CN114037057A - 预训练模型的生成方法、装置、电子设备以及存储介质 - Google Patents

预训练模型的生成方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN114037057A
CN114037057A CN202111310390.9A CN202111310390A CN114037057A CN 114037057 A CN114037057 A CN 114037057A CN 202111310390 A CN202111310390 A CN 202111310390A CN 114037057 A CN114037057 A CN 114037057A
Authority
CN
China
Prior art keywords
model structure
chip
evaluation
model
speed
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
Application number
CN202111310390.9A
Other languages
English (en)
Other versions
CN114037057B (zh
Inventor
希滕
张刚
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 CN202111310390.9A priority Critical patent/CN114037057B/zh
Publication of CN114037057A publication Critical patent/CN114037057A/zh
Priority to EP22205528.7A priority patent/EP4109353A3/en
Priority to US17/980,970 priority patent/US20230049458A1/en
Application granted granted Critical
Publication of CN114037057B publication Critical patent/CN114037057B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06N3/09—Supervised 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
    • G06N3/08—Learning methods
    • G06N3/098—Distributed learning, e.g. federated 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
    • G06N3/08—Learning methods
    • G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种预训练模型的生成方法、装置、电子设备以及存储介质，涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术。具体实现方案为：确定与候选模型结构集合对应的性能指标集合，其中，候选模型结构集合是从搜索空间包括的多个模型结构中确定的，搜索空间是基于超网络的搜索空间；根据性能指标集合，分别从候选模型结构集合中确定与多个芯片中的每个芯片对应的目标模型结构，其中，每个目标模型结构是满足性能指标条件的模型结构；针对多个芯片中的每个芯片，将与芯片对应的目标模型结构确定为与芯片对应的预训练模型，其中，芯片用于运行与芯片对应的预训练模型。

Description

预训练模型的生成方法、装置、电子设备以及存储介质
技术领域
本公开涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术。具体地，涉及一种预训练模型的生成方法、装置、电子设备以及存储介质。
背景技术
预训练模型可以指利用数目较多的训练数据对预设模型进行训练得到的与任务无关的模型。针对下游任务，可以利用与下游任务相关的少量的训练数据对预训练模型进行微调，得到用于处理下游任务的模型。例如，下游任务可以包括图像处理任务、音频处理任务或文本处理任务等。
发明内容
本公开提供了一种预训练模型的生成方法、装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种预训练模型的生成方法，包括：确定与候选模型结构集合对应的性能指标集合，其中，上述候选模型结构集合是从搜索空间包括的多个模型结构中确定的，上述搜索空间是基于超网络的搜索空间；根据上述性能指标集合，分别从上述候选模型结构集合中确定与多个芯片中的每个芯片对应的目标模型结构，其中，每个上述目标模型结构是满足性能指标条件的模型结构；以及，针对上述多个芯片中的每个芯片，将与上述芯片对应的目标模型结构确定为与上述芯片对应的预训练模型，其中，上述芯片用于运行与上述芯片对应的预训练模型。
根据本公开的另一方面，提供了一种预训练模型的生成装置，包括：第一确定模块，用于确定与候选模型结构集合对应的性能指标集合，其中，上述候选模型结构集合是从搜索空间包括的多个模型结构中确定的，上述搜索空间是基于超网络的搜索空间；第二确定模块，用于根据上述性能指标集合，分别从上述候选模型结构集合中确定与多个芯片中的每个芯片对应的目标模型结构，其中，每个上述目标模型结构是满足性能指标条件的模型结构；以及，第三确定模块，用于针对上述多个芯片中的每个芯片，将与上述芯片对应的目标模型结构确定为与上述芯片对应的预训练模型，其中，上述芯片用于运行与上述芯片对应的预训练模型。
根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，上述存储器存储有可被上述至少一个处理器执行的指令，上述指令被上述至少一个处理器执行，以使上述至少一个处理器能够执行如上所述的方法。
根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，上述计算机指令用于使上述计算机执行如上所述的方法。
根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如上所述的方法。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开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，不构成对本公开的限定。其中：
图1示意性示出了根据本公开实施例的可以应用预训练模型的生成方法及装置的示例性系统架构；
图2示意性示出了根据本公开实施例的预训练模型的生成方法的流程图；
图3示意性示出了根据本公开实施例的预训练模型的生成过程的原理示意图；
图4示意性示出了根据本公开实施例的目标模型结构的确定过程的示例示意图；
图5示意性示出了根据本公开实施例的预训练模型的生成装置的框图；以及
图6示意性示出了根据本公开实施例的适于实现预训练模型的生成方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。
预训练模型可以利用如下两种方式生成。
一种方式在于，利用基于人工设计的模型结构来生成预训练模型。即，通过人工设计的模型结构，得到预训练模型。例如，人工设计的模型结构可以包括基于ResNet(Residual Neural Network，深度残差网络)的模型结构或基于Transformer的模型结构。
另一种方式在于，利用基于自动深度学习(即AutoDL)搜索得到的模型结构来生成预训练模型。即，可以基于自动搜索方法，利用ImageNet数据集，得到基于AutoDL的模型结构。利用基于AutoDL的模型结构，生成预训练模型。
针对上述一种方式，利用基于人工设计的模型结构生成的预训练模型的预测精度不高。针对上述另一种方式，ImgaeNet数据集和实际数据处理任务所利用的训练集之间的数据分布情况存在差异性，因此，利用基于AutoDL的模型结构生成的预训练模型的预测精度也不高。
为此，本公开实施例提出了一种预训练模型的生成方案，即，针对多个芯片中的每个芯片，根据候选模型结构集合的性能指标集合，从候选模型结构集合中确定与每个芯片对应的满足性能指标条件的目标模型结构，将每个目标模型结构确定为与芯片对应的预训练模型，候选模型结构集合是从基于超网络的搜索空间中确定的，实现了针对每个芯片，自动搜索获得满足性能指标条件的预训练模型，提高了预训练模型的预测精度。由此，可以使得规模较小的预训练模型可以达到与规模较大的预训练模型同样的预测精度，并且规模较小的预训练模型的训练速度更快。在此基础上，如果将预训练模型应用于芯片上来执行数据处理任务，则可以提高相关产品的核心竞争力。
图1示意性示出了根据本公开实施例的可以应用预训练模型的生成方法及装置的示例性系统架构。
需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用预训练模型的生成方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的预训练模型的生成方法及装置。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103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、膝上型便携计算机和台式计算机等。
服务器105可以是提供各种服务的各种类型的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
服务器105可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，解决了传统物理主机与VPS服务(Virtual Private Server，VPS)中，存在的管理难度大，业务扩展性弱的缺陷。服务器105也可以为分布式系统的服务器，或者是结合了区块链的服务器。
需要说明的是，本公开实施例所提供的预训练模型的生成方法一般可以由服务器105执行。相应地，本公开实施例所提供的预训练模型的生成装置一般可以设置于服务器105中。本公开实施例所提供的预训练模型的生成方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的内容处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
或者，本公开实施例所提供的预训练模型的生成方法一般也可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的预训练模型的生成装置也可以设置于终端设备101、102、或103中。
应该理解，图1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。
图2示意性示出了根据本公开实施例的预训练模型的生成方法的流程图。
如图2所示，该方法200包括操作S210～S230。
操作S210，确定与候选模型结构集合对应的性能指标集合。候选模型结构集合是从搜索空间包括的多个模型结构中确定的，搜索空间是基于超网络的搜索空间。
操作S220，根据性能指标集合，分别从候选模型结构集合中确定与多个芯片中的每个芯片对应的目标模型结构。每个目标模型结构是满足性能指标条件的模型结构。
操作S230，针对多个芯片中的每个芯片，将与芯片对应的目标模型结构确定为与芯片对应的预训练模型。芯片用于运行与芯片对应的预训练模型。
根据本公开的实施例，初始搜索空间可以指用于提供模型结构的空间。初始搜索空间可以包括一个或多个基于超网络的搜索空间。初始搜索空间可以是全量的搜索空间。
根据本公开的实施例，初始搜索空间可以包括至少一种类型的搜索空间。例如，初始搜索空间可以包括基于ResNet(Residual Neural Network，深度残差网络)的搜索空间、基于MobileNet的搜索空间、基于Transformer的搜索空间和异构搜索空间等中的至少一项。异构搜索空间可以指包括不同类型搜索空间的搜索空间。
根据本公开的实施例，初始搜索空间可以包括多个模型结构。模型结构可以是用于执行数据处理任务(即下游任务)的模型结构。数据处理任务可以包括图像处理任务、音频处理任务和文本处理任务等中的至少一项。每个模型结构可以包括至少一个模型子结构和不同模型子结构之间的连接关系。每个模型结构可以是基于不同模型子结构之间的连接关系，将至少一个模型子结构进行连接得到的结构。每个模型结构包括的至少一个模型子结构可以是来自至少一个操作层的结构，即，每个模型结构可以是基于不同模型子结构之间的连接关系，将来自至少一个操作层的至少一个模型子结构进行连接得到的结构。例如，至少一个操作层可以包括输入层、卷积层、池化层、全连接层、批量归一化层和非线性层等中的至少一项。至少一个模型子结构可以包括卷积结构(即卷积核)、池化结构(即池化核)、全连接结构和归一化结构等中的至少一项。不同模型子结构的超参数相同或不同。模型子结构的超参数可以包括模型子结构的尺寸、模型子结构的数目和步长等中的至少一项。例如，卷积结构的超参数可以包括卷积结构的尺寸、卷积结构的数目和卷积步长。连接关系可以包括相加和通道合并等中的至少一项。
根据本公开的实施例，初始搜索空间可以是根据搜索空间的生成策略生成的。生成策略可以基于生成需求确定。例如，可以根据生成需求，确定预期的模型子结构的数目、模型子结构的类型和模型子结构之间的连接关系。根据模型子结构的数目和模型子结构的类型，确定至少一个模型子结构。基于模型子结构之间的连接关系，将至少一个模型子结构进行联系，得到至少一个模型结构。根据至少一个模型结构，得到初始搜索空间。
根据本公开的实施例，超网络可以是根据搜索策略从初始搜索空间中确定的包括多个模型结构的网络。搜索策略可以指用于从初始搜索空间中确定超网络的策略。因此，可以认为基于超网络的搜索空间是初始搜索空间的子空间，由此，基于超网络的搜索空间的构成与初始搜索空间相同，即，基于超网络的搜索空间可以包括多个模型结构，每个模型结构。每个模型结构可以包括至少一个模型子结构和不同模型子结构之间的连接关系。基于超网络的搜索空间可以是超网络包括的全部模型结构的搜索空间。在训练完成超网络之后，训练完成的超网络包括的每个模型结构的模型参数被确定，即，基于超网络的搜索空间包括的多个模型结构中的每个模型结构的模型参数被确定。基于超网络的搜索空间即是基于训练完成的超网络的搜索空间。
根据本公开的实施例，候选模型结构集合可以指用于确定目标模型结构的集合。候选模型集合可以是基于筛选策略从搜索空间包括的多个模型结构中确定的。候选模型结构集合可以包括多个模型结构。可以将候选模型结构集合包括的模型结构称为候选模型结构，即，候选模型结构集合可以包括多个候选模型结构。筛选策略可以基于筛选需求确定。例如，可以根据筛选需求，确定预期的模型结构的数目和模型结构的类型。从搜索空间中查找与预期的模型结构的数目和类型要求相匹配的多个模型结构。根据多个模型结构，得到候选模型结构集合。可以基于随机采样策略，从搜索空间中查找与预期的模型结构的数目和类型要求相匹配的多个模型结构。候选模型结构集合包括的候选模型结构的数目可以大于或等于预定数目闽值。例如，预定数目闽值为100万个。
根据本公开的实施例，性能指标集合可以包括多个性能指标。性能指标项具有与性能指标项对应的性能指标。性能指标项可以用于作为评估模型结构的性能的指标。性能指标可以用于作为评估候选模型结构的性能的指标值。至少一个性能指标项可以包括预测精度、运行速度、硬件延迟时长、内存占用率、处理器功耗和运算效率等中的至少一项。相应的，至少一个性能指标可以包括预测精度值、运行速度值、硬件延迟时长值、内存占用率值、处理器功耗值和运算效率值等中的至少一项。
根据本公开的实施例，需要从多个候选模型结构中确定与多个芯片中的每个芯片对应的目标模型结构，因此，与每个候选模型结构对应的多个性能指标中包括与多个芯片中的每个芯片对应的至少一个性能指标。可以利用至少一个性能指标项评估每个候选模型结构，每个性能指标项具有与该性能指标项对应的性能指标，因此，每个候选模型结构具有与该候选模型结构对应的至少一个性能指标。
根据本公开的实施例，针对多个芯片中的每个芯片，每个芯片具有与多个候选模型结构中的每个候选模型结构对应的至少一个性能指标，由此，每个芯片具有与该芯片对应的性能指标子集合。与候选模型结构集合对应的性能指标集合包括与多个芯片中的每个芯片对应的性能指标子集合。而可以利用至少一个性能指标项评估每个候选模型结构，因此，如果按照性能指标项对与每个芯片对应的性能指标子集合进行划分，则与每个芯片对应的性能指标子集合可以包括至少一个性能指标类集合。每个性能指标类集合包括多个属于同一性能指标项的性能指标。
根据本公开的实施例，性能指标条件可以用于作为从候选模型结构集合中确定目标模型结构的条件。例如，性能指标可以包括预测精度和运行速度中的至少一项。性能指标条件可以包括精度评估条件和速度评估条件中的至少一项。每个目标模型结构是满足性能指标条件的模型结构可以包括以下至少一项：目标结构可以是预测精度满足精度评估条件的模型结构。目标模型结构可以是运行速度满足速度评估条件的模型结构。
根据本公开的实施例，可以根据搜索策略从初始搜索空间中确定超网络。基于筛选策略从基于超网络的搜索空间包括的多个模型结构中确定候选模型结构集合。针对候选模型结构集合包括的多个候选模型结构中的每个候选模型结构，可以利用性能结构关联关系，确定候选模型结构与多个芯片中的每个芯片对应的至少一个性能指标。性能结构关联关系可以表征模型结构与模型结构的性能指标之间的关联关系。
根据本公开的实施例，在确定每个候选模型结构与多个芯片中的每个芯片对应的至少一个性能指标之后，可以针对多个芯片中的每个芯片，根据性能指标条件和与多个候选模型结构中的每个候选模型结构与芯片对应的至少一个性能指标，从多个候选模型结构中确定与芯片对应的目标模型结构。
根据本公开的实施例，针对多个芯片中的每个芯片，根据性能指标条件和与多个候选模型结构中的每个候选模型结构与芯片对应的至少一个性能指标，从多个候选模型结构中确定与芯片对应的目标模型结构，可以包括：针对多个芯片中的每个芯片，对与芯片对应的至少一个性能指标类集合中的每个性能指标类集合包括的多个性能指标进行排序，得到与每个性能指标类集合对应的排序结果。根据与芯片对应的多个性能指标类集合中的每个性能指标类集合的排序结果，从多个候选模型结构中确定与芯片对应的目标模型结构。排序可以包括按照性能指标由小到大排序或按照性能指标由大到小排序。不同性能指标类集合的排序方式可以相同或不同。每个性能指标类集合的排序方式可以根据实际业务需求进行配置，在此不作限定。
根据本公开的实施例，根据与芯片对应的多个性能指标类集合中的每个性能指标类集合的排序结果，从多个候选模型结构中确定与芯片对应的目标模型结构，可以包括：可以对与芯片对应的多个排序结果进行加权求和，根据加权求和结果，从多个候选模型结构中确定与芯片对应的目标模型结构。
根据本公开的实施例，不同性能指标项可以具有不同等级。针对多个芯片中的每个芯片，可以根据性能指标项的等级，确定分析顺序。根据分析顺序和与芯片对应的多个性能指标类集合中的每个性能指标类集合，从候选模型结构集包括的多个候选模型结构中确定与芯片对应的目标模型结构。
根据本公开的实施例，针对多个芯片中的每个芯片，根据候选模型结构集合的性能指标集合，从候选模型结构集合中确定与每个芯片对应的满足性能指标条件的目标模型结构，将每个目标模型结构确定为与芯片对应的预训练模型，候选模型结构集合是从基于超网络的搜索空间中确定的，实现了针对每个芯片，自动搜索获得满足性能指标条件的预训练模型，提高了预训练模型的预测精度。由此，可以使得规模较小的预训练模型可以达到与规模较大的预训练模型同样的预测精度，并且规模较小的预训练模型的训练速度更快。在此基础上，如果将预训练模型应用于芯片上来执行数据处理任务，则可以提高相关产品的核心竞争力。
根据本公开的实施例，上述预训练模型的生成方法还可以包括如下操作。
利用训练集训练超网络，得到训练完成的超网络。基于训练完成的超网络，得到搜索空间。
根据本公开的实施例，训练集可以用于对超网络进行训练。训练集可以包括多个训练数据。训练数据可以是服务器通过终端设备获取的样本数据，可以是服务器获取本地存储的样本数据，还可以是通过互联网等途径获取的样本数据。
根据本公开的实施例，可以根据搜索策略，从初始搜索空间中确定超网络。基于损失函数，利用训练集训练超网络，得到训练完成的超网络。例如，可以基于损失函数，利用训练集，得到损失函数的输出值，根据损失函数的输出值调整超网络的模型参数，直至满足预定条件，将在满足预定条件的情况下得到的超网络确定为训练完成的超网络。
根据本公开的实施例，在获得训练完成的超网络之后，可以基于训练完成的超网络，得到基于超网络的搜索空间。基于超网络的搜索空间可以是超网络包括的全部模型结构的搜索空间。在训练完成超网络之后，超网络包括的每个模型结构的模型参数被确定，因此，基于超网络的搜索空间包括的多个模型结构中的每个模型结构的模型参数也被确定。
根据本公开的实施例，操作S210可以包括如下操作。
利用性能预测器处理候选模型结构集合，得到与候选模型结构集合对应的性能指标集合。
根据本公开的实施例，性能预测器可以用于对模型结构的性能进行预测。性能预测器可以表征模型结构与模型结构的性能之间关系的模型。性能预测器可以是利用机器学习模型或深度学习模型训练得到的模型结构与模型结构的性能之间的模型。例如，机器学习模型可以包括随机森林模型或岭回归模型等。性能预测器也可以是利用统计模型构建得到的模型结构与模型结构的性能之间关系的模型。统计模型可以包括概率分布模型。例如，概率分布模型可以包括高斯分布模型等。
根据本公开的实施例，可以将候选模型集合包括的多个候选模型结构中的每个候选模型结构输入性能预测器，得到与候选模型结构对应的至少一个性能指标。
根据本公开的实施例，上述预训练模型的生成方法还可以包括如下操作。
从搜索空间中确定评估模型结构集合。利用评估模型结构集合，得到性能预测器。
根据本公开的实施例，评估模型结构集合可以包括多个模型结构。可以将评估模型结构集合包括的模型结构称为评估模型结构。评估模型结构可以指基于超网络的搜索空间中具有代表性的模型结构。代表性可以指能够表征搜索空间中的模型结构所具有的特征。评估模型结构的模型参数可以根据超网络中与评估模型结构对应的模型结构的模型参数确定，即，评估模型结构的模型参数可以与超网络中与评估模型结构对应的模型结构的模型参数相一致。评估模型结构可以用于参与构建性能预测器。
根据本公开的实施例，可以基于代表性策略，从搜索空间中确定多个模型结构，根据多个模型结构，得到评估模型结构集合。再基于评测集，利用评估模型结构集合，得到性能预测器。评测集可以包括多个训练样本。
根据本公开的实施例，基于评测集，利用评估模型结构集合，得到性能预测器，可以包括：可以利用评估模型结构集合处理评测集，得到与评估模型结构集合对应的性能指标集合。利用评估模型结构集合、与评估模型结构集合对应的性能指标集合和预定模型，得到性能预测器。
根据本公开的实施例，利用评估模型结构集合、与评估模型结构集合对应的性能指标集合和预定模型，得到性能预测器，可以包括：基于与评估模型结构集合对应的性能指标集合，利用预测方法对初始概率模型的超参数进行更新，得到超参数的预测值。基于超参数的预测值，确定性能预测器。初始概率模型可以是对与初始搜索空间对应的概率分布模型进行初始化得到的概率分布模型。
根据本公开的实施例，利用评估模型结构集合、与评估模型结构集合对应的性能指标集合和预定模型，得到性能预测器，可以包括：利用评估模型结构集合和与评估模型结构集合对应的性能指标集合对机器学习模型或深度学习模型进行训练，得到性能预测器。
根据本公开的实施例，性能指标集合可以包括以下至少一项：精度评估值集合和速度评估值集合。性能预测器可以包括以下至少一项：精度预测器和速度预测器。
根据本公开的实施例，利用评估模型结构集合，得到性能预测器，可以包括以下至少一项：利用评估模型结构集合处理评测集，得到与评估模型结构集合对应的精度评估值集合。利用评估模型结构集合和与评估模型结构集合对应的精度评估值集合，得到精度预测器。针对多个芯片中的每个芯片，将评估模型结构集合运行于芯片，得到芯片运行评估模型结构集合的速度评估值集合。利用评估模型结构集合和每个芯片运行评估模型结构集合的速度评估值集合，得到速度预测器。
根据本公开的实施例，精度预测器可以用于对模型结构的预测精度值进行预测。速度预测器可以用于对模型结构的运行速度值进行预测。精度评估值集合可以包括多个预测精度值。速度评估值集合可以包括多个运行速度值。
根据本公开的实施例，在确定芯片的情况下，针对评估模型结构包括的多个评估模型结构中的每个评估模型结构，将评测集输入评估模型结构，得到与评估模型结构对应的精度评估值。利用评估模型结构集合、与评估模型结构集合对应的精度评估值集合和第一预定模型，得到精度预测器。第一预定模型可以包括机器学习模型、深度学习模型或统计模型等。
根据本公开的实施例，对多个芯片中的每个芯片，将评估模型结构集合包括的多个评估模型结构中的每个评估模型结构运行于芯片，得到芯片运行每个评估模型结构集合的运行速度。利用评估模型结构集合、与每个芯片运行评估模型结构集合的速度评估值集合和第二预定模型，得到速度预测器。第二预定模型可以包括机器学习模型、深度学习模型或统计模型等。
根据本公开的实施例，上述预训练模型的训练方法还可以包括如下操作。
确定与评估模型结构集合对应的评估模型编码集合。
根据本公开的实施例，利用评估模型结构集合和与评估模型结构集合对应的精度评估值集合，得到精度预测器，可以包括如下操作。
利用与评估模型结构集合对应的评估模型编码集合和精度评估值集合，得到精度预测器。
根据本公开的实施例，利用评估模型结构集合和每个芯片运行评估模型结构集合的速度评估值集合，得到速度预测器，可以包括如下操作。
利用与评估模型结构集合对应的评估模型编码集合和每个芯片运行评估模型结构集合的速度评估值集合，得到速度预测器。
根据本公开的实施例，模型结构可以用模型编码表征，即，可以利用编码生成器处理与评估模型结构集合中的每个评估模型结构，得到与每个评估模型结构对应的评估模型编码。
根据本公开的实施例，从搜索空间中确定评估模型结构集合，可以包括如下操作。
确定与搜索空间包括的多个模型结构中的每个模型结构对应的信息熵。根据与搜索空间包括的多个模型结构中的每个模型结构对应的信息熵，从搜索空间中确定评估模型结构集合。
根据本公开的实施例，信息熵可以用于表征信息量的度量。可以利用模型结构的信息熵来从搜索空间包括的多个模型结构中确定评估模型结构集合。
根据本公开的实施例，可以确定与搜索空间包括的多个模型结构中的每个模型结构的模型编码。根据概率模型的超参数和每个模型结构的模型编码，确定协方差矩阵。再根据协方差矩阵，确定每个模型结构的信息熵。上述模型结构的信息熵的确定方式仅是示例性实施例，但不限于此，还可以包括本领域已知的确定方式，只要能够实现模型结构的信息熵的确定即可。
根据本公开的实施例，根据与搜索空间包括的多个模型结构中的每个模型结构对应的信息熵，从搜索空间中确定评估模型结构集合，可以包括：对与搜索空间包括的多个模型结构中的每个模型结构对应的信息熵进行排序。根据排序结果，从搜索空间中确定评估模型结构集合。排序可以包括按照信息熵由小到大的顺序进行排序或按照信息熵由大到小的顺序进行排序。例如，可以按照模型结构的信息熵由大到小的顺序对搜索空间包括的多个模型结构中的每个模型结构进行排序，将排序结果中排序靠前的预定数目的模型结构确定为评估模型结构集合。备选地，可以根据信息熵阈值和与搜索空间包括的多个模型结构中的每个模型结构对应的信息熵，从搜索空间包括的多个模型结构中确定评估模型结构集合。例如，针对搜索空间包括的多个模型结构中的每个模型结构，在确定模型结构的信息熵大于或等于信息熵阈值的情况下，将模型结构确定为评估模型结构。
根据本公开的实施例，从搜索空间中确定评估模型结构集合，可以包括如下操作。
根据搜索空间包括的多个模型结构，确定与搜索空间对应的至少一个聚类中心。根据与搜索空间对应的至少一个聚类中心，得到评估模型结构集合。
根据本公开的实施例，可以利用聚类算法处理搜索空间包括的多个模型结构中的模型结构，得到与搜索空间对应的至少一个聚类中心。聚类算法可以包括K均值聚类算法、K中心聚类算法、CLARA(Clustering LARge Application)算法或模糊C均值算法。
根据本公开的实施例，可以将与搜索空间对应的至少一个聚类中心中的每个聚类中心确定为评估模型结构。
根据本公开的实施例，精度评估值集合包括与多个芯片中的每个芯片对应的精度评估值集合，与每个芯片对应的精度评估值集合包括多个预测精度值。
根据本公开的实施例，速度评估值集合包括与多个芯片中的每个芯片对应的速度评估值集合，与每个芯片对应的速度评估值集合包括多个运行速度值。
根据本公开的实施例，操作S220可以包括如下操作。
针对多个芯片中的每个芯片，对与芯片对应的精度评估值类集合包括的多个预测精度值进行排序，得到与芯片的精度评估值集合对应的排序结果。对与芯片对应的速度评估值集合包括的多个运行速度值进行排序，得到与芯片的速度评估值集合对应的排序结果。根据与芯片的精度评估值集合对应的排序结果和与速度评估值集合对应的排序结果，确定与芯片对应的目标模型结构。
根据本公开的实施例，根据与芯片的精度评估值集合对应的排序结果和与速度评估值集合对应的排序结果，确定与芯片对应的目标模型结构，可以包括：可以对与芯片的精度评估值集合对应的排序结果和与芯片的速度评估值集合对应的排序结果进行加权求和，根据加权求和结果，从多个候选模型结构中确定与芯片对应的目标模型结构。
例如，性能指标项包括2个，分别为预测精度和运行速度。芯片的数目包括2个，分别为芯片A和芯片B。候选模型结构集合包括3个候选模型结构，分别为候选模型结构a、候选模型结构b和候选模型结构c。与候选模型结构集合对应的性能指标集合包括与芯片A对应的性能指标子集合、与芯片B对应的性能指标子集合和与芯片C对应的性能指标子集合。与芯片A对应的性能指标子集合包括与芯片A对应的2个性能指标类集合，分别为与芯片A对应的精度评估值集合EAp和速度评估值集合EAs。与芯片B对应的性能指标子集合包括与芯片B对应的2个性能指标类集合，分别为与芯片B对应的精度评估值集合EBp和速度评估值集合EBp。
针对候选模型结构a，确定与芯片A对应的预测精度值为预测精度值Aap，与芯片A对应的运行速度值为运行速度值Aas。与芯片B对应的预测精度值为预测精度值Bbp，与芯片B对应的运行速度值为运行速度值Bbs。
针对候选模型结构b，确定与芯片A对应的预测精度值为预测精度值Abp，与芯片A对应的运行速度值为运行速度值Abs。与芯片B对应的预测精度值为预测精度值Bbp，与芯片B对应的运行速度值为运行速度值Bbs。
针对候选模型结构c，确定与芯片A对应的预测精度值为预测精度值Acp，与芯片A对应的运行速度值为运行速度值Acs。与芯片B对应的预测精度值为预测精度值Bcp，与芯片B对应的运行速度值为运行速度值Bcs。
精度评估值集合EAp可以包括预测精度值Aap、预测精度值Abp和预测精度值Acp。速度评估值集合EAs可以包括运行速度值Aas、运行速度值Abs和运行速度值Acs。
精度评估值集合EBp可以包括预测精度值Bap、预测精度值Bbp和预测精度值Bcp。速度评估值集合EAs可以包括运行速度值Bas、运行速度值Bbs和运行速度值Bcs。
针对芯片A，按照预测精度值由大到小的顺序，对与芯片A对应的精度评估值集合EAp包括的预测精度值Aap、预测精度值Abp和预测精度值Acp进行排序，得到与精度评估值集合EAp对应的排序结果，即，预测精度值Aap、预测精度值Abp和预测精度值Acp。
针对芯片A，按照运行速度值由大到小的顺序，对与芯片A对应的速度评估值集合EAs包括的运行速度值Aas、运行速度值Abs和运行速度值Acs进行排序，得到与速度评估值集合EAs对应的排序结果，即，运行速度值Bas、运行速度值Bbs和运行速度值Bcs。
预测精度值越大，运行速度值越大，模型结构的性能越好，因此，针对芯片A，根据与精度评估值集合EAp对应的排序结果和与速度评估值集合EAs对应的排序结果，从候选模型结构a、候选模型结构b和候选模型结构c中确定候选模型结构a为与芯片A对应的目标模型结构。
可以利用同样地方式，针对芯片B，根据与精度评估值集合EBp对应的排序结果和与速度评估值集合EBs对应的排序结果，从候选模型结构a、候选模型结构b和候选模型结构c中确定候选模型结构c为与芯片B对应的目标模型结构。
根据本公开的实施例，操作S230可以包括如下操作。
针对多个芯片中的每个芯片，从与芯片对应的速度评估值集合中查找与至少一个预定运行速度值中的每个预定运行速度值对应的至少一个候选模型结构。针对至少一个预定运行速度值中的每个预定运行速度值，根据与芯片对应的精度评估值集合，对与预定运行速度值对应的至少一个候选模型结构进行排序，得到与预定运行速度值对应的至少一个候选模型结构的排序结果。根据与预定运行速度值对应的至少一个候选模型结构的排序结果，从与预定运行速度值应的至少一个候选模型结构中确定与芯片对应的目标模型结构。
根据本公开的实施例，预定运行速度值可以是速度评估值集合中的运行速度值。例如，至少一个预定运行速度值可以包括1ms、2ms、......、99ms和100ms等中的至少一项。
根据本公开的实施例，排序可以按照预测精度值由大到小的顺序进行排序或预测精度值由小到大的顺序进行排序。
例如，可以按照预测精度值由大到小的顺序，根据与芯片对应的精度评估值集合，对与至少一个预定运行速度值中的每个预定运行速度值对应的至少一个候选模型结构进行排序，得到与预定运行速度值对应的至少一个候选模型结构的排序结果，将排序结果中排序最靠前的候选模型结构确定为与芯片对应的目标模型结构。
以上仅是示例性实施例，但不限于此，还可以包括本领域已知的其他预训练模型的生产方法，只要能够提高预训练模型的预测精度即可。
下面参考图3～图4，结合具体实施例对根据本公开实施例所述的预训练模型的生成方法做进一步说明。
图3示意性示出了根据本公开实施例的预训练模型的生成过程的原理示意图。
如图3所示，在300中，从基于超网络的搜索空间301中确定评估模型结构集合302。利用评估模型结构302处理评测集303，得到与评估模型结构集合302对应的性能指标集合304。
利用评估模型结构集合302、与评估模型结构集合302对应的性能指标集合304和预定模型305，得到性能预测器306。
从基于超网络的搜索空间301中确定候选模型结构集合307。利用性能预测器306处理候选模型结构集合307，得到与候选模型结构集合307对应的性能指标集合308。
根据性能指标集合308，从候选模型结构集合307中确定与多个新芯片中的每个芯片对应的目标模型结构309。
将与每个芯片对应的目标模型结构309确定为与芯片对应的预训练模型310。
为了便于理解图3所示的预训练模型的生成过程，下面结合图4对目标模型结构的确定过程进行说明。
图4示意性示出了根据本公开实施例的目标模型结构的确定过程的示例示意图。
如图4所示，在400中，初始搜索空间402可以包括多个模型结构。每个模型结构可以包括至少一个模型子结构401。
基于搜索策略从初始搜索空间402中确定超网络403。利用训练集对超网络403进行训练，得到训练完成的超网络。从基于超网络403的搜索空间中确定候选模型结构集合404。候选模型结构集合404包括候选模型结构4040、候选模型结构4041、候选模型结构4042和候选模型结构4043。
利用性能预测器处理候选模型结构集合404，得到与候选模型结构集合404对应的性能指标集合。
根据与候选模型结构集合404对应的性能指标集合，从候选模型结构集合404中确定与芯片集405包括的多个芯片中的每个芯片对应的目标模型结构。与芯片集405包括的芯片4050对应的目标模型结构为候选模型结构4041。与芯片集405包括的芯片4051对应的目标模型结构为候选模型结构4040。与芯片集405包括的芯片4052对应的目标模型结构为候选模型结构4040。
图5示意性示出了根据本公开实施例的预训练模型的生成装置的框图。
如图5所示，预训练模型的生成装置500可以包括第一确定模块510、第二确定模块520和第三确定模块530。
第一确定模块510，用于确定与候选模型结构集合对应的性能指标集合。候选模型结构集合是从搜索空间包括的多个模型结构中确定的，搜索空间是基于超网络的搜索空间。
第二确定模块520，用于根据性能指标集合，分别从候选模型结构集合中确定与多个芯片中的每个芯片对应的目标模型结构。每个目标模型结构是满足性能指标条件的模型结构。
第三确定模块530，用于针对多个芯片中的每个芯片，将与芯片对应的目标模型结构确定为与芯片对应的预训练模型。芯片用于运行与芯片对应的预训练模型。
根据本公开的实施例，上述预训练模型的生成装置500还可以包括第一获得模块和第二获得模块。
第一获得模块，用于利用训练集训练超网络，得到训练完成的超网络。
第二获得模块，用于基于训练完成的超网络，得到搜索空间。
根据本公开的实施例，第一确定模块510可以包括第一获得子模块。
第一获得子模块，用于利用性能预测器处理候选模型结构集合，得到与候选模型结构集合对应的性能指标集合。
根据本公开的实施例，上述预训练模型的生成装置500还可以包括第四确定模块和第三获得模块。
第四确定模块，用于从搜索空间中确定评估模型结构集合。
第三获得模块，用于利用评估模型结构集合，得到性能预测器。
根据本公开的实施例，性能指标集合包括以下至少一项：精度评估值集合和速度评估值集合。性能预测器包括以下至少一项：精度预测器和速度预测器。
根据本公开的实施例，第三获得模块可以包括第二获得子模块和第三获得子模块。第三获得模块可以包括第四获得子模块和第五获得子模块。第三获得模块可以包括第二获得子模块、第三获得子模块、第四获得子模块和第五获得子模块。
第二获得子模块，用于利用评估模型结构集合处理评测集，得到与评估模型结构集合对应的精度评估值集合。
第三获得子模块，用于利用评估模型结构集合和与评估模型结构集合对应的精度评估值集合，得到精度预测器。
第四获得子模块，用于针对多个芯片中的每个芯片，将评估模型结构集合运行于芯片，得到芯片运行评估模型结构集合的速度评估值集合。
第五获得子模块，用于利用评估模型结构集合和每个芯片运行评估模型结构集合的速度评估值集合，得到速度预测器。
根据本公开的实施例，上述预训练模型的生成装置500还可以包括第五确定模块。
第五确定模块，用于确定与评估模型结构集合对应的评估模型编码集合。
根据本公开的实施例，第三获得子模块可以包括第一获得单元。
第一获得单元，用于利用与评估模型结构集合对应的评估模型编码集合和精度评估值集合，得到精度预测器。
根据本公开的实施例，第五获得子模块可以包括第二获得单元。
第二获得单元，用于利用与评估模型结构集合对应的评估模型编码集合和每个芯片运行评估模型结构集合的速度评估值集合，得到速度预测器。
根据本公开的实施例，第四确定模块可以包括第一确定子模块和第二确定子模块。
第一确定子模块，用于确定与搜索空间包括的多个模型结构中的每个模型结构对应的信息熵。
第二确定子模块，用于根据与搜索空间包括的多个模型结构中的每个模型结构对应的信息熵，从搜索空间中确定评估模型结构集合。
根据本公开的实施例，第四模块可以包括第三确定子模块和第四确定子模块。
第三确定子模块，用于根据搜索空间包括的多个模型结构，确定与搜索空间对应的至少一个聚类中心。
第四确定子模块，用于根据与搜索空间对应的至少一个聚类中心，得到评估模型结构集合。
根据本公开的实施例，精度评估值集合包括与多个芯片中的每个芯片对应的精度评估值集合，与每个芯片对应的精度评估值集合包括多个预测精度值。速度评估值集合包括与多个芯片中的每个芯片对应的速度评估值集合，与每个芯片对应的速度评估值集合包括多个运行速度值。
根据本公开的实施例，第二确定模块520可以包括第六获得子模块、第七获得子模块和第五确定子模块。
第六获得子模块，用于针对多个芯片中的每个芯片，对与芯片对应的精度评估值类集合包括的多个预测精度值进行排序，得到与芯片的精度评估值集合对应的排序结果。
第七获得子模块，用于对与芯片对应的速度评估值集合包括的多个运行速度值进行排序，得到与芯片的速度评估值集合对应的排序结果。
第五确定子模块，用于根据与芯片的精度评估值集合对应的排序结果和与速度评估值集合对应的排序结果，确定与芯片对应的目标模型结构。
根据本公开的实施例，精度评估值集合包括与多个芯片中的每个芯片对应的精度评估值集合。速度评估值集合包括与多个芯片中的每个芯片对应的速度评估值集合。
根据本公开的实施例，第二确定模块520可以包括查找子模块、第六获得子模块和第六确定子模块。
查找子模块，用于针对多个芯片中的每个芯片，从与芯片对应的速度评估值集合中查找与至少一个预定运行速度值中的每个预定运行速度值对应的至少一个候选模型结构。
第六获得子模块，用于针对至少一个预定运行速度值中的每个预定运行速度值，根据与芯片对应的精度评估值集合，对与预定运行速度值对应的至少一个候选模型结构进行排序，得到与预定运行速度值对应的至少一个候选模型结构的排序结果。
第六确定子模块，用于根据与预定运行速度值对应的至少一个候选模型结构的排序结果，从与预定运行速度值应的至少一个候选模型结构中确定与芯片对应的目标模型结构。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的方法。
根据本公开的实施例，一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行如上所述的方法。
根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的方法。
图6示意性示出了根据本公开实施例的适于实现预训练模型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/或者要求的本公开的实现。
如图6所示，电子设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储电子设备600操作所需的各种程序和数据。计算单元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。
电子设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许电子设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如预训练模型的生成方法。例如，在一些实施例中，预训练模型的生成方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的预训练模型的生成方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行预训练模型的生成方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
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。
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。服务器可以是云服务器，也可以是分布式系统的服务器，或者是结合了区块链的服务器。
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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (23)

1.一种预训练模型的生成方法，包括：
确定与候选模型结构集合对应的性能指标集合，其中，所述候选模型结构集合是从搜索空间包括的多个模型结构中确定的，所述搜索空间是基于超网络的搜索空间；
根据所述性能指标集合，分别从所述候选模型结构集合中确定与多个芯片中的每个芯片对应的目标模型结构，其中，每个所述目标模型结构是满足性能指标条件的模型结构；以及
针对所述多个芯片中的每个芯片，将与所述芯片对应的目标模型结构确定为与所述芯片对应的预训练模型，其中，所述芯片用于运行与所述芯片对应的预训练模型。
2.根据权利要求1所述的方法，还包括：
利用训练集训练超网络，得到训练完成的超网络；以及
基于所述训练完成的超网络，得到所述搜索空间。
3.根据权利要求1或2所述的方法，其中，所述确定与候选模型结构集合对应的性能指标集合，包括：
利用性能预测器处理所述候选模型结构集合，得到与候选模型结构集合对应的性能指标集合。
4.根据权利要求3所述的方法，还包括：
从所述搜索空间中确定评估模型结构集合；以及
利用所述评估模型结构集合，得到所述性能预测器。
5.根据权利要求4所述的方法，其中，所述性能指标集合包括以下至少一项：精度评估值集合和速度评估值集合；
所述性能预测器包括以下至少一项：精度预测器和速度预测器；
其中，所述利用所述评估模型结构集合，得到所述性能预测器，包括以下至少一项：
利用所述评估模型结构集合处理评测集，得到与所述评估模型结构集合对应的精度评估值集合；以及
利用所述评估模型结构集合和与所述评估模型结构集合对应的精度评估值集合，得到所述精度预测器；
针对所述多个芯片中的每个芯片，将所述评估模型结构集合运行于所述芯片，得到所述芯片运行所述评估模型结构集合的速度评估值集合；以及
利用所述评估模型结构集合和每个所述芯片运行所述评估模型结构集合的速度评估值集合，得到所述速度预测器。
6.根据权利要求5所述的方法，还包括：
确定与所述评估模型结构集合对应的评估模型编码集合；
其中，所述利用所述评估模型结构集合和与所述评估模型结构集合对应的精度评估值集合，得到所述精度预测器，包括：
利用与所述评估模型结构集合对应的评估模型编码集合和精度评估值集合，得到所述精度预测器；
其中，所述利用所述评估模型结构集合和每个所述芯片运行所述评估模型结构集合的速度评估值集合，得到所述速度预测器，包括：
利用与所述评估模型结构集合对应的评估模型编码集合和每个所述芯片运行所述评估模型结构集合的速度评估值集合，得到所述速度预测器。
7.根据权利要求4～6中任一项所述的方法，其中，所述从所述搜索空间中确定评估模型结构集合，包括：
确定与所述搜索空间包括的多个模型结构中的每个模型结构对应的信息熵；以及
根据与所述搜索空间包括的多个模型结构中的每个模型结构对应的信息熵，从所述搜索空间中确定所述评估模型结构集合。
8.根据权利要求4～6中任一项所述的方法，其中，所述从所述搜索空间中确定评估模型结构集合，包括：
根据所述搜索空间包括的多个模型结构，确定与所述搜索空间对应的至少一个聚类中心；以及
根据与所述搜索空间对应的至少一个聚类中心，得到所述评估模型结构集合。
9.根据权利要求5或6所述的方法，其中，所述精度评估值集合包括与所述多个芯片中的每个芯片对应的精度评估值集合，与每个所述芯片对应的精度评估值集合包括多个预测精度值；
所述速度评估值集合包括与所述多个芯片中的每个芯片对应的速度评估值集合，与每个所述芯片对应的速度评估值集合包括多个运行速度值；
其中，所述根据所述性能指标集合，分别从所述候选模型结构集合中确定与多个芯片中的每个芯片对应的目标模型结构，包括：
针对所述多个芯片中的每个芯片，对与所述芯片对应的精度评估值类集合包括的多个预测精度值进行排序，得到与所述芯片的精度评估值集合对应的排序结果；
对与所述芯片对应的速度评估值集合包括的多个运行速度值进行排序，得到与所述芯片的速度评估值集合对应的排序结果；以及
根据与所述芯片的精度评估值集合对应的排序结果和与速度评估值集合对应的排序结果，确定与所述芯片对应的目标模型结构。
10.根据权利要求5或6所述的方法，其中，所述精度评估值集合包括与所述多个芯片中的每个芯片对应的精度评估值集合；
所述速度评估值集合包括与所述多个芯片中的每个芯片对应的速度评估值集合；
其中，所述根据与所述芯片的精度评估值集合对应的排序结果和与速度评估值集合对应的排序结果，确定与所述芯片对应的目标模型结构，包括：
针对所述多个芯片中的每个芯片，从与所述芯片对应的速度评估值集合中查找与至少一个预定运行速度值中的每个预定运行速度值对应的至少一个候选模型结构；
针对所述至少一个预定运行速度值中的每个预定运行速度值，根据与所述芯片对应的精度评估值集合，对与所述预定运行速度值对应的至少一个候选模型结构进行排序，得到与所述预定运行速度值对应的至少一个候选模型结构的排序结果；以及
根据与所述预定运行速度值对应的至少一个候选模型结构的排序结果，从与所述预定运行速度值应的至少一个候选模型结构中确定与所述芯片对应的目标模型结构。
11.一种预训练模型的生成装置，包括：
第一确定模块，用于确定与候选模型结构集合对应的性能指标集合，其中，所述候选模型结构集合是从搜索空间包括的多个模型结构中确定的，所述搜索空间是基于超网络的搜索空间；
第二确定模块，用于根据所述性能指标集合，分别从所述候选模型结构集合中确定与多个芯片中的每个芯片对应的目标模型结构，其中，每个所述目标模型结构是满足性能指标条件的模型结构；以及
第三确定模块，用于针对所述多个芯片中的每个芯片，将与所述芯片对应的目标模型结构确定为与所述芯片对应的预训练模型，其中，所述芯片用于运行与所述芯片对应的预训练模型。
12.根据权利要求11所述的装置，还包括：
第一获得模块，用于利用训练集训练超网络，得到训练完成的超网络；以及
第二获得模块，用于基于所述训练完成的超网络，得到所述搜索空间。
13.根据权利要求11或12所述的装置，其中，所述第一确定模块，包括：
第一获得子模块，用于利用性能预测器处理所述候选模型结构集合，得到与候选模型结构集合对应的性能指标集合。
14.根据权利要求13所述的装置，还包括：
第四确定模块，用于从所述搜索空间中确定评估模型结构集合；以及
第三获得模块，用于利用所述评估模型结构集合，得到所述性能预测器。
15.根据权利要求14所述的装置，其中，所述性能指标集合包括以下至少一项：精度评估值集合和速度评估值集合；
所述性能预测器包括以下至少一项：精度预测器和速度预测器；
其中，所述第三获得模块，包括以下至少一项：
第二获得子模块，用于利用所述评估模型结构集合处理评测集，得到与所述评估模型结构集合对应的精度评估值集合；以及
第三获得子模块，用于利用所述评估模型结构集合和与所述评估模型结构集合对应的精度评估值集合，得到所述精度预测器；
第四获得子模块，用于针对所述多个芯片中的每个芯片，将所述评估模型结构集合运行于所述芯片，得到所述芯片运行所述评估模型结构集合的速度评估值集合；以及
第五获得子模块，用于利用所述评估模型结构集合和每个所述芯片运行所述评估模型结构集合的速度评估值集合，得到所述速度预测器。
16.根据权利要求15所述的装置，还包括：
第五确定模块，用于确定与所述评估模型结构集合对应的评估模型编码集合；
其中，所述第三获得子模块，包括：
第一获得单元，用于利用与所述评估模型结构集合对应的评估模型编码集合和精度评估值集合，得到所述精度预测器；
其中，所述第五获得子模块，包括：
第二获得单元，用于利用与所述评估模型结构集合对应的评估模型编码集合和每个所述芯片运行所述评估模型结构集合的速度评估值集合，得到所述速度预测器。
17.根据权利要求14～16中任一项所述的装置，其中，所述第四确定模块，包括：
第一确定子模块，用于确定与所述搜索空间包括的多个模型结构中的每个模型结构对应的信息熵；以及
第二确定子模块，用于根据与所述搜索空间包括的多个模型结构中的每个模型结构对应的信息熵，从所述搜索空间中确定所述评估模型结构集合。
18.根据权利要求14～16中任一项所述的方法，其中，所述第四模块，包括：
第三确定子模块，用于根据所述搜索空间包括的多个模型结构，确定与所述搜索空间对应的至少一个聚类中心；以及
第四确定子模块，用于根据与所述搜索空间对应的至少一个聚类中心，得到所述评估模型结构集合。
19.根据权利要求15或16所述的方法，其中，所述精度评估值集合包括与所述多个芯片中的每个芯片对应的精度评估值集合，与每个所述芯片对应的精度评估值集合包括多个预测精度值；
所述速度评估值集合包括与所述多个芯片中的每个芯片对应的速度评估值集合，与每个所述芯片对应的速度评估值集合包括多个运行速度值；
其中，所述第二确定模块，包括：
第六获得子模块，用于针对所述多个芯片中的每个芯片，对与所述芯片对应的精度评估值类集合包括的多个预测精度值进行排序，得到与所述芯片的精度评估值集合对应的排序结果；
第七获得子模块，用于对与所述芯片对应的速度评估值集合包括的多个运行速度值进行排序，得到与所述芯片的速度评估值集合对应的排序结果；以及
第五确定子模块，用于根据与所述芯片的精度评估值集合对应的排序结果和与速度评估值集合对应的排序结果，确定与所述芯片对应的目标模型结构。
20.根据权利要求15或16所述的装置，其中，所述精度评估值集合包括与所述多个芯片中的每个芯片对应的精度评估值集合；
所述速度评估值集合包括与所述多个芯片中的每个芯片对应的速度评估值集合；
其中，所述第二确定模块，包括：
查找子模块，用于针对所述多个芯片中的每个芯片，从与所述芯片对应的速度评估值集合中查找与至少一个预定运行速度值中的每个预定运行速度值对应的至少一个候选模型结构；
第六获得子模块，用于针对所述至少一个预定运行速度值中的每个预定运行速度值，根据与所述芯片对应的精度评估值集合，对与所述预定运行速度值对应的至少一个候选模型结构进行排序，得到与所述预定运行速度值对应的至少一个候选模型结构的排序结果；以及
第六确定子模块，用于根据与所述预定运行速度值对应的至少一个候选模型结构的排序结果，从与所述预定运行速度值应的至少一个候选模型结构中确定与所述芯片对应的目标模型结构。
21.一种电子设备，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权利要求1～10中任一项所述的方法。
22.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1～10中任一项所述的方法。
23.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1～10中任一项所述的方法。
CN202111310390.9A 2021-11-05 2021-11-05 预训练模型的生成方法、装置、电子设备以及存储介质 Active CN114037057B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202111310390.9A CN114037057B (zh) 2021-11-05 2021-11-05 预训练模型的生成方法、装置、电子设备以及存储介质
EP22205528.7A EP4109353A3 (en) 2021-11-05 2022-11-04 Method and apparatus of generating pre-training model, electronic device, and storage medium
US17/980,970 US20230049458A1 (en) 2021-11-05 2022-11-04 Method of generating pre-training model, electronic device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111310390.9A CN114037057B (zh) 2021-11-05 2021-11-05 预训练模型的生成方法、装置、电子设备以及存储介质

Publications (2)

Publication Number Publication Date
CN114037057A true CN114037057A (zh) 2022-02-11
CN114037057B CN114037057B (zh) 2024-03-15

Family

ID=80143098

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111310390.9A Active CN114037057B (zh) 2021-11-05 2021-11-05 预训练模型的生成方法、装置、电子设备以及存储介质

Country Status (3)

Country Link
US (1) US20230049458A1 (zh)
EP (1) EP4109353A3 (zh)
CN (1) CN114037057B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942086A (zh) * 2019-10-30 2020-03-31 平安科技（深圳）有限公司 数据预测优化方法、装置、设备及可读存储介质
CN112434462A (zh) * 2020-10-21 2021-03-02 华为技术有限公司 一种模型的获取方法及设备
CN112559870A (zh) * 2020-12-18 2021-03-26 北京百度网讯科技有限公司 多模型融合方法、装置、电子设备和存储介质
US20210110140A1 (en) * 2020-12-22 2021-04-15 Juan Munoz Environment specific model delivery
CN112784778A (zh) * 2021-01-28 2021-05-11 北京百度网讯科技有限公司 生成模型并识别年龄和性别的方法、装置、设备和介质
CN113128678A (zh) * 2020-01-15 2021-07-16 华为技术有限公司 神经网络的自适应搜索方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200234119A1 (en) * 2019-01-17 2020-07-23 Gyrfalcon Technology Inc. Systems and methods for obtaining an artificial intelligence model in a parallel configuration

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110942086A (zh) * 2019-10-30 2020-03-31 平安科技（深圳）有限公司 数据预测优化方法、装置、设备及可读存储介质
CN113128678A (zh) * 2020-01-15 2021-07-16 华为技术有限公司 神经网络的自适应搜索方法及装置
CN112434462A (zh) * 2020-10-21 2021-03-02 华为技术有限公司 一种模型的获取方法及设备
CN112559870A (zh) * 2020-12-18 2021-03-26 北京百度网讯科技有限公司 多模型融合方法、装置、电子设备和存储介质
US20210110140A1 (en) * 2020-12-22 2021-04-15 Juan Munoz Environment specific model delivery
CN112784778A (zh) * 2021-01-28 2021-05-11 北京百度网讯科技有限公司 生成模型并识别年龄和性别的方法、装置、设备和介质

Also Published As

Publication number Publication date
EP4109353A3 (en) 2023-06-28
EP4109353A2 (en) 2022-12-28
CN114037057B (zh) 2024-03-15
US20230049458A1 (en) 2023-02-16

Similar Documents

Publication Publication Date Title
CN114329201A (zh) 深度学习模型的训练方法、内容推荐方法和装置
CN107392259B (zh) 构建不均衡样本分类模型的方法和装置
CN114972877B (zh) 一种图像分类模型训练方法、装置及电子设备
CN114065864A (zh) 联邦学习方法、联邦学习装置、电子设备以及存储介质
CN113205189B (zh) 训练预测模型的方法、预测方法及装置
CN112905885B (zh) 向用户推荐资源的方法、装置、设备、介质和程序产品
CN114037060A (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN113612777B (zh) 训练方法、流量分级方法、装置、电子设备以及存储介质
CN114037057B (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN112560987B (zh) 图像样本处理方法、装置、设备、存储介质和程序产品
CN115203564A (zh) 信息流推荐方法、装置及计算机程序产品
CN114037058B (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN114610953A (zh) 一种数据分类方法、装置、设备及存储介质
CN114037061A (zh) 预训练模型的生成方法、装置、电子设备以及存储介质
CN113361621A (zh) 用于训练模型的方法和装置
CN116151392B (zh) 训练样本生成方法、训练方法、推荐方法以及装置
CN113360602B (zh) 用于输出信息的方法、装置、设备以及存储介质
CN117009857A (zh) 数据筛选方法、装置、设备、存储介质和产品
CN118643335A (zh) 文本问答模型的训练方法、装置及电子设备
CN116433284A (zh) 一种信息推送方法、装置、电子设备和存储介质
CN118607656A (zh) 一种回归计算模型的参数确定方法、装置、设备及介质
CN115034893A (zh) 深度学习模型的训练方法、风险评估方法和装置
CN117131784A (zh) 一种基于全局代理优化的加速退化试验设计方法和装置
CN116111562A (zh) 一种配电网可靠性确定方法、装置、设备及存储介质
CN115545341A (zh) 一种事件预测方法、装置、电子设备及存储介质

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