CN112001489A - 优化器学习的方法、装置、电子设备和可读存储介质 - Google Patents

优化器学习的方法、装置、电子设备和可读存储介质 Download PDF

Info

Publication number
CN112001489A
CN112001489A CN202010625746.7A CN202010625746A CN112001489A CN 112001489 A CN112001489 A CN 112001489A CN 202010625746 A CN202010625746 A CN 202010625746A CN 112001489 A CN112001489 A CN 112001489A
Authority
CN
China
Prior art keywords
optimizer
neural network
meta
learning model
information
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
Application number
CN202010625746.7A
Other languages
English (en)
Inventor
方晓敏
王凡
莫也兰
何径舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202010625746.7A priority Critical patent/CN112001489A/zh
Publication of CN112001489A publication Critical patent/CN112001489A/zh
Priority to EP21163596.6A priority patent/EP3933712A1/en
Priority to US17/210,141 priority patent/US20220004867A1/en
Priority to JP2021049640A priority patent/JP7165226B2/ja
Priority to KR1020210039189A priority patent/KR102607536B1/ko
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Machine Translation (AREA)

Abstract

本申请公开了一种优化器学习的方法、装置、电子设备和可读存储介质，涉及深度学习技术领域。本申请在进行优化器学习时所采用的实现方案为：获取训练数据，所述训练数据中包含多个数据集，每个数据集包含神经网络的属性信息、神经网络的优化器信息以及优化器的参数信息；将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，训练元学习模型，直至所述元学习模型收敛。本申请能够实现优化器的自适应，从而提高优化器的泛化能力。

Description

优化器学习的方法、装置、电子设备和可读存储介质
技术领域
本申请涉及人工智能技术领域，尤其涉及深度学习技术领域中的一种优化器学习的方法、装置、电子设备和可读存储介质。
背景技术
深度神经网络是机器学习中常用的方法，近年来被广泛应用于各个领域。深度神经网络的训练过程需要使用优化器(optimizer)使得网络收敛，即使用优化器更新网络参数找到网络的最优点。因此，优化器直接影响网络的收敛速度和训练效果，较慢的收敛速度会增加计算资源的消耗。
现有技术通常包含基于人工经验的优化器和基于模型的优化器。其中，基于人工经验的优化器无法根据不同的任务和不同的网络结构来做适配，且需要耗费人力物力在训练的不同阶段调整优化器中的参数；基于模型的优化器虽然能做一定程度的适配，但其仅能够针对某种固定或者相近的网络结构和相同类型的任务进行适配，而对于不同网络结构和不同类型的任务不具有泛化能力。
发明内容
本申请为解决技术问题所采用的技术方案是提供一种优化器学习的方法，包括：获取训练数据，所述训练数据中包含多个数据集，每个数据集包含神经网络的属性信息、神经网络的优化器信息以及优化器的参数信息；将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，训练元学习模型，直至所述元学习模型收敛。
本申请为解决技术问题所采用的技术方案是提供一种优化器学习的装置，包括：获取单元，用于获取训练数据，所述训练数据中包含多个数据集，每个数据集包含神经网络的属性信息、神经网络的优化器信息以及优化器的参数信息；训练单元，用于将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，训练元学习模型，直至所述元学习模型收敛。
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上述方法。
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上述方法。
上述申请中的一个实施例具有如下优点或有益效果：本申请能够实现优化器的自适应，提升优化器的泛化能力。因为采用了通过建立元学习模型对具有不同属性信息以及优化器信息的神经网络的优化器的参数进行学习的技术手段，所以克服了现有技术中的优化器无法适配不同网络结构和不同类型任务的神经网络的技术问题，实现了优化器的自适应以及提升优化器的泛化能力的技术效果。
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是用来实现本申请实施例的优化器学习的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。如图1中所示，本实施例的优化器学习的方法，具体可以包括如下步骤：
S101、获取训练数据，所述训练数据中包含多个数据集，每个数据集包含神经网络的属性信息、神经网络的优化器信息以及优化器的参数信息；
S102、将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，训练元学习模型，直至所述元学习模型收敛。
本实施例的优化器学习的方法，通过建立元学习模型对具有不同属性信息以及优化器信息的神经网络的优化器的参数进行学习，使得神经网络的优化器能够自动地适配具有不同属性信息的神经网络，实现了优化器的自适应，提升了优化器的泛化能力，进而加快了神经网络的训练流程，提升了神经网络的训练效果。
本实施例中的优化器(optimizer)可以为函数，也可以为基于神经网络的模型，用于更新与其对应的神经网络的参数，以使得神经网络收敛。其中，本实施例中的神经网络为深度神经网络。
本实施例的各数据集中的神经网络的属性信息，包含神经网络的结构信息以及神经网络的任务信息中的至少一种，用于反映神经网络的网络结构以及所训练任务的类型，其中神经网络的结构信息可以为循环神经网络(RNN)、卷积神经网络(CNN)等，神经网络的任务信息可以为图片分类任务、文字识别任务等。
本实施例的各数据集中的神经网络的优化器信息，表示更新神经网络参数的优化器的类型，例如SGD、Momentum、Adam等；优化器的参数信息，对应优化器在神经网络的每一步训练过程中的参数。
可以理解的是，本实施例所获取的数据集对应具有不同网络结构、不同类型训练任务以及不同类型优化器的神经网络，因此训练得到的元学习模型能够进一步提升优化器对于不同结构以及不同任务的神经网络的泛化能力。
由于本实施例所获取的神经网络的属性信息中包含有神经网络的结构信息以及神经网络的任务信息，因此本实施例训练得到的元学习模型能够预估不同结构的神经网络在训练不同类型的任务时优化器的参数。
本实施例在获取了数据集之后，根据每个数据集中所包含的上述信息进行元学习模型的训练，直至元学习模型收敛。其中，本实施例中的元学习模型可以为神经网络模型。
本实施例通过元学习(meta learning)的方式训练元学习模型，使得元学习模型能够学习到具有不同属性信息的神经网络在训练过程中优化器的参数。
本实施例中的元学习为“学习如何学习”，即通过学习其他任务的学习经验，使得在新任务上也能自行地适配学习。本实施例中的元学习通过挖掘不同的神经网络在训练过程中每一步的优化器的参数，使得元学习模型能够根据新任务中神经网络的属性信息以及优化器信息，来预估优化器在该神经网络的每一步训练过程中的参数。
本实施例在根据各数据集进行元学习模型的训练时，可以根据元学习模型的输出结果与数据集中的参数信息来计算损失函数，当计算得到的损失函数收敛时，即可认为元学习模型收敛，元学习模型的训练过程完成。另外，本实施例也可以基于梯度或者递归模型的方式进行元学习，来得到元学习模型，本实施例对此不进行限定。
由于在进行优化器学习时所使用的训练序列较长，且在进行训练时需要成千上万甚至更多次的迭代，现有的元学习方法并不是很实用。
为了进一步提升元学习模型的训练效果，本实施例在根据数据集进行元学习模型的训练时，可以采用以下方式：将当前元学习模型的参数作为第一参数；使用噪声对第一参数进行抖动，获取多个抖动参数，即将第一参数进行稍微改变，其中噪声可以为高斯噪声；根据所获取的多个抖动参数构建多个抖动元学习模型，即使用各抖动参数替换第一参数；将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，分别训练各抖动元学习模型，其中各抖动元学习模型所使用的数据集可以相同，也可以不同；根据训练结果，选取满足预设条件的抖动元学习模型作为最终元学习模型。
可以理解的是，本实施例可以选取损失函数最小的抖动元学习模型作为满足预设条件的元学习模型，也可以选取收敛速度最快的抖动元学习模型作为满足预设条件的元学习模型。
另外，为了进一步提升元学习模型的训练准确性，本实施例在根据训练结果选取满足预设条件的抖动元学习模型作为最终元学习模型时，可以采用以下方式：根据训练结果，确定满足预设条件的抖动元学习模型的抖动参数；将所确定的抖动参数作为第一参数之后，转至执行使用噪声对第一参数进行抖动的步骤；以此迭代预设次数，将所选取的抖动元学习模型作为最终元学习模型。其中，本实施例中的预设次数可以由用户根据实际需求进行设置。
也就是说，本实施例采用进化策略(evolution strategy)的方式进行元学习模型的训练，一方面能够克服现有技术在进行元学习模型的训练时无法克服训练序列过长的问题，另一方面则能够简化元学习模型的训练过程，提升元学习模型的训练效率。
本实施例在训练得到元学习模型之后，便能够根据所输入的神经网络的属性信息以及神经网络的优化器信息，输出该优化器的参数，从而实现优化器的自适应，对不同结构和不同任务的神经网络具有泛化能力。
采用本实施例所提供的上述方式，通过建立元学习模型对神经网络的优化器的参数进行预估，使得神经网络的优化器能够自动地适配具有不同属性信息的神经网络，实现了优化器的自适应，进而加快了神经网络的训练流程，提升了神经网络的训练效果。
图2是根据本申请第二实施例的示意图。如图2中所示，本实施例的优化器学习的装置，包括：
获取单元201、用于获取训练数据，所述训练数据中包含多个数据集，每个数据集包含神经网络的属性信息、神经网络的优化器信息以及优化器的参数信息；
训练单元202、用于将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，训练元学习模型，直至所述元学习模型收敛。
本实施例的获取单元201所获取的神经网络的属性信息，包含神经网络的结构信息以及神经网络的任务信息中的至少一种，用于反映神经网络的网络结构以及所训练任务的类型。
本实施例的获取单元201所获取的神经网络的优化器信息，表示更新神经网络参数的优化器的类型；优化器的参数信息，对应优化器在神经网络的每一步训练过程中的参数。
在由获取单元201获取了数据集之后，由训练单元202根据每个数据集中所包含的上述信息进行元学习模型的训练，直至元学习模型收敛。其中，训练单元202中的元学习模型可以为神经网络模型。
训练单元202在根据各数据集进行元学习模型的训练时，可以根据元学习模型的输出结果与数据集中的参数信息来计算损失函数，当计算得到的损失函数收敛时，即可认为元学习模型收敛，元学习模型的训练过程完成。另外，训练单元202也可以基于梯度或者递归模型的方式进行元学习，来得到元学习模型，本实施例对此不进行限定。
为了进一步提升元学习模型的训练效果，训练单元202在根据数据集进行元学习模型的训练时，可以采用以下方式：将当前元学习模型的参数作为第一参数；使用噪声对第一参数进行抖动，获取多个抖动参数；根据所获取的多个抖动参数构建多个抖动元学习模型；将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，分别训练各抖动元学习模型；根据训练结果，选取满足预设条件的抖动元学习模型作为最终元学习模型。
可以理解的是，训练单元202可以选取损失函数最小的抖动元学习模型作为满足预设条件的元学习模型，也可以选取收敛速度最快的抖动元学习模型作为满足预设条件的元学习模型。
另外，为了进一步提升元学习模型的训练准确性，训练单元202在根据训练结果选取满足预设条件的抖动元学习模型作为最终元学习模型时，可以采用以下方式：根据训练结果，确定满足预设条件的抖动元学习模型的抖动参数；将所确定的抖动参数作为第一参数之后，转至执行使用噪声对第一参数进行抖动的步骤；以此迭代预设次数，将所选取的抖动元学习模型作为最终元学习模型。其中，本实施例中的预设次数可以由用户根据实际需求进行设置。
也就是说，训练单元202采用进化策略(evolution strategy)的方式进行元学习模型的训练，一方面能够克服现有技术在进行元学习模型的训练时无法克服训练序列过长的问题，另一方面则能够简化元学习模型的训练过程，提升元学习模型的训练效率。
在训练单元202训练得到元学习模型之后，利用该元学习模型便能够根据所输入的神经网络的属性信息以及神经网络的优化器信息，输出该优化器的参数。
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计算机可读存储介质。
如图3所示，是根据本申请实施例的优化器学习的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3所示，该电子设备包括：一个或多个处理器301、存储器302，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3中以一个处理器301为例。
存储器302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优化器学习的方法。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优化器学习的方法。
存储器302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优化器学习的方法对应的程序指令/模块(例如，附图2所示的获取单元201以及训练单元202)。处理器301通过运行存储在存储器302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优化器学习的方法。
存储器302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的电子设备的使用所创建的数据等。此外，存储器302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302可选包括相对于处理器301远程设置的存储器，这些远程存储器可以通过网络连接至优化器学习的方法的电子设备。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。
优化器学习的方法的电子设备还可以包括：输入装置303和输出装置304。处理器301、存储器302、输入装置303和输出装置304可以通过总线或者其他方式连接，图3中以通过总线连接为例。
输入装置303可接收输入的数字或字符信息，以及产生与优化器学习的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304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。
根据本申请实施例的技术方案，通过建立元学习模型对具有不同属性信息以及优化器信息的神经网络的优化器的参数进行学习，使得神经网络的优化器能够自动地适配具有不同属性信息的神经网络，实现了优化器的自适应，提升了优化器的泛化能力，进而加快了神经网络的训练流程，提升了神经网络的训练效果。
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 (10)

1.一种优化器学习的方法，包括：
获取训练数据，所述训练数据中包含多个数据集，每个数据集包含神经网络的属性信息、神经网络的优化器信息以及优化器的参数信息；
将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，训练元学习模型，直至所述元学习模型收敛。
2.根据权利要求1所述的方法，其中，所述神经网络的属性信息包含神经网络的结构信息以及神经网络的任务信息中的至少一种。
3.根据权利要求1所述的方法，其中，所述将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，训练元学习模型包括：
将当前元学习模型的参数作为第一参数；
使用噪声对所述第一参数进行抖动，获取多个抖动参数；
根据所述多个抖动参数，构建多个抖动元学习模型；
将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，分别训练所述多个抖动元学习模型；
根据训练结果，选取满足预设条件的抖动元学习模型作为最终元学习模型。
4.根据权利要求3所述的方法，其中，所述根据训练结果，选取满足预设条件的抖动元学习模型作为最终元学习模型包括：
根据训练结果，确定满足预设条件的抖动元学习模型的抖动参数；
将所确定的抖动参数作为第一参数之后，转至执行使用噪声对第一参数进行抖动的步骤；
以此迭代预设次数之后，将所选取的抖动元学习模型作为最终元学习模型。
5.一种优化器学习的装置，包括：
获取单元，用于获取训练数据，所述训练数据中包含多个数据集，每个数据集包含神经网络的属性信息、神经网络的优化器信息以及优化器的参数信息；
训练单元，用于将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，训练元学习模型，直至所述元学习模型收敛。
6.根据权利要求5所述的装置，其中，所述获取单元获取的神经网络的属性信息包含神经网络的结构信息以及神经网络的任务信息中的至少一种。
7.根据权利要求5所述的装置，其中，所述训练单元在将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，训练元学习模型时，具体执行：
将当前元学习模型的参数作为第一参数；
使用噪声对所述第一参数进行抖动，获取多个抖动参数；
根据所述多个抖动参数，构建多个抖动元学习模型；
将各数据集中的神经网络的属性信息以及神经网络的优化器信息作为输入，将各数据集中的优化器的参数信息作为输出，分别训练所述多个抖动元学习模型；
根据训练结果，选取满足预设条件的抖动元学习模型作为最终元学习模型。
8.根据权利要求7所述的装置，其中，所述训练单元在根据训练结果，选取满足预设条件的抖动元学习模型作为最终元学习模型时，具体执行：
根据训练结果，确定满足预设条件的抖动元学习模型的抖动参数；
将所确定的抖动参数作为第一参数之后，转至执行使用噪声对第一参数进行抖动的步骤；
以此迭代预设次数之后，将所选取的抖动元学习模型作为最终元学习模型。
9.一种电子设备，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1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
CN202010625746.7A 2020-07-01 2020-07-01 优化器学习的方法、装置、电子设备和可读存储介质 Pending CN112001489A (zh)

Priority Applications (5)

Application Number Priority Date Filing Date Title
CN202010625746.7A CN112001489A (zh) 2020-07-01 2020-07-01 优化器学习的方法、装置、电子设备和可读存储介质
EP21163596.6A EP3933712A1 (en) 2020-07-01 2021-03-19 Optimizer learning method and apparatus, electronic device and readable storage medium
US17/210,141 US20220004867A1 (en) 2020-07-01 2021-03-23 Optimizer learning method and apparatus, electronic device and readable storage medium
JP2021049640A JP7165226B2 (ja) 2020-07-01 2021-03-24 オプティマイザ学習方法、装置、電子デバイス、可読記憶媒体及びコンピュータプログラム
KR1020210039189A KR102607536B1 (ko) 2020-07-01 2021-03-25 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010625746.7A CN112001489A (zh) 2020-07-01 2020-07-01 优化器学习的方法、装置、电子设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN112001489A true CN112001489A (zh) 2020-11-27

Family

ID=73468144

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010625746.7A Pending CN112001489A (zh) 2020-07-01 2020-07-01 优化器学习的方法、装置、电子设备和可读存储介质

Country Status (5)

Country Link
US (1) US20220004867A1 (zh)
EP (1) EP3933712A1 (zh)
JP (1) JP7165226B2 (zh)
KR (1) KR102607536B1 (zh)
CN (1) CN112001489A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508004A (zh) * 2020-12-18 2021-03-16 北京百度网讯科技有限公司 一种文字识别方法、装置、电子设备及存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115113814B (zh) * 2022-06-21 2024-02-02 腾讯科技（深圳）有限公司 一种神经网络模型上线方法和相关装置

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117313789A (zh) * 2017-04-12 2023-12-29 渊慧科技有限公司 使用神经网络的黑盒优化
US11397887B2 (en) * 2017-09-26 2022-07-26 Amazon Technologies, Inc. Dynamic tuning of training parameters for machine learning algorithms
US20190244139A1 (en) * 2018-02-02 2019-08-08 Oracle International Corporation Using meta-learning for automatic gradient-based hyperparameter optimization for machine learning and deep learning models
US20200410365A1 (en) 2018-02-26 2020-12-31 Google Llc Unsupervised neural network training using learned optimizers
KR20200015048A (ko) * 2018-08-02 2020-02-12 삼성전자주식회사 메타-학습에 기반하여 기계학습의 모델을 선정하는 방법 및 장치
KR102184278B1 (ko) 2018-11-21 2020-11-30 한국과학기술원 메타학습에 기반한 임의의 목표 데이터셋과 모델 구조로의 전이학습 방법 및 시스템
US11276151B2 (en) * 2019-06-27 2022-03-15 Retrace Labs Inpainting dental images with missing anatomy
CN111353610A (zh) * 2020-02-28 2020-06-30 创新奇智(青岛)科技有限公司 一种模型参数确定方法、装置、存储介质及电子设备

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508004A (zh) * 2020-12-18 2021-03-16 北京百度网讯科技有限公司 一种文字识别方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
KR20220003444A (ko) 2022-01-10
JP2022013658A (ja) 2022-01-18
US20220004867A1 (en) 2022-01-06
EP3933712A1 (en) 2022-01-05
KR102607536B1 (ko) 2023-11-29
JP7165226B2 (ja) 2022-11-02

Similar Documents

Publication Publication Date Title
KR102484617B1 (ko) 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램
CN111753997B (zh) 分布式训练方法、系统、设备及存储介质
CN111079938B (zh) 问答阅读理解模型获取方法、装置、电子设备及存储介质
CN110826634B (zh) 图像目标检测模型的训练方法、装置、电子设备及存储介质
CN111144108B (zh) 情感倾向性分析模型的建模方法、装置和电子设备
CN111832701B (zh) 模型的蒸馏方法、装置、电子设备及存储介质
CN111507111B (zh) 语义表示模型的预训练方法、装置、电子设备及存储介质
CN111667057A (zh) 用于搜索模型结构的方法和装置
CN111860769A (zh) 预训练图神经网络的方法以及装置
CN110852379B (zh) 用于目标物体识别的训练样本生成方法及装置
CN111275190A (zh) 神经网络模型的压缩方法及装置、图像处理方法及处理器
CN110795569A (zh) 知识图谱的向量表示生成方法、装置及设备
CN110782883A (zh) 一种模型训练方法、装置、电子设备及存储介质
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
CN111931520B (zh) 自然语言处理模型的训练方法和装置
CN112001489A (zh) 优化器学习的方法、装置、电子设备和可读存储介质
CN114492788A (zh) 训练深度学习模型的方法和装置、电子设备及存储介质
CN111539224A (zh) 语义理解模型的剪枝方法、装置、电子设备和存储介质
CN111783949A (zh) 基于迁移学习的深度神经网络的训练方法和装置
CN111967591A (zh) 神经网络自动剪枝方法、装置及电子设备
CN112580723B (zh) 多模型融合方法、装置、电子设备和存储介质
CN111680599B (zh) 人脸识别模型处理方法、装置、设备和存储介质
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
CN111125451B (zh) 数据生产加工方法、装置、电子设备及存储介质
CN111667428A (zh) 基于自动搜索的噪声生成方法和装置

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