CN113610228B - 神经网络模型的构建方法及装置 - Google Patents
神经网络模型的构建方法及装置 Download PDFInfo
- Publication number
- CN113610228B CN113610228B CN202110905642.6A CN202110905642A CN113610228B CN 113610228 B CN113610228 B CN 113610228B CN 202110905642 A CN202110905642 A CN 202110905642A CN 113610228 B CN113610228 B CN 113610228B
- Authority
- CN
- China
- Prior art keywords
- neural network
- verification
- sample
- training
- value
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003062 neural network model Methods 0.000 title description 34
- 238000012549 training Methods 0.000 claims abstract description 230
- 238000012795 verification Methods 0.000 claims abstract description 225
- 238000013528 artificial neural network Methods 0.000 claims abstract description 202
- 238000010200 validation analysis Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 10
- 238000013468 resource allocation Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013529 biological neural network Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
Abstract
本公开实施例公开了神经网络的构建方法、装置和电子设备。该方法包括：将验证样本输入到经过预训练的候选神经网络，得到验证值；基于验证值确定候选神经网络是否满足预设条件；若确定结果为否，基于验证样本，生成新的训练样本对，得到更新后训练数据集，训练数据集包括多个训练样本对；利用更新后训练数据集重新对候选神经网络进行训练，以得到满足预设条件的神经网络。实现了通过根据验证不通过的验证样本自动更新训练样本集，对神经网络重新进行训练，以得到可以验证通过的神经网络。
Description
技术领域
本公开涉及人工智能技术领域，尤其涉及一种神经网络模型的构建方法、装置和电子设备。
背景技术
随着人工智能技术的发展，神经网络(Neural Networks，NN)得到了比较广泛的应用。在机器学习和认知科学领域，神经网络是一种模仿生物神经网络(动物的中枢神经系統，特别是大脑)的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。
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。
本公开实施例提供了一种神经网络模型的构建方法、装置和电子设备。
第一方面，本公开实施例提供了一种神经网络模型的构建方法，包括：从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值；基于所述验证值确定所述候选神经网络是否满足预设条件；若确定结果为否，基于所述验证值与验证样本，生成新的训练样本对的，将所述新的训练样本对添加到训练数据集，得到更新后训练数据集，训练数据集包括多个训练样本对，训练样本对包括训练样本和训练样本对应的真实值；利用所述更新后训练数据集重新对所述候选神经网络进行训练，以得到满足所述预设条件的神经网络。
第二方面，本公开实施例提供了一种神经网络模型的构建装置，包括：输入单元，用于从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值；确定单元，用于基于所述验证值确定所述候选神经网络是否满足预设条件；训练数据生成单元，用于若确定结果为否，基于所述验证值与验证样本，生成新的训练样本对的，将所述新的训练样本对添加到训练数据集，得到更新后训练数据集，训练数据集包括多个训练样本对，训练样本对包括训练样本和训练样本对应的真实值；训练单元，用于利用所述更新后训练数据集重新对所述候选神经网络进行训练，以得到满足所述预设条件的神经网络。
第三方面，本公开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神经网络模型的构建方法。
第四方面，本公开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神经网络模型的构建方法。
本公开实施例提供的神经网络模型的构建方法、装置和电子设备，通过从预设验证数据集获取中取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值；基于所述验证值确定所述候选神经网络是否满足预设条件；若确定结果为否，基于所述验证值与验证样本，生成新的训练样本对的，将所述新的训练样本对添加到训练数据集，得到更新后训练数据集，训练数据集包括多个训练样本对，训练样本对包括训练样本和训练样本对应的真实值；利用所述更新后训练数据集重新对所述候选神经网络进行训练，以得到满足所述预设条件的神经网络，实现了通过根据验证不通过的验证样本自动更新训练样本集，对神经网络重新进行训练，以得到可以验证通过的神经网络。
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他特征、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是根据本公开的神经网络模型的构建方法的一个实施例的流程图；
图2是根据本公开的神经网络模型的构建方法的另一个实施例的流程图；
图3是图2所示实施例涉及的神经网络一种结构示意图。
图4提供了其示出了验证数据以及验证过程示意图；
图5是根据本公开的神经网络模型的构建装置的一个实施例的流程图；
图6是本公开的一个实施例的神经网络模型的构建方法、神经网络模型的构建装置可以应用于其中的示例性系统架构；
图7是根据本公开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”。其他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神经网络模型的构建方法的一个实施例的流程。如图1所示，神经网络模型的构建方法，包括以下步骤：
步骤101，从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值。
在对完成预设功能的神经网络构建时，需要对神经网络进行训练、验证和测试等。
为了构建上述神经网络，可以准备多个样本，组成样本数据集。样本数据集中的一部分样本用于对初始神经网络进行训练，一部分样本用户对经过训练后的候选神经网络进行验证。如果验证不通过，则继续对神经网络进行训练。
验证数据集中可以包括多个验证样本。每个验证样本可以预先对应一个真实值。上述验证样本可以是事先确定的。上述验证样本可以是在候选神经网络的训练样本集中未出现的。
可以从预设验证数据集中逐个取出验证样本对候选神经网络进行验证。验证数据集中的验证样本的数量可以根据具体的应用场景进行设置，此处不进行限制。
上述候选神经网络是经过训练数据集进行过预训练的神经网络。上述神经网络可以是各种神经网络，可以是人工神经网络，卷积神经网络、循环神经网络等。
上述候选神经网络经过训练数据的训练之后，可以初步设置神经网络中的超参数。这里的超参数包括神经网络的层数、每一个隐藏层中神经元的个数、神经网络隐藏层的权重参数等。
对候选神经网络进行验证时，若验证不通过，则需要通过重新训练神经网络对上述超参数进行调整。
在一些应用场景中，训练后的神经网络可以用于图像识别，上述验证样本可以包括待识别对象的图像。上述验证样本的真实值为用于指示待识别对象的标识。上述标识可以包括数字、符号等。
在另外一些应用场景中，训练后的神经网络用于数据索引，上述验证样本可以为用于对数据进行索引的键值。验证样本的真实值为索引对应的数据的存储位置。
上述候选神经网络可以是经过如下步骤训练得到：
首先，获取训练样本集，所述训练样本集包括多个训练样本对，所述训练样本对包括训练样本以及所述训练样本对应的真实值。
这里的训练样集中的训练样本对的数量可以为数千个、数万个等。若神经网络是用于图像识别的神经网络，上述训练样本集中的训练样可以包括待识别对象的图像。上述待识别对象的数量可以包括多个。可选地，上述待识别对象可以为不同的人。
其次，将训练样本作为输入，将真实值作为输出对初始神经网络进行训练，直至满足预设条件，得到所述候选神经网络。
可选地，这里的预设条件可以是训练次数达到预设次数阈值。
可选地，这里的预设条件可以是预设损失函数的取值最小。
步骤102，基于所述验证值确定所述候选神经网络是否满足预设条件。
在一些可选的实现方式中，上述预设条件可以为验证值与验证样本对应的真实值之间的差异小于等于预设阈值。
在图像识别应用场景中，上述验证值可以为候选神经网络将验证样本映射目标对象的概率值。若验证样本为目标对象的图像，则验证样本的真实值为1。可以计算上述概率值与1之间的差异是否小于等于预设阈值。若小于等于预设阈值，则确定神经网络满足预设条件，否则确定神经网络不满足预设条件。进一步地，若验证样本的数量为多个，作为一种实现方式，各个验证样本分别对应的验证值与真实值之间的差异均小于等于预设阈值，可以确定上述神经网络验证预设条件。
作为示意性说明，若神经网络应用于图像识别。验证样本为目标对象A的图像A1、A3、A4、A5。在对候选神经网络进行验证时，可以将上述A1、A3、A4、A5依次输入到候选神经网络。可以依次得到候选神经网络的5个验证值：VA1、VA2、VA3、VA4、VA5。上述5个验证值分别为将上述图像A1、A3、A4、A5映射为目标对象A的概率值。上述验证样本为目标对象A的图像，因此验证对应于目标对象A的真实值为1。可以依次计算上述验证值VA1、VA2、VA3、VA4、VA5与1之间的差异，若各验证值分别与1之间的差异小于等于预设阈值，则神经网络满足预设条件。若存在至少一个验证值大于预设阈值，可以确定神经网络不满足预设条件。
作为另一种实现方式，各个验证样本分别对应的验证值与真实值之间的差异的均值小于等于预设阈值，
仍以上述示例进行说明，若上述验证样本A1、A3、A4、A5对应的验证值与真实值“1”之间的差异分别为qA1、qA2、qA3、qA4、qA5，若qA1、qA2、qA3、qA4、qA5的均值小于等于阈值，可以确定神经网络满足预设条件，否则，可以确定神经网络不满足预设条件。
进一步可选地，上述预设条件可以为对掺杂了噪声的验证样本所得到的验证值与验证样本对应的真实值之间的差异小于等于预设阈值。
在这些可选的实现方式中，可以对验证样本添加噪声，将添加了噪声的验证样本输入到候选神经网络。若候选神经网络对添加了噪声的验证样本输出的验证值与验证样本的真实值之间的差异小于预设阈值，可以确定神经网络满足预设条件，否则，确定神经网络不满足预设条件。
上述添加了噪声的验证样本可以为对验证样本添加干扰因素。以验证样本为图像为例，添加了噪声的验证样本可以为在将图像中的目标对象的图像进行翻转、平移、锐化、添加不同颜色等处理后形成的验证样本。
步骤103，若确定结果为否，基于所述验证值与验证样本，生成新的训练样本对的，将所述新的训练样本对添加到训练数据集，得到更新后训练数据集，训练数据集包括多个训练样本对，训练样本对包括训练样本和训练样本对应的真实值。
若步骤102的确定结果为否，也即，候选神经网络不满足预设条件，可以对候选神经网络重新进行训练。在对候选神经网络进行重新训练时，可以更新训练样本数据。
上述基于验证值与验证样本，生成新训练样本可以包括：将验证值不满所述预设规范的验证样本，作为新增训练样本，将所述验证样本对应的真实值作为新增训练样本的标签，生成新的训练样本对。
进一步地，上述基于所述预测值与验证样本，生成新训练样本，还包括：对所述验证样本添加预设噪声，将添加了预设噪声的验证样本作为新增训练样本，将验证样本对应的真实值作为新增训练样本的标签，生成新增训练样本对。
上述噪声可以包括在验证样本中添加的干扰因素。以验证样本为目标对象的图像为例，上述噪声可以为将目标对象的图像进行平移、旋转等几何变换，或者添加或降低图像的明暗度等。
步骤104，利用所述更新后训练数据集重新对所述候选神经网络进行训练，以得到满足所述预设条件的神经网络。
再次对候选神经网络进行训练时，神经网络内部可以自动调整超参数。
通过更新后的训练数据集对候选神经网络进行训练，使得经过再次训练后的神经网络可以正确识别添加到训练数据中的上述目标验证样本。
在一些应用场景中，可以经过多次验证、再训练的过程确定满足预设条件的神经网络。
本实施例提供的神经网络的构建方法，通过从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值；基于所述验证值确定所述候选神经网络是否满足预设条件；若确定结果为否，基于所述验证值与验证样本，生成新的训练样本对的，将所述新的训练样本对添加到训练数据集，得到更新后训练数据集，训练数据集包括多个训练样本对，训练样本对包括训练样本和训练样本对应的真实值；利用所述更新后训练数据集重新对所述候选神经网络进行训练，以得到满足所述预设条件的神经网络，实现了通过根据验证不通过的验证样本自动更新训练样本集，对神经网络重新进行训练，以得到可以验证通过的神经网络。
请参考图2，其示出了根据本公开的神经网络的构建方法的另一个实施例的流程图。如图2所示，该方法包括如下步骤：
步骤201，获取训练样本集，所述训练样本集包括多个训练样本对，所述训练样本对包括训练样本以及所述训练样本对应的真实值。
神经网络已经广泛应用于多种行业，但是在关键系统(例如操作系统、数据库、网络系统)中还未被广泛应用。在这些环境中的应用神经网络的一个难点是如何确保神经网络的行为是明确定义并且可控的。
神经网络验证技术可以用来验证神经网络是否满足给定的规范(specification)。
在本实施例中，上述规范可以是一种描述神经网络输入输出关系的表达式。神经网络的规范跟神经网络的具体功能是紧密相关的。
目前验证技术主要用于测试，并不涉及如何构建一个满足规范的神经网络。
上述预设规范可以包括预设条件，例如：索引函数，以及索引值(索引值对应的索引存储位置)与真实值(真实存储位置)的偏差小于预设阈值。
上述索引函数可以为哈希索引函数等。
上述训练样本集可以是用户提供的。训练样本集可以包括多个训练样本对。训练样本对包括用于对待索引数据进行索引的索引值，以及待索引数据的真实获取位置(真实值)；所述验证样本包括对数据进行索引的索引值。
步骤202，将训练样本作为输入，将真实值作为输出对初始神经网络进行训练，直至满足预设条件，得到所述候选神经网络。
上述预设条件包括训练次数大于等于预设次数阈值。
或者上述预设条件包括预设损失函数值小于等于预设阈值。
步骤203，从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值，所述候选神经网络用于数据索引。
从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值；其中神经网络用于数据索引。
本实施例的神经网络用于数据索引。
上述数据索引可以包括以下之一：数据库存储数据索引、操作系统资源索引、网络数据中心资源分配索引。
在一些应用场景中，上述神经网络用于数据库数据索引，上述索引值为数据库对应的键值对中的键。通常，在数据库中存储数据，可以有该数据唯一的存储位置。可以生成用于指示该位置对应的索引值(键)。会形成用于索引的键值对。
在另外一些应用场景中，上述神经网络用于操作系统任务索引。可以利用神经网络来实现任务调度算法。上述预设规范可以包括任务调度函数。每一个任务可以对应一个标识。通过神经网络可以实现为操作系统任务进行任务调度。训练样本对和验证样本对可以包括任务标识以及任务标识对应的真实的处理单元(例如计算单元、存储单元等)的标识。
上述索引值可以为任务的标识。
在一些应用场景中，上述神经网络用于网络数据中心资源分配索引。网络数据中心资源分配索引中，预设规范可以包括预设资源分配函数。
步骤204，基于所述验证值确定所述候选神经网络是否满足预设条件。
这里的预设条件可以为上述预设规范。
以上述神经网络应用于数据库索引为例进行说明。
在一些应用场景中，所述神经网络为多层级神经网络(下面称多层级索引网络)。多层级神经网络模型中的每一层神经网络可以包括至少一个神经网网络模型。
在这些应用场景中，上述步骤203包括：将所述验证样本输入到经过预训练的多层级神经网络，获取多层级神经网络中的中间层级神经网络输出的中间验证值，以及所述神经网络输出的验证值。进而上述步骤204包括：基于所述中间验证值和所述验证值确定多所述候选神经网络是否满足预设条件。
应用于数据索引的多层级神经网络，上述预设规范除了包括神经网络的输入、输出满足预设索引函数、验证值与真实值的差值小于预设数值之外，可以包括中间验证值与中间真实值之间的差值小于预设中间数值。
下面以两层树状结构的神经网络为例进行说明。请参考图3，图3示出了图1和图2所示实施例涉及的神经网络一种结构示意图。图3为两层树状结构的神经网络的结构示意图。如图3所示，两层树状结构的神经网络的每一个节点都可以是一个神经网络。
多层级索引网络包括第一层的神经网络模型301和第二层的神经网络模型302。第一层的神经网络模型301包括模型1.1等，第二层的神经网络模型302包括模型2.1、模型2.2、模型2.3等。
多层级索引网络的输入为一个数据库的Key(索引值)，输出为该Key对应的数据在存储空间中的位置。
先将Key通过第一层的神经网络模型模型1.1；第一层模型301模型1.1输出可以为第二层神经网络模型302的一个神经网络模型(如图3所示的模型2.1)；然后Key会作为第二层神经网络模型选中的model的一个输入；最终输出为该Key对应数据所在存储空间的位置。
多层级索引网络预测出的存储空间的位置和真实存储空间中的位置之间的差异可以小于预设数值。这里的预设数值例如可以为10、50、100等。上述预设数值可以根据应用的场景进行设置，此次不进行限制。
请参考图4，其示出了验证数据以及验证过程示意图。
图4的验证数据部分是真实的数据库中Key和对应的存储空间的位置(真实值)，可以有如下规范定义：
针对第一层神经网络模型(模型1.1)，可以要求输出结果和真正的第二层神经网络模型model之间差1个位置之内。例如Key＝8，应该选择模型2.1。可以要求输出结果也即中间验证值与中间真实值之间的差值最大可以为1，即最多可以选择Model2.2；若验证值大于1，例如验证值指向Model2.3，就验证失败，确定神经网络不满足预设条件)
针对第二层模型(模型2.1)，可以要求验证值(神经网络最终输出的结果)和真正的Key对应的位置之间的差异小于预设数值。例如，Key＝8，模型2.1应该返回Position＝1(见图4中Key＝8对应的位置)，所以如果最终结果是Position＝3(那么误差是2)处于可接受范围；如果结果是Position＝102，那么误差为101，则验证失败(假设误差要在100位置之内)。
步骤205，若确定结果为否，基于所述验证值与验证样本，生成新的训练样本对，将所述新的训练样本对添加到训练数据集，得到更新后训练数据集，训练数据集包括多个训练样本对，训练样本对包括训练样本和训练样本对应的真实值。
在本实施例中，仍以图4中的验证数据为例进行说明，若Key＝8，由神经网络输出的验证值为Position＝10，则确定神经网络不满足预设条件。可以生成新的训练样本对：Key＝8，Position＝1，将新生成的训练样本对加入到原训练数据集中，得到更新后训练数据集。再使用更新后训练数据集对候选神经网络重新进行训练。
步骤206，利用所述更新后训练数据集重新对所述候选神经网络进行训练，以得到满足所述预设条件的神经网络。
与图1所示实施例相比，本实施例突出了神经网络用于数据索引时对神经网络进行验证的方案，有利于扩展神经网络的应用范围。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了神经网络模型的构建装置的一些实施例，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5所示，本实施例的神经网络模型的构建装置包括：输入单元501、确定单元502、训练数据生成单元503以及训练单元504。其中，输入单元501，用于从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值；确定单元502，用于基于所述验证值确定所述候选神经网络是否满足预设条件；训练数据生成单元503，用于若确定结果为否，基于所述验证值与验证样本，生成新的训练样本对的，将所述新的训练样本对添加到训练数据集，得到更新后训练数据集，训练数据集包括多个训练样本对，训练样本对包括训练样本和训练样本对应的真实值；训练单元504，用于利用所述更新后训练数据集重新对所述候选神经网络进行训练，以得到满足所述预设条件的神经网络。
在一些可选的实现方式中，神经网络的构建装置还包括训练单元(图中未示出)。训练单元用于：获取训练样本集，所述训练样本集包括多个训练样本对，所述训练样本对包括训练样本以及所述训练样本对应的真实值；将训练样本作为输入，将真实值作为输出对初始神经网络进行训练，直至满足预设条件，得到所述候选神经网络。
在一些可选的实现方式中，所述预设条件，包括：验证值与验证样本对应的真实值之间的差异小于等于预设阈值。
在一些可选的实现方式中，所述预设条件包括：神经网络的输入和输出满足预设关系。
在一些可选的实现方式中，神经网络的构建装置还包括再训练单元(图中未示出)，再训练单元进一步用于：所述基于所述验证值与验证样本，生成新训练样本，包括：将验证值不满所述预设规范的验证样本，作为新增训练样本，将所述验证样本对应的真实值作为新增训练样本的标签，生成新的训练样本对。
在一些可选的实现方式中，再训练单元进一步用于：对所述验证样本添加预设噪声，将添加了预设噪声的验证样本作为新增训练样本，将验证样本对应的真实值作为新增训练样本的标签，生成新增训练样本对。
在一些可选的实现方式中，所述神经网络用于数据索引，以及所述训练样本对包括用于对待索引数据进行索引的索引值，以及待索引数据的真实获取位置；所述验证样本包括对数据进行索引的索引值。
在一些可选的实现方式中，所述数据索引包括以下之一：数据库存储数据索引、操作系统任务索引、网络数据中心资源分配索引。
在一些可选的实现方式中，所述神经网络为多层级神经网络。
在一些可选的实现方式中，所述预设条件包括：所述验证值对应的存储位置与验证样本对应的真实存储位置之间的差异小于预设数值。
在一些可选的实现方式中，所述输入单元501进一步用于将所述验证样本输入到经过预训练的多层级神经网络，获取多层级神经网络中的中间层级神经网络输出的中间验证值，以及所述神经网络输出的验证值；以及确定单元502进一步用于：基于所述中间验证值和所述验证值确定多所述候选神经网络是否满足预设条件。
请参考图6，图6示出了本公开的一个实施例的神经网络的构建方法，或神经网络构建装置可以应用于其中的示例性系统架构。
如图6所示，系统架构可以包括终端设备601、602、603，网络604，服务器605。网络604用以在终端设备601、602、603和服务器605之间提供通信链路的介质。网络604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。
终端设备601、602、603可以通过网络604与服务器605交互，以接收或发送消息等。终端设备601、602、603上可以安装有各种客户端应用，例如网页浏览器应用、搜索类应用、新闻资讯类应用。终端设备601、602、603中的客户端应用可以接收用户的指令，并根据用户的指令完成相应的功能，例如根据用户指令将样本数据发送给服务器605。
终端设备601、602、603可以是硬件，也可以是软件。当终端设备601、602、603为硬件时，可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III，动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV，动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备601、602、603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(例如用来提供分布式服务的软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器605可以是提供各种服务的服务器，例如对由终端设备601、602、603发送的样本数据构建神经网络，将构建成功的神经网络发送给终端设备601、602、603。
需要说明的是，本公开实施例所提供的神经网络模型的构建方法可以由服务器604执行，相应地，神经网络模型的构建装置可以设置在服务器604中。另外神经网络模型的构建方法可以也可以由终端设备601、602、603执行，相应地，神经网络模型的构建装置可以设置在终端设备601、602、603中
应该理解，图6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7，其示出了适于用来实现本公开实施例的电子设备(例如图6中的服务器或终端设备)的结构示意图。本公开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7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。
如图7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)701，其可以根据存储在只读存储器(ROM)702中的程序或者从存储装置708加载到随机访问存储器(RAM)703中的程序而执行各种适当的动作和处理。在RAM 703中，还存储有电子设备700操作所需的各种程序和数据。处理装置701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
通常，以下装置可以连接至I/O接口705：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706；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置707；包括例如磁带、硬盘等的存储装置708；以及通信装置709。通信装置709可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图7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。
特别地，根据本公开的实施例，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709从网络上被下载和安装，或者从存储装置708被安装，或者从ROM 702被安装。在该计算机程序被处理装置701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，本公开上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，使得该电子设备执行如下操作：从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值；基于所述验证值确定所述候选神经网络是否满足预设条件；若确定结果为否，基于所述验证值与验证样本，生成新的训练样本对，将所述新的训练样本对添加到训练数据集，得到更新后训练数据集，训练数据集包括多个训练样本对，训练样本对包括训练样本和训练样本对应的真实值；利用所述更新后训练数据集重新对所述候选神经网络进行训练，以得到满足所述预设条件的神经网络。
在一些可选的实现方式中，在所述从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值之前，上述电子设备还执行如下操作：获取训练样本集，所述训练样本集包括多个训练样本对，所述训练样本对包括训练样本以及所述训练样本对应的真实值；将训练样本作为输入，将真实值作为输出对初始神经网络进行训练，直至满足预设条件，得到所述候选神经网络。
在一些可选的实现方式中，所述预设条件，包括：
验证值与验证样本对应的真实值之间的差异小于等于预设阈值。
在一些可选的实现方式中，所述预设条件包括：神经网络的输入和输出满足预设关系。
在一些可选的实现方式中，所述基于所述验证值与验证样本，生成新训练样本，包括：将验证值不满所述预设规范的验证样本，作为新增训练样本，将所述验证样本对应的真实值作为新增训练样本的标签，生成新的训练样本对。
在一些可选的实现方式中，所述基于所述预测值与验证样本，生成新训练样本，还包括：对所述验证样本添加预设噪声，将添加了预设噪声的验证样本作为新增训练样本，将验证样本对应的真实值作为新增训练样本的标签，生成新增训练样本对。
在一些可选的实现方式中，所述神经网络用于数据索引，以及所述训练样本对包括用于对待索引数据进行索引的索引值，以及待索引数据的真实获取位置；所述验证样本包括对数据进行索引的索引值。
在一些可选的实现方式中，所述数据索引包括以下之一：数据库存储数据索引、操作系统任务索引、网络数据中心资源分配索引。
在一些可选的实现方式中，其中，所述神经网络为多层级神经网络。
在一些可选的实现方式中，所述预设条件包括：所述验证值对应的存储位置与验证样本对应的真实存储位置之间的差异小于预设数值。
在一些可选的实现方式中，所述从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值，包括：将所述验证样本输入到经过预训练的多层级神经网络，获取多层级神经网络中的中间层级神经网络输出的中间验证值，以及所述神经网络输出的验证值；以及所述基于所述验证值确定所述候选神经网络是否满足预设条件，包括：基于所述中间验证值和所述验证值确定多所述候选神经网络是否满足预设条件。
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。
描述于本公开实施例中所涉及到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，单元的名称在某种情况下并不构成对该单元本身的限定。
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 (13)
1.一种神经网络的构建方法，包括：
从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值；其中，验证样本包括图像；候选神经网络包括多层级神经网络；
基于所述验证值确定所述候选神经网络是否满足预设条件；
若确定结果为否，基于所述验证值与验证样本，生成新的训练样本对，将所述新的训练样本对添加到训练数据集，得到更新后训练数据集，训练数据集包括多个训练样本对，训练样本对包括训练样本和训练样本对应的真实值；
利用所述更新后训练数据集重新对所述候选神经网络进行训练，以得到满足所述预设条件的神经网络；
其中，所述神经网络用于数据索引，以及
所述训练样本对包括用于对待索引数据进行索引的索引值，以及待索引数据的真实获取位置；
所述验证样本包括对数据进行索引的索引值。
2.根据权利要求1所述的方法，其中，在所述从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值之前，所述方法还包括：
获取训练样本集，所述训练样本集包括多个训练样本对，所述训练样本对包括训练样本以及所述训练样本对应的真实值；
将训练样本作为输入，将真实值作为输出对初始神经网络进行训练，直至满足预设条件，得到所述候选神经网络。
3.根据权利要求1所述的方法，其中，所述预设条件，包括：
验证值与验证样本对应的真实值之间的差异小于等于预设阈值。
4.根据权利要求1所述的方法，其中，所述预设条件包括：神经网络的输入和输出满足预设关系。
5.根据权利要求1所述的方法，其中，所述基于所述验证值与验证样本，生成新训练样本，包括：
将验证值不满所述预设规范的验证样本，作为新增训练样本， 将所述验证样本对应的真实值作为新增训练样本的标签，生成新的训练样本对。
6.根据权利要求5所述的方法，其中，所述基于所述验证值与验证样本，生成新训练样本，还包括：
对所述验证样本添加预设噪声，将添加了预设噪声的验证样本作为新增训练样本，将验证样本对应的真实值作为新增训练样本的标签，生成新增训练样本对。
7.根据权利要求1所述的方法，其中，所述数据索引包括以下之一：数据库存储数据索引、操作系统任务索引、网络数据中心资源分配索引。
8.根据权利要求1所述的方法，其中，所述神经网络为多层级神经网络。
9.根据权利要求1所述的方法，其中，所述预设条件包括：
所述验证值对应的存储位置与验证样本对应的真实存储位置之间的差异小于预设数值。
10.根据权利要求8所述的方法，其中，所述从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值，包括：
将所述验证样本输入到经过预训练的多层级神经网络，获取多层级神经网络中的中间层级神经网络输出的中间验证值，以及所述神经网络输出的验证值；以及
所述基于所述验证值确定所述候选神经网络是否满足预设条件，包括：
基于所述中间验证值和所述验证值确定多所述候选神经网络是否满足预设条件。
11.一种神经网络的构建装置，包括：
输入单元，用于从预设验证数据集中获取验证样本，将所述验证样本输入到经过预训练的候选神经网络，得到验证值；其中，验证样本包括图像；候选神经网络包括多层级神经网络；
确定单元，用于基于所述验证值确定所述候选神经网络是否满足预设条件；
训练数据生成单元，用于若确定结果为否，基于所述验证值与验证样本，生成新的训练样本对的，将所述新的训练样本对添加到训练数据集，得到更新后训练数据集，训练数据集包括多个训练样本对，训练样本对包括训练样本和训练样本对应的真实值；
训练单元，用于利用所述更新后训练数据集重新对所述候选神经网络进行训练，以得到满足所述预设条件的神经网络；
其中，所述神经网络用于数据索引，以及
所述训练样本对包括用于对待索引数据进行索引的索引值，以及待索引数据的真实获取位置；
所述验证样本包括对数据进行索引的索引值。
12.一种电子设备，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1-10中任一所述的方法。
13.一种计算机可读介质，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1-10中任一所述的方法。
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110905642.6A CN113610228B (zh) | 2021-08-06 | 2021-08-06 | 神经网络模型的构建方法及装置 |
| PCT/SG2022/050553 WO2023014298A2 (zh) | 2021-08-06 | 2022-08-02 | 神经网络模型的构建方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110905642.6A CN113610228B (zh) | 2021-08-06 | 2021-08-06 | 神经网络模型的构建方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113610228A CN113610228A (zh) | 2021-11-05 |
| CN113610228B true CN113610228B (zh) | 2024-03-05 |
Family
ID=78339861
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110905642.6A Active CN113610228B (zh) | 2021-08-06 | 2021-08-06 | 神经网络模型的构建方法及装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN113610228B (zh) |
| WO (1) | WO2023014298A2 (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116933874A (zh) * | 2022-04-02 | 2023-10-24 | 维沃移动通信有限公司 | 验证方法、装置及设备 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840588A (zh) * | 2019-01-04 | 2019-06-04 | 平安科技（深圳）有限公司 | 神经网络模型训练方法、装置、计算机设备及存储介质 |
| CN110245721A (zh) * | 2019-06-25 | 2019-09-17 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
| 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 |
| CN111797976A (zh) * | 2020-06-30 | 2020-10-20 | 北京灵汐科技有限公司 | 神经网络的训练方法、图像识别方法、装置、设备及介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11081232B2 (en) * | 2018-05-23 | 2021-08-03 | Roche Diabetes Care, Inc. | Medical device data management configuration systems and methods of use |
| US20200202210A1 (en) * | 2018-12-24 | 2020-06-25 | Nokia Solutions And Networks Oy | Systems and methods for training a neural network |
| CN111161740A (zh) * | 2019-12-31 | 2020-05-15 | 中国建设银行股份有限公司 | 意图识别模型训练方法、意图识别方法以及相关装置 |
| CN112504808A (zh) * | 2020-11-02 | 2021-03-16 | 北京空天技术研究所 | 基于机器学习算法的飞行器热防护系统损伤诊断方法 |
-
2021
- 2021-08-06 CN CN202110905642.6A patent/CN113610228B/zh active Active
-
2022
- 2022-08-02 WO PCT/SG2022/050553 patent/WO2023014298A2/zh unknown
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840588A (zh) * | 2019-01-04 | 2019-06-04 | 平安科技（深圳）有限公司 | 神经网络模型训练方法、装置、计算机设备及存储介质 |
| CN110245721A (zh) * | 2019-06-25 | 2019-09-17 | 深圳市腾讯计算机系统有限公司 | 神经网络模型的训练方法、装置和电子设备 |
| 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 |
| CN111797976A (zh) * | 2020-06-30 | 2020-10-20 | 北京灵汐科技有限公司 | 神经网络的训练方法、图像识别方法、装置、设备及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023014298A3 (zh) | 2023-04-13 |
| WO2023014298A2 (zh) | 2023-02-09 |
| CN113610228A (zh) | 2021-11-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108520220B (zh) | 模型生成方法和装置 | |
| CN109800732B (zh) | 用于生成漫画头像生成模型的方法和装置 | |
| CN113505206B (zh) | 基于自然语言推理的信息处理方法、装置和电子设备 | |
| CN113449070A (zh) | 多模态数据检索方法、装置、介质及电子设备 | |
| CN116310582A (zh) | 分类模型训练方法、图像分类方法、装置、介质及设备 | |
| CN116166271A (zh) | 代码生成方法、装置、存储介质及电子设备 | |
| CN113591490B (zh) | 信息处理方法、装置和电子设备 | |
| CN113610228B (zh) | 神经网络模型的构建方法及装置 | |
| CN112241761B (zh) | 模型训练方法、装置和电子设备 | |
| CN111915689B (zh) | 用于生成目标函数的方法、装置、电子设备和计算机可读介质 | |
| CN111967584A (zh) | 生成对抗样本的方法、装置、电子设备及计算机存储介质 | |
| CN116957006A (zh) | 预测模型的训练方法、装置、设备、介质及程序产品 | |
| CN111310794B (zh) | 目标对象的分类方法、装置和电子设备 | |
| CN112149426B (zh) | 阅读任务处理方法及相关设备 | |
| CN111582456B (zh) | 用于生成网络模型信息的方法、装置、设备和介质 | |
| CN111680754B (zh) | 图像分类方法、装置、电子设备及计算机可读存储介质 | |
| CN111581455B (zh) | 文本生成模型的生成方法、装置和电子设备 | |
| CN111523639A (zh) | 用于训练超网络的方法和装置 | |
| CN117636100B (zh) | 预训练任务模型调整处理方法、装置、电子设备和介质 | |
| CN111814807B (zh) | 用于处理图像的方法、装置、电子设备和计算机可读介质 | |
| CN113283115B (zh) | 图像模型生成方法、装置和电子设备 | |
| CN115952830B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| CN111526054B (zh) | 用于获取网络的方法及装置 | |
| CN116843991A (zh) | 模型训练方法、信息生成方法、装置、设备和介质 | |
| CN115470352A (zh) | 一种文章质量确定方法、装置、设备及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |