搜索空间内的网络结构集合进行压缩的过程,也即是说,通过压缩了搜索空间,从而加速搜索过程,减小计算资源消耗。
上述在根据目标检测效果,对网络结构集合内的各条边对应的部分节点选取操作进行删除处理时,可以具体是确定对目标检测效果有负面影响的节点选取操作,从而将这些有负面影响的节点选取操作删除,从而不仅仅加速了搜索过程,还优化了搜索空间中的网络结构集合在目标检测任务上的表现效果。
而本申请实施例中,根据目标检测效果,对网络结构集合内的各条边对应的部分节点选取操作进行删除处理,可以是根据目标检测效果,确定各条边对应的各节点选取操作的评分值;针对各条边,删除最小的评分值所属的节点选取操作,从而实现了针对节点选取操作在目标检测任务当中的表现进行量化的评分,以此有效地辅助确定出对目标检测效果有负面影响的节点选取操作。
一些实施例中,根据目标检测效果,确定各条边对应的节点选取操作的评分值,包括:针对各种节点选取操作,分别确定其基于每个候选网络结构的目标检测效果下的第一评分值;当节点选取操作被多个候选网络结构所采样时,确定多个候选网络结构对应的多个第一评分值的均值,并将均值作为对应的评分值;当节点选取操作仅被一个候选网络结构所采样时,则直接将候选网络结构相应的第一评分值作为对应的评分值,使得针对节点选取操作在目标检测任务当中的表现进行合理的量化评分,考量了在基于每个候选网络结构进行目标检测时,被采样的节点选取操作的综合性表现,提升了节点选取操作的量化评分的合理性,从而保障后续的目标网络结构的检测效果。
作为一种示例,训练后,记录每一个节点选取操作被候选网络结构所采样的次数以及每一个节点选取操作,基于目标检测效果下的第一评分值,该第一评分值主要用于反馈下次搜索空间的设计,并对搜索空间中此次被选择的节点选取操作的每一第一评分值记录,以进行求平均操作,此平均值可以被作为该节点选取操作对应的评分值。
S204:判断删除处理后的目标网络结构集合是否满足设定条件,若是,则执行S205,否则执行S206。
上述在根据目标检测效果,对网络结构集合内的各条边对应的部分节点选取操作进行删除处理后,还可以设定一个收敛条件,也即是说,可以判断删除处理后的目标网络结构集合是否满足设定条件,并根据目标网络结构集合是否满足设定条件的结果去确定终止搜索的时机。
一些实施例中,当目标网络结构集合内,各条边仅对应一种节点选取操作时,确定目标网络结构集合满足设定条件,能够及时地确定出终止搜索的时机,不仅能够压缩了搜索空间,从而加速搜索过程,减小计算资源消耗,还能够实现搜索效率与目标网络结构生成效果之间的平衡,有效提升神经网络结构的生成方法的应用效果。
当然,也可以选择其他任意可能的方式来确定目标网络结构集合是否满足设定条件,比如,将目标网络结构集合的尺寸和预设尺寸阈值进行比对,从而根据比对的结果却确定终止搜索的时机,对此不作限制。
S205:当目标网络结构集合满足设定条件时,执行对目标网络结构集合内剩余的节点的选取操作,以生成目标神经网络结构。
也即是说,当目标网络结构集合内,各条边仅对应一种节点选取操作时,确定目标网络结构集合满足设定条件,此时,可以执行对目标网络结构集合内剩余的节点的选取操作,以生成目标神经网络结构。
S206:当目标网络结构集合不满足设定条件时,对搜索空间内的目标网络结构集合进行采样。
当目标网络结构集合不满足设定条件时,对搜索空间内的目标网络结构集合进行采样,也即是说,当目标网络结构集合不满足设定条件时,对上述删除了各条边对应的部分节点选取操作的目标网络结构集合进行采样,也即,在压缩了搜索空间后的目标网络结构集合内重新进行采样,直至采样次数达到设定的次数阈值,对此不作限制。
本实施例中,通过根据目标检测效果,对网络结构集合内的各条边对应的部分节点选取操作进行删除处理;判断删除处理后的目标网络结构集合是否满足设定条件;当目标网络结构集合满足设定条件时,执行对目标网络结构集合内剩余的节点的选取操作,以生成目标神经网络结构;当目标网络结构集合不满足设定条件时,对搜索空间内的目标网络结构集合进行采样,通过压缩了搜索空间,从而加速搜索过程,减小计算资源消耗,不仅仅加速了搜索过程,还优化了搜索空间中的网络结构集合在目标检测任务上的表现效果,实现了针对节点选取操作在目标检测任务当中的表现进行量化的评分,以此有效地辅助确定出对目标检测效果有负面影响的节点选取操作。考量了在基于每个候选网络结构进行目标检测时,被采样的节点选取操作的综合性表现,提升了节点选取操作的量化评分的合理性,从而保障后续的目标网络结构的检测效果。能够及时地确定出终止搜索的时机,不仅能够压缩了搜索空间,从而加速搜索过程,减小计算资源消耗,还能够实现搜索效率与目标网络结构生成效果之间的平衡,有效提升神经网络结构的生成方法的应用效果。
图3是根据本申请第三实施例的示意图。
如图3所示,该神经网络结构的生成装置300包括:
采样模块301,用于对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,候选网络结构包括多条边,各条边对应至少一种节点选取操作;
训练模块302,用于采用训练数据集分别对多个候选网络结构进行训练,并获取训练后的多个候选网络结构基于各种节点选取操作的目标检测效果;以及
生成模块303,用于根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构。
在本申请的一些实施例中,参见图4,图4是根据本申请第四实施例的示意图,生成模块303,包括:
处理子模块3031,用于根据目标检测效果,对网络结构集合内的各条边对应的部分节点选取操作进行删除处理;
判断子模块3032,用于判断删除处理后的目标网络结构集合是否满足设定条件;
生成子模块3033,用于在目标网络结构集合满足设定条件时,执行对目标网络结构集合内剩余的节点的选取操作,以生成目标神经网络结构,在目标网络结构集合不满足设定条件时,对搜索空间内的目标网络结构集合进行采样。
在本申请的一些实施例中,处理子模块3031,具体用于:
根据目标检测效果,确定各条边对应的各节点选取操作的评分值;
针对各条边,删除最小的评分值所属的节点选取操作。
在本申请的一些实施例中,处理子模块3031,还用于:
针对各种节点选取操作,分别确定其基于每个候选网络结构的目标检测效果下的第一评分值;
当节点选取操作被多个候选网络结构所采样时,确定多个候选网络结构对应的多个第一评分值的均值,并将均值作为对应的评分值;
当节点选取操作仅被一个候选网络结构所采样时,则直接将候选网络结构相应的第一评分值作为对应的评分值。
在本申请的一些实施例中,生成子模块3033,具体用于:
当目标网络结构集合内,各条边仅对应一种节点选取操作时,确定目标网络结构集合满足设定条件。
在本申请的一些实施例中,还包括:
获取模块304,用于获取初始数据集,并基于目标检测的任务对初始数据集进行增广处理,得到增广数据集,以及在采用训练数据集分别对多个候选网络结构进行训练之前,还从增广数据集内提取训练数据集。
在本申请的一些实施例中,训练模块302,还用于:
从增广数据集内提取验证数据集;
采用验证数据集,对训练后的多个候选网络结构基于各种节点选取操作的检测效果进行验证,以得到目标检测效果。
需要说明的是,前述对神经网络结构的生成方法的解释说明也适用于本实施例的神经网络结构的生成装置,此处不再赘述。
本实施例中,通过对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,候选网络结构包括多条边,各条边对应至少一种节点选取操作,并采用训练数据集分别对多个候选网络结构进行训练,并获取训练后的多个候选网络结构基于各种节点选取操作的目标检测效果;以及根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构,能够有效增强目标神经网络结构对目标检测的训练数据集的特征提取能力,提升神经网络结构的搜索效率,提升神经网络结构的搜索效果。
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5所示,是根据本申请实施例的神经网络结构的生成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5所示,该电子设备包括:一个或多个处理器501、存储器502,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5中以一个处理器501为例。
存储器502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神经网络结构的生成方法。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神经网络结构的生成方法。
存储器502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神经网络结构的生成方法对应的程序指令/模块(例如,附图3所示的采样模块301、训练模块302和生成模块303)。处理器501通过运行存储在存储器502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神经网络结构的生成方法。
存储器502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执行神经网络结构的生成方法的电子设备的使用所创建的数据等。此外,存储器502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502可选包括相对于处理器501远程设置的存储器,这些远程存储器可以通过网络连接至执行神经网络结构的生成方法的电子设备。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。
执行神经网络结构的生成方法的电子设备还可以包括:输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接,图5中以通过总线连接为例。
输入装置503可接收输入的数字或字符信息,以及产生与执行神经网络结构的生成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504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)和互联网。
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。
本申请实施例的电子设备,通过对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,候选网络结构包括多条边,各条边对应至少一种节点选取操作,并采用训练数据集分别对多个候选网络结构进行训练,并获取训练后的多个候选网络结构基于各种节点选取操作的目标检测效果;以及根据目标检测效果,在搜索空间的网络结构集合之中进行搜索以生成目标神经网络结构,能够有效增强目标神经网络结构对目标检测的训练数据集的特征提取能力,提升神经网络结构的搜索效率,提升神经网络结构的搜索效果,以及提升电子设备在神经网络结构的搜索方面的表现,提升电子设备的神经网络结构的搜索效率,并且有效节约电子设备的运算资源消耗,当将该电子设备应用于图像处理或语音识别时,能够有效提升图像数据或者语音的特征提取能力,从而使得电子设备具有更好的图像处理效果或者语音识别效果。
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)
1.一种神经网络结构的生成方法,包括:
对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,所述候选网络结构包括多条边,各条所述边对应至少一种节点选取操作;
采用训练数据集分别对所述多个候选网络结构进行训练,并获取训练后的多个所述候选网络结构基于各种所述节点选取操作的目标检测效果;以及
根据所述目标检测效果,在所述搜索空间的所述网络结构集合之中进行搜索以生成目标神经网络结构。
2.根据权利要求1所述的神经网络结构的生成方法,其中,所述根据所述目标检测效果,在所述搜索空间的所述网络结构集合之中进行搜索以生成目标神经网络结构,包括:
根据所述目标检测效果,对所述网络结构集合内的所述各条边对应的部分节点选取操作进行删除处理;
判断删除处理后的目标网络结构集合是否满足设定条件;
当所述目标网络结构集合满足所述设定条件时,执行对所述目标网络结构集合内剩余的节点的选取操作,以生成目标神经网络结构;
当所述目标网络结构集合不满足所述设定条件时,对所述搜索空间内的目标网络结构集合进行采样。
3.根据权利要求2所述的神经网络结构的生成方法,其中,所述根据所述目标检测效果,对所述网络结构集合内的各条所述边对应的部分节点选取操作进行删除处理,包括:
根据所述目标检测效果,确定所述各条边对应的各所述节点选取操作的评分值;
针对所述各条边,删除最小的评分值所属的节点选取操作。
4.根据权利要求3所述的神经网络结构的生成方法,其中,所述根据所述目标检测效果,确定各条所述边对应的节点选取操作的评分值,包括:
针对各种所述节点选取操作,分别确定其基于每个所述候选网络结构的目标检测效果下的第一评分值;
当所述节点选取操作被多个所述候选网络结构所采样时,确定多个所述候选网络结构对应的多个所述第一评分值的均值,并将所述均值作为所述对应的评分值;
当所述节点选取操作仅被一个所述候选网络结构所采样时,则直接将所述候选网络结构相应的第一评分值作为所述对应的评分值。
5.根据权利要求2-4任一项所述的神经网络结构的生成方法,其中,
当所述目标网络结构集合内,各条所述边仅对应一种节点选取操作时,确定所述目标网络结构集合满足所述设定条件。
6.根据权利要求1所述的神经网络结构的生成方法,其中,在所述对搜索空间内的网络结构集合进行采样之前,还包括:
获取初始数据集;
基于目标检测的任务对所述初始数据集进行增广处理,得到增广数据集;
其中,在所述采用训练数据集分别对所述多个候选网络结构进行训练之前,还包括:
从所述增广数据集内提取所述训练数据集。
7.根据权利要求6所述的神经网络结构的生成方法,其中,所述获取训练后的多个所述候选网络结构基于各种所述节点选取操作的目标检测效果,包括:
从所述增广数据集内提取验证数据集;
采用所述验证数据集,对所述训练后的多个所述候选网络结构基于各种所述节点选取操作的检测效果进行验证,以得到所述目标检测效果。
8.一种神经网络结构的生成装置,包括:
采样模块,用于对搜索空间内的网络结构集合进行采样,以得到多个候选网络结构,其中,所述候选网络结构包括多条边,各条所述边对应至少一种节点选取操作;
训练模块,用于采用训练数据集分别对所述多个候选网络结构进行训练,并获取训练后的多个所述候选网络结构基于各种所述节点选取操作的目标检测效果;以及
生成模块,用于根据所述目标检测效果,在所述搜索空间的所述网络结构集合之中进行搜索以生成目标神经网络结构。
9.根据权利要求8所述的神经网络结构的生成装置,其中,所述生成模块,包括:
处理子模块,用于根据所述目标检测效果,对所述网络结构集合内的所述各条边对应的部分节点选取操作进行删除处理;
判断子模块,用于判断删除处理后的目标网络结构集合是否满足设定条件;
生成子模块,用于在所述目标网络结构集合满足所述设定条件时,执行对所述目标网络结构集合内剩余的节点的选取操作,以生成目标神经网络结构,在所述目标网络结构集合不满足所述设定条件时,对所述搜索空间内的目标网络结构集合进行采样。
10.根据权利要求9所述的神经网络结构的生成装置,其中,所述处理子模块,具体用于:
根据所述目标检测效果,确定所述各条边对应的各所述节点选取操作的评分值;
针对所述各条边,删除最小的评分值所属的节点选取操作。
11.根据权利要求10所述的神经网络结构的生成装置,其中,所述处理子模块,还用于:
针对各种所述节点选取操作,分别确定其基于每个所述候选网络结构的目标检测效果下的第一评分值;
当所述节点选取操作被多个所述候选网络结构所采样时,确定多个所述候选网络结构对应的多个所述第一评分值的均值,并将所述均值作为所述对应的评分值;
当所述节点选取操作仅被一个所述候选网络结构所采样时,则直接将所述候选网络结构相应的第一评分值作为所述对应的评分值。
12.根据权利要求9-11任一项所述的神经网络结构的生成装置,其中,所述生成子模块,具体用于:
当所述目标网络结构集合内,各条所述边仅对应一种节点选取操作时,确定所述目标网络结构集合满足所述设定条件。
13.根据权利要求8所述的神经网络结构的生成装置,其中,还包括:
获取模块,用于获取初始数据集,并基于目标检测的任务对所述初始数据集进行增广处理,得到增广数据集,以及在所述采用训练数据集分别对所述多个候选网络结构进行训练之前,还从所述增广数据集内提取所述训练数据集。
14.根据权利要求13所述的神经网络结构的生成装置,其中,所述训练模块,还用于:
从所述增广数据集内提取验证数据集;
采用所述验证数据集,对所述训练后的多个所述候选网络结构基于各种所述节点选取操作的检测效果进行验证,以得到所述目标检测效果。
15.一种电子设备,其特征在于,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中任一项所述的神经网络结构的生成方法。
16.一种存储有计算机指令的非瞬时计算机可读存储介质,其特征在于,所述计算机指令用于使所述计算机执行权利要求1-7中任一项所述的神经网络结构的生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010605458.5A CN111967569B (zh) | 2020-06-29 | 2020-06-29 | 神经网络结构的生成方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010605458.5A CN111967569B (zh) | 2020-06-29 | 2020-06-29 | 神经网络结构的生成方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111967569A true CN111967569A (zh) | 2020-11-20 |
CN111967569B CN111967569B (zh) | 2024-02-13 |
Family
ID=73360963
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010605458.5A Active CN111967569B (zh) | 2020-06-29 | 2020-06-29 | 神经网络结构的生成方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111967569B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560985A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 神经网络的搜索方法、装置及电子设备 |
CN112598063A (zh) * | 2020-12-25 | 2021-04-02 | 深圳市商汤科技有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN112819138A (zh) * | 2021-01-26 | 2021-05-18 | 上海依图网络科技有限公司 | 一种图像神经网络结构的优化方法及装置 |
CN112906865A (zh) * | 2021-02-19 | 2021-06-04 | 深圳大学 | 神经网络架构搜索方法、装置、电子设备及存储介质 |
CN113221871A (zh) * | 2021-05-31 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 一种文字识别方法、装置、设备及介质 |
CN113361578A (zh) * | 2021-05-31 | 2021-09-07 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、装置、电子设备及存储介质 |
CN114926698A (zh) * | 2022-07-19 | 2022-08-19 | 深圳市南方硅谷半导体股份有限公司 | 基于演化博弈论的神经网络架构搜索的图像分类方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140324747A1 (en) * | 2013-04-30 | 2014-10-30 | Raytheon Company | Artificial continuously recombinant neural fiber network |
WO2019081705A1 (en) * | 2017-10-27 | 2019-05-02 | Deepmind Technologies Limited | USING HIERARCHICAL REPRESENTATIONS FOR NEURONAL NETWORK ARCHITECTURE SEARCH |
CN109919304A (zh) * | 2019-03-04 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 神经网络搜索方法、装置、可读存储介质和计算机设备 |
CN110543944A (zh) * | 2019-09-11 | 2019-12-06 | 北京百度网讯科技有限公司 | 神经网络结构搜索方法、装置、电子设备和介质 |
CN110674326A (zh) * | 2019-08-06 | 2020-01-10 | 厦门大学 | 一种基于多项式分布学习的神经网络结构检索方法 |
CN110909877A (zh) * | 2019-11-29 | 2020-03-24 | 百度在线网络技术(北京)有限公司 | 神经网络模型结构搜索方法、装置、电子设备及存储介质 |
-
2020
- 2020-06-29 CN CN202010605458.5A patent/CN111967569B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140324747A1 (en) * | 2013-04-30 | 2014-10-30 | Raytheon Company | Artificial continuously recombinant neural fiber network |
WO2019081705A1 (en) * | 2017-10-27 | 2019-05-02 | Deepmind Technologies Limited | USING HIERARCHICAL REPRESENTATIONS FOR NEURONAL NETWORK ARCHITECTURE SEARCH |
US20200293899A1 (en) * | 2017-10-27 | 2020-09-17 | Deepmind Technologies Limited | Using Hierarchical Representations for Neural Network Architecture Searching |
CN109919304A (zh) * | 2019-03-04 | 2019-06-21 | 腾讯科技(深圳)有限公司 | 神经网络搜索方法、装置、可读存储介质和计算机设备 |
CN110674326A (zh) * | 2019-08-06 | 2020-01-10 | 厦门大学 | 一种基于多项式分布学习的神经网络结构检索方法 |
CN110543944A (zh) * | 2019-09-11 | 2019-12-06 | 北京百度网讯科技有限公司 | 神经网络结构搜索方法、装置、电子设备和介质 |
CN110909877A (zh) * | 2019-11-29 | 2020-03-24 | 百度在线网络技术(北京)有限公司 | 神经网络模型结构搜索方法、装置、电子设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
孙功星, 朱科军, 戴长江, 戴贵亮: "任务自适应神经网络结构研究", 核电子学与探测技术, no. 03 * |
王书海;刘刚;綦朝晖;: "BIC评分贝叶斯网络模型及其应用", 计算机工程, no. 15 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112560985A (zh) * | 2020-12-25 | 2021-03-26 | 北京百度网讯科技有限公司 | 神经网络的搜索方法、装置及电子设备 |
CN112598063A (zh) * | 2020-12-25 | 2021-04-02 | 深圳市商汤科技有限公司 | 神经网络生成方法及装置、电子设备和存储介质 |
CN112560985B (zh) * | 2020-12-25 | 2024-01-12 | 北京百度网讯科技有限公司 | 神经网络的搜索方法、装置及电子设备 |
CN112819138A (zh) * | 2021-01-26 | 2021-05-18 | 上海依图网络科技有限公司 | 一种图像神经网络结构的优化方法及装置 |
CN112906865A (zh) * | 2021-02-19 | 2021-06-04 | 深圳大学 | 神经网络架构搜索方法、装置、电子设备及存储介质 |
CN112906865B (zh) * | 2021-02-19 | 2023-08-18 | 深圳大学 | 神经网络架构搜索方法、装置、电子设备及存储介质 |
CN113221871A (zh) * | 2021-05-31 | 2021-08-06 | 支付宝(杭州)信息技术有限公司 | 一种文字识别方法、装置、设备及介质 |
CN113361578A (zh) * | 2021-05-31 | 2021-09-07 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、装置、电子设备及存储介质 |
CN113361578B (zh) * | 2021-05-31 | 2023-08-04 | 北京百度网讯科技有限公司 | 图像处理模型的训练方法、装置、电子设备及存储介质 |
CN113221871B (zh) * | 2021-05-31 | 2024-02-02 | 支付宝(杭州)信息技术有限公司 | 一种文字识别方法、装置、设备及介质 |
CN114926698A (zh) * | 2022-07-19 | 2022-08-19 | 深圳市南方硅谷半导体股份有限公司 | 基于演化博弈论的神经网络架构搜索的图像分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111967569B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967569A (zh) | 神经网络结构的生成方法、装置、存储介质及电子设备 | |
CN111539223B (zh) | 语言模型的训练方法、装置、电子设备及可读存储介质 | |
JP6594534B2 (ja) | テキスト情報処理方法およびデバイス | |
CN111737994B (zh) | 基于语言模型获取词向量的方法、装置、设备及存储介质 | |
CN111414482B (zh) | 一种事件论元抽取方法、装置以及电子设备 | |
CN111967256B (zh) | 事件关系的生成方法、装置、电子设备和存储介质 | |
CN111488740B (zh) | 一种因果关系的判别方法、装置、电子设备及存储介质 | |
CN111667056B (zh) | 用于搜索模型结构的方法和装置 | |
CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
CN111859997B (zh) | 机器翻译中的模型训练方法、装置、电子设备及存储介质 | |
US20210397791A1 (en) | Language model training method, apparatus, electronic device and readable storage medium | |
CN111753914A (zh) | 模型优化方法和装置、电子设备及存储介质 | |
CN111968631B (zh) | 智能设备的交互方法、装置、设备及存储介质 | |
CN111104514A (zh) | 文档标签模型的训练方法及装置 | |
CN112102448B (zh) | 虚拟对象图像显示方法、装置、电子设备和存储介质 | |
CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
CN112163405A (zh) | 问题的生成方法和装置 | |
CN112100466A (zh) | 生成搜索空间的方法、装置、设备及存储介质 | |
CN111882035A (zh) | 基于卷积核的超网络搜索方法、装置、设备和介质 | |
CN111666771A (zh) | 文书的语义标签抽取、装置、电子设备及可读存储介质 | |
CN111428489B (zh) | 一种评论生成方法、装置、电子设备及存储介质 | |
CN111914884A (zh) | 梯度下降树的生成方法、装置、电子设备及存储介质 | |
CN111914880A (zh) | 决策树的生成方法、装置、电子设备及存储介质 | |
CN111680599A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
CN113312451B (zh) | 文本标签确定方法和装置 |
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 |