CN113240108A - 模型训练方法、装置和电子设备 - Google Patents

Abstract

本公开的实施例公开了模型训练方法、装置和电子设备。该方法的一具体实施方式包括：针对从超网络中搜索的各个子网络，基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数；按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络；基于使目标子网络的网络性能最高的目标知识蒸馏参数，将目标子网络训练为目标模型。该实施方式能够将目标子网络训练为数据处理能力更高的目标模型。

Description

模型训练方法、装置和电子设备

技术领域

本公开的实施例涉及计算机技术领域，尤其涉及一种模型训练方法、装置和电子设备。

背景技术

网络结构搜索((Neural Architecture Search，NAS)是通过评价子网络的网络性能来搜索子网络的一种技术。通常，若搜索到子网络的网络性能较高，基于该子网络训练生成的模型可以具有较高的数据处理能力。

在相关技术中，由于搜索子网络的准确度较低，导致最终训练生成的模型处理数据的能力较低。

发明内容

提供该公开内容部分以便以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。该公开内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。

本公开的实施例提供了一种模型训练方法、装置和电子设备，能够将目标子网络训练为数据处理能力更高的目标模型。

第一方面，本公开的实施例提供了一种模型训练方法，该方法包括：针对从超网络中搜索的各个子网络，基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数；按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络；基于使目标子网络的网络性能最高的目标知识蒸馏参数，将目标子网络训练为目标模型。

第二方面，本公开的实施例提供了一种模型训练装置，该装置包括：第一确定单元，用于针对从超网络中搜索的各个子网络，基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数；第二确定单元，用于按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络；训练单元，用于基于使目标子网络的网络性能最高的目标知识蒸馏参数，将目标子网络训练为目标模型。

第三方面，本公开的实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的模型训练方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的模型训练方法的步骤。

本公开的实施例提供的模型训练方法、装置和电子设备，对于从超网络中搜素的各个子网络，通过结合知识蒸馏和超参数优化的方式，确定出使子网络的网络性能最高的目标知识蒸馏参数，进一步，按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络。由此，通过结合知识蒸馏和超参数优化的方式，从超网络中搜索出目标子网络。在此过程中，可以自动化地、且准确地针对子网络确定出最佳的知识蒸馏参数(也即，目标知识蒸馏参数)。从而，基于使目标子网络的网络性能最高的目标知识蒸馏参数，能够将目标子网络训练为数据处理能力更高的目标模型。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其它特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是根据本公开的模型训练方法的一些实施例的流程图；

图2是根据本公开的模型训练方法的一些实施例的流程图；

图3是根据本公开的模型训练方法的一些实施例的流程图；

图4是根据本公开的模型训练装置的一些实施例的结构示意图；

图5是本公开的一些实施例的模型训练方法可以应用于其中的示例性系统架构；

图6是根据本公开的一些实施例提供的电子设备的基本结构的示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其它术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

请参考图1，其示出了根据本公开的模型训练方法的一些实施例的流程。如图1所示，该模型训练方法，包括以下步骤：

步骤101，针对从超网络中搜索的各个子网络，基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数。

在本实施例中，模型训练方法的执行主体(例如，图5中所示的服务器504)可以从超网络中搜索子网络。

超网络中搜索到的子网络可以共享超网络的参数。

通常，上述执行主体可以从超网络中搜索多个子网络

在本实施例中，针对搜索的各个子网络，上述执行主体可以基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数。

基准模型用于对子网络进行知识蒸馏，以实现子网络的训练。可以理解，训练完成的子网络能够与基准模型实现相同的功能。作为示例，若基准模型用于数据分类(例如，图像分类)，训练完成的子网络也可以用于数据分类。作为示例，若基准模型用于数据识别(例如，图像识别或者语音识别)，训练完成的子网络也可以用于数据识别。当然，基准模型也可以是用于实现其他功能的模型，此处不再一一列举。

在实际应用中，基准模型可以是预先训练好的模型。通常，基准模型的结构比子网络的结构更为复杂。

知识蒸馏参数是利用基准模型对子网络进行知识蒸馏的相关参数。

在一些场景中，上述执行主体可以利用超参数优化算法，执行以下步骤：基于不同的知识蒸馏参数，利用基准模型对子网络进行知识蒸馏；确定子网络在知识蒸馏后的网络性能；确定使子网络的网络性能最高的目标知识蒸馏参数。

超参数优化算法可以根据具体需求进行选择，此处不做具体限定。

子网络的网络性能可以包括数据处理准确度、数据处理速度等。

由此可见，针对从超网络中搜索的各个子网络，上述执行主体均可以确定出相应的目标知识蒸馏参数。

步骤102，按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络。

在本实施例中，上述执行主体可以按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络。

上述执行主体可以从搜索的多个子网络中，确定一个或者多个目标子网络。

步骤103，基于使目标子网络的网络性能最高的目标知识蒸馏参数，将目标子网络训练为目标模型。

在本实施例中，上述执行主体可以基于使目标子网络的网络性能最高的目标知识蒸馏参数，将目标子网络训练为目标模型。

通常，从超网络中确定出的目标子网络需要进一步训练，才能应用于数据处理。

在本实施例中，对于从超网络中搜素的各个子网络，通过结合知识蒸馏和超参数优化的方式，确定出使子网络的网络性能最高的目标知识蒸馏参数，进一步，按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络。由此，通过结合知识蒸馏和超参数优化的方式，从超网络中搜索出目标子网络。

在此过程中，可以自动化地、且准确地针对子网络确定出最佳的知识蒸馏参数(也即，目标知识蒸馏参数)。一方面，可以避免多次手动调整知识蒸馏参数，在较短时间内确定出最佳的知识蒸馏参数。另一方面，基于使目标子网络的网络性能最高的目标知识蒸馏参数，能够将目标子网络训练为数据处理能力(例如，数据处理准确度、数据处理效率等)更高的目标模型。

可见，如果电子设备利用目标模型处理数据，可以提升电子设备处理数据的准确度、效率等。

在一些实施例中，上述执行主体可以按照图2所示的流程，将目标子网络训练为目标模型。该流程包括以下步骤：

步骤201，基于使目标子网络的网络性能最高的目标知识蒸馏参数，利用基准模型对目标子网络进行知识蒸馏，以将目标子网络训练为目标模型。

由此，在基准模型的教导下，将目标子网络训练为目标模型。参见前述分析，基准模型是预先训练过的、且结构较为复杂的模型，因此，在基准模型的教导下，可以将目标子网络训练为结构简单、且数据处理准确度较高的目标模型。

在一些实施例中，上述执行主体可以按照图3所示的流程，确定使子网络的网络性能最高的目标知识蒸馏参数。该流程包括以下步骤：

步骤301，基于基准模型对该子网络的知识蒸馏参数的超参数优化，循环执行处理步骤。

上述处理步骤包括以下步骤：

步骤3011，选择对该子网络进行知识蒸馏的知识蒸馏参数。

在一些场景中，上述执行主体可以从预定数据集中，随机选择对子网络进行知识蒸馏的知识蒸馏参数。

步骤3012，基于所选择的知识蒸馏参数，利用基准模型对该子网络进行知识蒸馏，以训练该子网络。

步骤3013，确定该子网络在训练后的网络性能。

与前述内容类似，在训练子网络以后，可以确定子网络的数据处理准确度、数据处理速度等。

步骤302，将使得子网络的网络性能最高的知识蒸馏参数作为目标知识蒸馏参数。

由此，对于从超网络搜索的各个子网络，在超参数优化的过程中，基于基准模型对子网络的知识蒸馏，确定子网络的网络性能。通过基准模型对子网络的知识蒸馏，能够更加准确地评价子网络的网络性能。进一步，可以更加准确地确定使子网络的网络性能最高的目标知识蒸馏，并且可以更加准确地从超网络中搜索到目标子网络。

在一些实施例中，知识蒸馏参数包括以下至少一者：从基准模型包含的网络层中，选择的蒸馏网络层；从预定的损失函数集合中，选择的蒸馏损失函数；从预定的权重范围内，选择的蒸馏损失函数和子网络损失函数的权重。

由此，在超参数优化过程中，可以基于蒸馏网络层、蒸馏损失函数和子网络损失函数，利用基准模型教导子网络的训练，进一步评价子网络的网络性能。

在一些场景中，在从超网络中搜索出目标子网络以后，可以基于使目标子网络的网络性能最高的蒸馏网络层、蒸馏损失函数、蒸馏损失函数的权重和子网络损失函数的权重，将目标子网络训练为目标模型。

在一些实施例中，蒸馏网络层是基准模型包含的中间层或者输出层。

在实际应用中，基准模型可以包括多个中间层，还可以包括一个或者多个输出层。

由此，可以通过基准模型中包含的中间层或者输出层，教导子网络的训练。

在一些实施例中，上述步骤3011包括：从基准模型包含的网络层中，选择对该子网络进行知识蒸馏的蒸馏网络层；从预定的损失函数集合中，选择对该子网络进行知识蒸馏的蒸馏损失函数；从预定的权重范围内，分别选择蒸馏损失函数和子网络损失函数的权重。

损失函数集合中包括能够用于知识蒸馏的各种损失函数。例如，可以包括方差损失函数、交叉熵损失函数等。

子网络损失函数可以是针对子网络预先设置的损失函数。在实际应用中，可以根据超网络的结构特征，设置子网络损失函数。

在一些场景中，权重范围可以包括大于等于1且小于等于9的整数。

由此，在超参数优化的过程中，可以又针对性地选择蒸馏网络层、蒸馏损失函数、蒸馏损失函数的权重和子网络损失函数的权重。

在一些实施例中，利用基准模型对子网络进行知识蒸馏的总损失函数是子网络损失函数与蒸馏损失函数的加权值。

作为示例，子网络损失函数F1的权重是a1，蒸馏损失函数F2的权重是a2，那么，利用基准模型对子网络进行知识蒸馏的总损失函数是“F1×a1+F2×a2”。

在一些场景中，针对各个子网络，在超参数优化的过程中，上述执行主体可以将子网络损失函数和所选择蒸馏损失函数的加权值，作为利用基准模型训练子网络的总损失函数。

在一些场景中，在从超网络中搜索出目标子网络以后，上述执行主体可以将使目标子网络的网络性能最高的子网络损失函数和蒸馏损失函数的加权值，作为利用基准模型训练目标子网络的总损失函数。

进一步参考图4，作为对上述各图所示方法的实现，本公开提供了一种模型训练装置的一些实施例，该装置实施例与图1所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图4所示，本实施例的模型训练装置包括第一确定单元401、第二确定单元402和训练单元403。第一确定单元401用于：针对从超网络中搜索的各个子网络，基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数。第二确定单元402用于：按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络。训练单元403用于：基于使所述目标子网络的网络性能最高的目标知识蒸馏参数，将所述目标子网络训练为目标模型。

在本实施例中，模型训练装置的第一确定单元401、第二确定单元402和训练单元403的具体处理及其所带来的技术效果可分别参考图1对应实施例中步骤101、步骤102和步骤103的相关说明，在此不再赘述。

在一些实施例中，训练单元403进一步用于：基于使所述目标子网络的网络性能最高的目标知识蒸馏参数，利用所述基准模型对所述目标子网络进行知识蒸馏，以将所述目标子网络训练为所述目标模型。

在一些实施例中，第一确定单元401进一步用于：基于所述基准模型对该子网络的知识蒸馏参数的超参数优化，循环执行以下处理步骤：选择对该子网络进行知识蒸馏的知识蒸馏参数；基于所选择的知识蒸馏参数，利用所述基准模型对该子网络进行知识蒸馏，以训练该子网络；确定该子网络在训练后的网络性能；将使得该子网络的网络性能最高的知识蒸馏参数作为目标知识蒸馏参数。

在一些实施例中，第一确定单元401进一步用于：从所述基准模型包含的网络层中，选择对该子网络进行知识蒸馏的蒸馏网络层；从预定的损失函数集合中，选择对该子网络进行知识蒸馏的蒸馏损失函数；从预定的权重范围内，分别选择蒸馏损失函数和子网络损失函数的权重。

在一些实施例中，利用所述基准模型对子网络进行知识蒸馏的总损失函数是子网络损失函数与蒸馏损失函数的加权值。

在一些实施例中，知识蒸馏参数包括以下至少一者：从所述基准模型包含的网络层中，选择的蒸馏网络层；从预定的损失函数集合中，选择的蒸馏损失函数；从预定的权重范围内，选择的蒸馏损失函数和子网络损失函数的权重。

在一些实施例中，蒸馏网络层是所述基准模型包含的中间层或者输出层。

进一步参考图5，图5示出了本公开的一些实施例的模型训练方法可以应用于其中的示例性系统架构。

如图5所示，系统架构可以包括终端设备501、502，网络503，服务器504。网络503用以在终端设备501、502和服务器504之间提供通信链路的介质。网络503可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

服务器504可以实现各种功能。在一些场景中，服务器504可以针对从超网络中搜索的各个子网络，基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数，进一步，可以按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络，再进一步，可以基于使目标子网络的网络性能最高的目标知识蒸馏参数，将目标子网络训练为目标模型。

服务器504可以是硬件，也可以是软件。当服务器504为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器504为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

终端设备501、502可以通过网络503与服务器504交互。终端设备501、502上可以安装有各种客户端应用。例如，终端设备501、502上可以安装有图像处理类应用、音视频处理类应用等。在一些场景中，终端设备501、502可以将需要处理的数据(例如，图像、音频或者视频等)发送至服务器504。进一步，服务器504可以利用训练好的目标模型处理接收到的数据，生成数据处理结果。

终端设备501、502可以是硬件，也可以是软件。当终端设备501、502为硬件时，可以是具有显示屏并且支持信息交互的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备501、502为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。

需要说明的是，服务器504可以仅将搜索到的目标子网络训练为目标模型，而不进一步利用目标模型处理终端设备501、502发送的数据。此时，图5所示的系统架构可不包括终端设备501、502。

需要说明的是，本公开的实施例所提供的模型训练方法可以由服务器504执行，相应地，模型训练装置可以设置在服务器504中。

应该理解，图5中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备(例如，图5中的服务器)的结构示意图。本公开的一些实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端，以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备与其它设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开实施例的方法中限定的上述功能。

需要说明的是，本公开的一些实施例所述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的，也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：针对从超网络中搜索的各个子网络，基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数；按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络；基于使目标子网络的网络性能最高的目标知识蒸馏参数，将目标子网络训练为目标模型。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第二确定单元还可以被描述为“按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络”的单元。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中所公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种模型训练方法，其特征在于，包括：

针对从超网络中搜索的各个子网络，基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数；

按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络；

基于使所述目标子网络的网络性能最高的目标知识蒸馏参数，将所述目标子网络训练为目标模型。

2.根据权利要求1所述的方法，其特征在于，所述基于使所述目标子网络的网络性能最高的目标知识蒸馏参数，将所述目标子网络训练为目标模型，包括：

基于使所述目标子网络的网络性能最高的目标知识蒸馏参数，利用所述基准模型对所述目标子网络进行知识蒸馏，以将所述目标子网络训练为所述目标模型。

3.根据权利要求1所述的方法，其特征在于，所述基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数，包括：

基于所述基准模型对该子网络的知识蒸馏参数的超参数优化，循环执行以下处理步骤：选择对该子网络进行知识蒸馏的知识蒸馏参数；基于所选择的知识蒸馏参数，利用所述基准模型对该子网络进行知识蒸馏，以训练该子网络；确定该子网络在训练后的网络性能；

将使得该子网络的网络性能最高的知识蒸馏参数作为目标知识蒸馏参数。

4.根据权利要求3所述的方法，其特征在于，所述选择对该子网络进行知识蒸馏的知识蒸馏参数，包括：

从所述基准模型包含的网络层中，选择对该子网络进行知识蒸馏的蒸馏网络层；

从预定的损失函数集合中，选择对该子网络进行知识蒸馏的蒸馏损失函数；

从预定的权重范围内，分别选择蒸馏损失函数和子网络损失函数的权重。

5.根据权利要求4所述的方法，其特征在于，利用所述基准模型对子网络进行知识蒸馏的总损失函数是子网络损失函数与蒸馏损失函数的加权值。

6.根据权利要求1-5中任一所述的方法，其特征在于，知识蒸馏参数包括以下至少一者：

从所述基准模型包含的网络层中，选择的蒸馏网络层；

从预定的损失函数集合中，选择的蒸馏损失函数；

从预定的权重范围内，选择的蒸馏损失函数和子网络损失函数的权重。

7.根据权利要求6所述的方法，其特征在于，蒸馏网络层是所述基准模型包含的中间层或者输出层。

8.一种模型训练装置，其特征在于，包括：

第一确定单元，用于针对从超网络中搜索的各个子网络，基于基准模型对该子网络的知识蒸馏参数的超参数优化，确定使该子网络的网络性能最高的目标知识蒸馏参数；

第二确定单元，用于按照网络性能由高至低的顺序，从搜索的多个子网络中确定目标子网络；

训练单元，用于基于使所述目标子网络的网络性能最高的目标知识蒸馏参数，将所述目标子网络训练为目标模型。

9.一种电子设备，其特征在于，包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

10.一种计算机可读介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images