CN115080796A - 一种网络结构的搜索方法、装置、存储介质及电子设备 - Google Patents

一种网络结构的搜索方法、装置、存储介质及电子设备 Download PDF

Info

Publication number
CN115080796A
CN115080796A CN202210700822.5A CN202210700822A CN115080796A CN 115080796 A CN115080796 A CN 115080796A CN 202210700822 A CN202210700822 A CN 202210700822A CN 115080796 A CN115080796 A CN 115080796A
Authority
CN
China
Prior art keywords
network structure
network
robustness
coding
determining
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
CN202210700822.5A
Other languages
English (en)
Inventor
何凤翔
高一涛
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 Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information Technology Co Ltd
Original Assignee
Beijing Jingdong Century Trading Co Ltd
Beijing Wodong Tianjun Information 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 Jingdong Century Trading Co Ltd, Beijing Wodong Tianjun Information Technology Co Ltd filed Critical Beijing Jingdong Century Trading Co Ltd
Priority to CN202210700822.5A priority Critical patent/CN115080796A/zh
Publication of CN115080796A publication Critical patent/CN115080796A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种网络结构的搜索方法、装置、存储介质及电子设备。其中方法包括：对于搜索空间中的网络结构，将所述网络结构进行结构编码，得到所述网络结构的结构编码数据；基于预先设置的鲁棒性精度标定器，对所述网络结构的结构编码数据进行预测，得到所述网络结构的鲁棒性预测精度；基于各网络结构的鲁棒性预测精度确定目标网络结构。通过在历史网络结构中筛选目标网络结构，无需在新增应用场景下重新构建网络结构，减少了构建网络结构的人力成本和时间成本，同时筛选出的网络结构符合鲁棒性精度需求，有利于提高新增应用场景下处理模型的鲁棒性。

Description

一种网络结构的搜索方法、装置、存储介质及电子设备
技术领域
本发明实施例涉及深度学习技术，尤其涉及一种网络结构的搜索方法、装置、存储介质及电子设备。
背景技术
近些年深度学习在图像分类、目标检测、推荐系统、自动驾驶等多种领域都取得了良好的效果。但是随之而来的是对深度学习算法安全性的担忧，研究显示，对于一张已有的图片，通过精心构造一些特殊的噪声，然后叠加在原图片上，就能让原本表现很好的机器学习模型出错。此类加噪数据被称为“对抗样本”，而神经网络对对抗样本的鲁棒性被称为“对抗鲁棒性”。
上述攻击算法的出现给深度学习算法的商业化带来了极大的挑战，因此，在深度学习商业化的过程中，定量的标定神经网络架构的对抗鲁棒性十分重要。但是目前鲁棒的神经网络架构是通过人工设计得到的，且人工设计鲁棒网络费时费力，需要大量尝试性的实验，且效果不佳。
发明内容
本发明提供了一种网络结构的搜索方法、装置、存储介质及电子设备，以实现在历史网络结构中快速搜索满足鲁棒性要求的网络结构。
根据本发明的一方面，提供了一种网络结构的搜索方法，包括：
对于搜索空间中的网络结构，将所述网络结构进行结构编码，得到所述网络结构的结构编码数据；
基于预先设置的鲁棒性精度标定器，对所述网络结构的结构编码数据进行预测，得到所述网络结构的鲁棒性预测精度；
基于各网络结构的鲁棒性预测精度确定目标网络结构。
根据本发明的另一方面，提供了一种网络结构的搜索装置，包括：
结构编码模块，用于对于搜索空间中的网络结构，将所述网络结构进行结构编码，得到所述网络结构的结构编码数据；
鲁棒性预测模块，用于基于预先设置的鲁棒性精度标定器，对所述网络结构的结构编码数据进行预测，得到所述网络结构的鲁棒性预测精度；
网络结构确定模块，用于基于各网络结构的鲁棒性预测精度确定目标网络结构。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
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计算机程序，所述计算机程序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发明任一实施例所述的网络结构的搜索方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的网络结构的搜索方法。
本实施例提供的技术方案，通过对搜索空间中存储的历史网络结构进行结构编码，并基于鲁棒性精度标定器对各网络结构的结构编码数据分别进行鲁棒性精度预测，得到各网络结构的鲁棒性预测精度，通过鲁棒性预测精度在搜索空间内的历史网络结构中筛选符合鲁棒性精度需求的目标网络结构。通过在历史网络结构中筛选目标网络结构，无需在新增应用场景下重新构建网络结构，减少了构建网络结构的人力成本和时间成本，同时筛选出的网络结构符合鲁棒性精度需求，有利于提高新增应用场景下处理模型的鲁棒性。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明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
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种网络结构的搜索方法的流程示意图；
图2是本发明实施例提供的一种目标网络结构搜索的流程示意图；
图3是本发明实施例提供的一种网络结构的搜索装置的结构示意图；
图4是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
图1为本发明实施例提供的一种网络结构的搜索方法的流程示意图，本实施例可适用于在历史构建的网络结构中搜索满足鲁棒性需求的网络结构情况，该方法可以由本发明实施例提供的网络结构的搜索装置来执行，该网络结构的搜索装置可以由软件和/或硬件来实现，该网络结构的搜索装置可以配置在电子计算设备上，具体包括如下步骤：
S110、对于搜索空间中的网络结构，将所述网络结构进行结构编码，得到所述网络结构的结构编码数据。
S120、基于预先设置的鲁棒性精度标定器，对所述网络结构的结构编码数据进行预测，得到所述网络结构的鲁棒性预测精度。
S130、基于各网络结构的鲁棒性预测精度确定目标网络结构。
本实施例中，预先设置搜索空间，该搜索空间用于存储历史创建的网络结构，在新增应用场景的情况下，在搜索空间内搜索适应于新增应用场景的网络结构，可省略新增应用场景下网络结构的构建过程，节省网络结构的开发成本，提高网络结构的复用性。
对于搜索空间内存储的网络结构，不限定网络结构的类型，网络结构可以包括但不限于多层感知机模型、诸如VGG、ResNet等的卷积神经网络结构、诸如RNN、LSTM等的循环网络结构等。
在一些实施例中，搜索空间内的各网络结构可以是分别对应描述信息，描述信息可以包括但不限于网络类型。可选的，将搜索空间内的全部网络结构作为搜索对象；可选的，根据搜索需求和各网络结构的描述信息，在搜索空间内确定符合搜索需求的搜索对象。示例性的，搜索需求可以包括但不限于网络结构的类型，例如，搜索需求为循环网络结构，相应的，根据搜索空间内各网络结构的描述信息，将符合“循环网络结构”的网络结构确定为搜索对象。通过设置各网络结构的描述信息，可在大量网络结构中确定搜索范围，剔除干扰网络结构，提高搜索效率。
对于搜索空间内的任一进行搜索的网络结构，进行鲁棒性精度预测，确定网络结构的鲁棒性预测精度，基于各网络结构的鲁棒性预测精度筛选出目标网络结构。本实施例中，通过预先训练好的鲁棒性精度标定器对各网络结构进行鲁棒性精度的预测处理，其中，该鲁棒性精度标定器可以是机器学习模型，在一些实施例中，该鲁棒性精度标定器为深度神经网络模型。此处不限定鲁棒性精度标定器的模型结构。该鲁棒性精度标定器可以是经过训练网络结构以及对应的标注鲁棒性精度训练得到，其中，鲁棒性精度标定器的训练过程可以是：构建初始化鲁棒性精度标定器，对训练网络结构进行结构编码，将训练网络结构的结构编码数据输入至待训练的鲁棒性精度标定器，得到预测鲁棒性精度，基于预测鲁棒性精度和该训练网络结构的标注鲁棒性精度确定损失函数，基于损失函数对上述鲁棒性精度标定器进行网络参数调节，迭代执行上述训练过程，直到满足训练结束条件，得到训练好的鲁棒性精度标定器。其中训练结束条件可以是如下的一项或多项：达到训练样本数量、达到训练精度和训练损失达到收敛状态。
具体的，将搜索空间内进行搜索的网络结构进行结构编码，将得到的结构编码数据输入至训练好的鲁棒性精度标定器中，得到鲁棒性精度标定器输出的该网络结构的鲁棒性预测精度，其中，鲁棒性预测精度越高，表征该网络结构的对抗鲁棒性越好。本实施例中，通过将网络结构通过结构编码的形式转换为编码数据结构，以满足鲁棒性精度标定器的输入要求，实现了通过鲁棒性精度标定器对网络结构的自动预测，简化了鲁棒性标定过程。
可选的，将所述网络结构进行结构编码，得到所述网络结构的结构编码数据，包括：识别所述网络结构中的结构单元，与各结构单元之间的连接关系；分别确定各所述结构单元和各所述连接关系对应的编码值，基于各所述结构单元的编码值和各所述连接关系对应的编码值得到所述网络结构的结构编码数据。其中，网络结构中存在的结构单元包括但不限于卷积层、池化层、激活函数层、全连接层，连接关系包括但不限于串联、并联、跳跃连接等。各结构单元和各连接关系分别设置唯一编码值，通过将网络结构中的各个结构单元和结构单元之间的连接关系转换为对应的编码值，以得到结构编码数据，该结构编码数据可以是矩阵形式。
可选的，预先设置编码列表，该编码列表中包括结构单元与编码值的映射关系，以及连接关系与编码值的映射关系，识别网络结构中的结构单元和连接关系，在编码列表中匹配到对应的编码值，以形成网络结构的结构编码数据。
在一些实施例中，预先设置各网络类型对应的结构编码模板，根据待搜索的网络结构的网络类型，调用对应的结构编码模板，基于待搜索的网络结构更新结构编码模板以得到对应的网络编码数据，具体的，可以是将每一次结构单元对应编码值和连接关系的编码值，更新到结构编码模板中的对应位置，得到该网络结构的网络编码数据，以简化网络编码数据的确定过程。其中，任一网络类型的结构编码模板可以是根据该网络类型对应的最大网络层数的网络结构确定，示例性的，以卷积神经网络为例，假设卷积神经网络的最大网络层数为10000，基于该最大网络层数构建结构编码模板的结构编码模板，该结构编码模板中编码值为待定值。待搜索的网络结构为500层的卷积神经网络为例，调用卷积神经网络对应的结构编码模板，将网络编码数据中各层的编码值和各层之间连接关系的编码值分别添加到结构编码模板中，对于500层之后的编码值设置为空，或者设置为诸如0的预设编码值。
基于鲁棒性精度标定器对待搜索的网络结构进行鲁棒性预测，得到各网络结构的鲁棒性预测精度，可以是将鲁棒性预测精度最大的网络模型确定为目标网络模型，或者，还可以是将大于鲁棒性精度阈值的网络模型确定为目标网络模型，以供用户选择。
在上述实施例的基础上，可以是将各网络模型的鲁棒性预测精度进行存储，示例性的，在搜索空间内网络结构与对应的鲁棒性预测精度关联存储。示例性的，设置鲁棒性精度列表，该鲁棒性精度列表中存储网络结构标识与鲁棒性预测精度的映射关系。相应的，存在对网络结构的搜索需求时，读取搜索空间内各网络结构对应的鲁棒性预测精度，在存在新增网络结构，即未对应存储鲁棒性预测精度的网络结构，执行上述实施例中提供的方法，以得到新增网络结构的鲁棒性预测精度。通过存储网络结构的鲁棒性预测精度，可在后续的搜索过程中，无需进行重复的预测过程，提高搜索效率。
需要说明的是，搜索空间中的网络结构的网络参数待定，在确定目标网络结构后，可获取新增应用场景下的样本数据，基于该样本数据对目标网络结构进行训练，以得到适应于新增应用场景的处理模型。
本实施例提供的技术方案，通过对搜索空间中存储的历史网络结构进行结构编码，并基于鲁棒性精度标定器对各网络结构的结构编码数据分别进行鲁棒性精度预测，得到各网络结构的鲁棒性预测精度，通过鲁棒性预测精度在搜索空间内的历史网络结构中筛选符合鲁棒性精度需求的目标网络结构。通过在历史网络结构中筛选目标网络结构，无需在新增应用场景下重新构建网络结构，减少了构建网络结构的人力成本和时间成本，同时筛选出的网络结构符合鲁棒性精度需求，有利于提高新增应用场景下处理模型的鲁棒性。
在上述实施例的基础上，该方法还包括：基于所述网络结构的结构编码数据，确定所述网络结构的训练性能指标；相应的，所述基于各网络结构的鲁棒性预测精度确定目标网络结构，包括：基于各网络结构的鲁棒性预测精度和训练性能指标确定目标网络结构。
对于网络结构，鲁棒性精度为用于衡量网络结构的其中一个指标，本实施例中，对于待搜索的网络结构，分别确定鲁棒性预测精度和训练性能指标，并基于鲁棒性预测精度和训练性能指标共同作为筛选条件，在搜索空间内确定目标网络结构。其中，训练性能指标为用于衡量网络结构的训练过程中的参数，可选的，训练性能指标包括可训练性指标和表达性指标。示例性的，参见图2，图2是本发明实施例提供的一种目标网络结构搜索的流程示意图。
本实施例中，网络结构的可训练性指标用于表征通过梯度下降法进行训练的有效性，可通过模型参数矩阵的条件数表征可训练性指标。网络结构的表达性指标用于表征网络结构能够表达复杂性，可通过模型划分的线性区域数量表征表达性指标，进一步的，网络结构的可训练性指标和表达性指标与网络结构的测试准确率相关，可通过网络结构的可训练性指标和表达性指标表示网络结构的测试准确率。相应的，基于所述网络结构的结构编码数据，确定所述网络结构的训练性能指标，包括：基于所述网络结构的结构编码数据确定模型参数矩阵的条件数，以及，所述网络结构的结构编码数据确定模型划分的线性区域数量；基于所述模型参数矩阵的条件数的最小值和所述模型划分的线性区域数量的最大值，确定所述网络结构的训练性能指标。
其中，模型参数矩阵的条件数可以是基于神经正切核(Neural Tangent Kernel，NTK)的方法计算得到。以网络结构通过梯度下降法训练得到，梯度下降训练的宽神经网络会逐渐向线性模型发展，其中训练的动态可以通过常微分方程控制。在网络结构的训练过程中，可通过如下公式对给定的训练数据求解期望输出：
Figure BDA0003703899180000091
其中，Xtrain为输入样本数据，Ytrain为样本数据的标签数据，Xtrain和Ytrain都取自训练集Dtrain，I为单位矩阵，
Figure BDA0003703899180000092
作为宽网络的期望输出，其中，
Figure BDA0003703899180000093
过
Figure BDA0003703899180000094
计算得到，
Figure BDA0003703899180000095
表示参数为θα的网络结构在输入数据X上计算的Jacobian矩阵，
Figure BDA0003703899180000096
为表示网络输出层L的第i个神经元的输出。
随着训练步骤t趋于无穷，μt(Xtrain)也会趋于Ytrain。基于
Figure BDA0003703899180000101
的条件数与网络可训练性的关系，将上述公式从矩阵Θ的谱(spectrum)的角度转换为：
Figure BDA0003703899180000102
其中，λi是矩阵
Figure BDA0003703899180000103
的特征值。特征值排序为λ0≥…≥λm，其中，m为矩阵
Figure BDA0003703899180000104
的特征值的总数量。
相应的，网络结构的模型参数矩阵的条件数可通过K(α)＝λ0/λm表示。其中，假设最大可行的学习率为η～2/λ0，将其代入上述公式可以发现λm以1/k给定的速率指数收敛，且如果与网络结构相关的NTK的K发散，那么网络结构将变得不可训练。模型参数矩阵的条件数越大，网络结构的可训练性越差。
网络结构的表达能力越大，表明它可以表示越复杂的函数，对于使用激活函数(例如激活函数可以是ReLU激活函数)的网络结构，每个激活函数定义一个线性边界并将其输入空间划分为两个区域。由于分段线性函数的组合仍然是分段线性的，因此每个使用激活函数的网络结构(例如ReLU网络)都可以看作是一个分段线性函数。使用激活函数的网络结构的输入空间可以划分为不同的片段(即线性区域，linear regions)，每个片段都与一组仿射参数相关联，网络表示的函数在受限于每个片段时是仿射的。因此，可以通过分离出的线性区域的数量来衡量使用激活函数的网络结构的表达能力。
使用激活函数的网络结构的激活模式和线性区域的定义：设N为激活函数(例如ReLU函数)的网络结构(例如CNN)。N的激活模式是从神经元集合到{1,-1}的函数映射P，即对于N中的每个神经元z，函数映射P(z)∈{1,-1}。设θ为N中的一组固定参数(权重和偏差)，P为激活模式。
此时P和θ对应的区域是：
Figure BDA0003703899180000111
其中z(x0；θ)是神经元z的预激活(pre-activation)，RN,θ表示N在θ处的线性区域数：RN,θ：＝#{R(P；θ):R(P；θ)≠φ,对于某些激活模式P}，表明输入空间中的一个线性区域是一组满足某个固定激活模式P(z)的输入数据x0，因此线性区域的数量RN,θ衡量了由网络可以划分多少个独特的激活模式，相应的，激活模式的类型越多，网络结构可以表达的函数复杂性越高，即网络结构的表达能力越强。本实施例中，可通过在参数初始化Kaiming NormInitialization中采样网络参数来重复测量线性区域的数量，并计算平均值作为其期望的近似值，即
Figure BDA0003703899180000112
在上述实施例的基础上，可基于如下公式得到网络结构的训练性能指标：
I(α)＝min(K(α))+max(R(α))
其中，α为输入网络结构的稀疏编码，即结构编码数据，K(α)为输入网络结构的模型参数矩阵的条件数，R(α)为输入网络结构的模型划分的线性区域数量，I(α)为输入网络结构的训练性能指标。
在上述实施例的基础上，通过预测的搜索策略，基于各网络模型的鲁棒性预测精度和训练性能指标确定目标网络结构(即图2中最好的模型)。其中，搜索策略可以是基于鲁棒性预测精度和训练性能指标确定综合性能指标，基于综合性能指标对各网络结构进行排序，将满足性能阈值或者最大综合性能指标的网络结构确定为目标网络结构。其中，本实施例中不限定综合性能指标的确定方式，示例性的，可以是通过加权方式确定。
可选的，基于各网络结构的鲁棒性预测精度和训练性能指标确定目标网络结构，包括：对于任一网络结果，基于预设平衡系数，对所述鲁棒性预测精度和所述训练性能指标进行联合处理，得到所述网络结构的综合性能指标；基于各网络结构的综合性能指标确定目标网络结构。其中，预设平衡系数可以是预先设置的权重，对此不足限定。示例性的，综合性能指标的确定方式可以是：f′(θ,α)+λI，其中，λ为预设平衡系数，f′(·)为鲁棒性精度标定器，θ为鲁棒性精度标定器的参数。相应的，目标网络结构的确定方式可以是：M＝max(f′(θ,α)+λI)。
在上述实施例的基础上，将网络结构的鲁棒性预测精度和训练性能指标，与对应网络结构标识进行关联存储；相应的，在将所述网络结构进行结构编码，得到所述网络结构的结构编码数据之前，读取各网络结构的鲁棒性预测精度和训练性能指标；以及，确定所述搜索空间中的新增网络结构，对所述新增网络结构进行结构编码，得到所述网络结构的结构编码数据，基于新增网络结构的结构编码数据确定该新增网络结构的鲁棒性预测精度和训练性能指标。
本实施例的技术方案，通过对搜索空间中存储的历史网络结构进行结构编码，并基于确定的结构编码数据确定各网络结构鲁棒性预测精度和训练性能指标，通过鲁棒性预测精度和训练性能指标在搜索空间内的历史网络结构中筛选目标网络结构。通过所维度性能指标搜索目标网络结构，以保证搜索到目标网络结构的整体性能，减少对搜索到目标网络结构的二次开发导致的开发成本。
图3是本发明实施例提供的一种网络结构的搜索装置的结构示意图，该装置包括：
结构编码模块210，用于对于搜索空间中的网络结构，将所述网络结构进行结构编码，得到所述网络结构的结构编码数据；
鲁棒性预测模块220，用于基于预先设置的鲁棒性精度标定器，对所述网络结构的结构编码数据进行预测，得到所述网络结构的鲁棒性预测精度；
网络结构确定模块230，用于基于各网络结构的鲁棒性预测精度确定目标网络结构。
可选的，结构编码模块210用于：
识别所述网络结构中的结构单元，与各结构单元之间的连接关系；
分别确定各所述结构单元和各所述连接关系对应的编码值，基于各所述结构单元的编码值和各所述连接关系对应的编码值得到所述网络结构的结构编码数据。
可选的，该装置还包括：
训练性能指标确定模块，用于基于所述网络结构的结构编码数据，确定所述网络结构的训练性能指标；
相应的，网络结构确定模块230用于：基于各网络结构的鲁棒性预测精度和训练性能指标确定目标网络结构。
可选的，训练性能指标确定模块用于：
基于所述网络结构的结构编码数据确定模型参数矩阵的条件数，以及，所述网络结构的结构编码数据确定模型划分的线性区域数量；
基于所述模型参数矩阵的条件数的最小值和所述模型划分的线性区域数量的最大值，确定所述网络结构的训练性能指标。
可选的，网络结构确定模块230用于：对于任一网络结果，基于预设平衡系数，对所述鲁棒性预测精度和所述训练性能指标进行联合处理，得到所述网络结构的综合性能指标；基于各网络结构的综合性能指标确定目标网络结构。
可选的，该装置还包括：
存储模块，用于将网络结构的鲁棒性预测精度或训练性能指标，与对应网络结构标识进行关联存储；
信息读取模块，用于在将所述网络结构进行结构编码，得到所述网络结构的结构编码数据之前，读取各网络结构的鲁棒性预测精度或训练性能指标；
相应的，结构编码模块210用于：
确定所述搜索空间中的新增网络结构，对所述新增网络结构进行结构编码，得到所述网络结构的结构编码数据。
可选的，该装置还包括：
模型训练模块，用于在确定目标网络结构之后，获取当前场景的样本数据，基于所述样本数据对所述目标网络结构进行训练，得到所述当前场景对应的处理模型。
本发明实施例所提供的网络结构的搜索装置可执行本发明任意实施例所提供的网络结构的搜索方法，具备执行网络结构的搜索方法相应的功能模块和有益效果。
图4示出了可以用来实施本发明的实施例的电子设备10的结构示意图。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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图4所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理，例如网络结构的搜索方法。
在一些实施例中，网络结构的搜索方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的网络结构的搜索方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行网络结构的搜索方法。
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)、负载可编程逻辑设备(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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序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，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中，计算机可读存储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计算机程序。计算机可读存储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。备选地，计算机可读存储介质可以是机器可读信号介质。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，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：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电子设备。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)、区块链网络和互联网。
计算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，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，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
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，本发明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，只要能够实现本发明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，并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (10)

1.一种网络结构的搜索方法，其特征在于，包括：
对于搜索空间中的网络结构，将所述网络结构进行结构编码，得到所述网络结构的结构编码数据；
基于预先设置的鲁棒性精度标定器，对所述网络结构的结构编码数据进行预测，得到所述网络结构的鲁棒性预测精度；
基于各网络结构的鲁棒性预测精度确定目标网络结构。
2.根据权利要求1所述的方法，其特征在于，所述将所述网络结构进行结构编码，得到所述网络结构的结构编码数据，包括：
识别所述网络结构中的结构单元，与各结构单元之间的连接关系；
分别确定各所述结构单元和各所述连接关系对应的编码值，基于各所述结构单元的编码值和各所述连接关系对应的编码值得到所述网络结构的结构编码数据。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
基于所述网络结构的结构编码数据，确定所述网络结构的训练性能指标；
相应的，所述基于各网络结构的鲁棒性预测精度确定目标网络结构，包括：
基于各网络结构的鲁棒性预测精度和训练性能指标确定目标网络结构。
4.根据权利要求3所述的方法，其特征在于，所述基于所述网络结构的结构编码数据，确定所述网络结构的训练性能指标，包括：
基于所述网络结构的结构编码数据确定模型参数矩阵的条件数，以及，所述网络结构的结构编码数据确定模型划分的线性区域数量；
基于所述模型参数矩阵的条件数的最小值和所述模型划分的线性区域数量的最大值，确定所述网络结构的训练性能指标。
5.根据权利要求3所述的方法，其特征在于，所述基于各网络结构的鲁棒性预测精度和训练性能指标确定目标网络结构，包括：
对于任一网络结果，基于预设平衡系数，对所述鲁棒性预测精度和所述训练性能指标进行联合处理，得到所述网络结构的综合性能指标；
基于各网络结构的综合性能指标确定目标网络结构。
6.根据权利要求1或3所述的方法，其特征在于，所述方法还包括：
将网络结构的鲁棒性预测精度或训练性能指标，与对应网络结构标识进行关联存储；
相应的，在将所述网络结构进行结构编码，得到所述网络结构的结构编码数据之前，还包括：读取各网络结构的鲁棒性预测精度或训练性能指标；
以及，所述将所述网络结构进行结构编码，得到所述网络结构的结构编码数据，包括：
确定所述搜索空间中的新增网络结构，对所述新增网络结构进行结构编码，得到所述网络结构的结构编码数据。
7.根据权利要求1或3所述的方法，其特征在于，在确定目标网络结构之后，所述方法还包括：
获取当前场景的样本数据，基于所述样本数据对所述目标网络结构进行训练，得到所述当前场景对应的处理模型。
8.一种网络结构的搜索装置，其特征在于，包括：
结构编码模块，用于对于搜索空间中的网络结构，将所述网络结构进行结构编码，得到所述网络结构的结构编码数据；
鲁棒性预测模块，用于基于预先设置的鲁棒性精度标定器，对所述网络结构的结构编码数据进行预测，得到所述网络结构的鲁棒性预测精度；
网络结构确定模块，用于基于各网络结构的鲁棒性预测精度确定目标网络结构。
9.一种电子设备，其特征在于，所述电子设备包括：
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计算机程序，所述计算机程序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中任一项所述的网络结构的搜索方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-7中任一项所述的网络结构的搜索方法。
CN202210700822.5A 2022-06-20 2022-06-20 一种网络结构的搜索方法、装置、存储介质及电子设备 Pending CN115080796A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210700822.5A CN115080796A (zh) 2022-06-20 2022-06-20 一种网络结构的搜索方法、装置、存储介质及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210700822.5A CN115080796A (zh) 2022-06-20 2022-06-20 一种网络结构的搜索方法、装置、存储介质及电子设备

Publications (1)

Publication Number Publication Date
CN115080796A true CN115080796A (zh) 2022-09-20

Family

ID=83254309

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210700822.5A Pending CN115080796A (zh) 2022-06-20 2022-06-20 一种网络结构的搜索方法、装置、存储介质及电子设备

Country Status (1)

Country Link
CN (1) CN115080796A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359727A (zh) * 2018-12-07 2019-02-19 北京字节跳动网络技术有限公司 神经网络的结构确定方法、装置、设备及可读介质
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
CN113408692A (zh) * 2020-03-16 2021-09-17 顺丰科技有限公司 网络结构的搜索方法、装置、设备及存储介质
US20210334646A1 (en) * 2020-04-28 2021-10-28 International Business Machines Corporation Robustness-aware quantization for neural networks against weight perturbations

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109359727A (zh) * 2018-12-07 2019-02-19 北京字节跳动网络技术有限公司 神经网络的结构确定方法、装置、设备及可读介质
CN113408692A (zh) * 2020-03-16 2021-09-17 顺丰科技有限公司 网络结构的搜索方法、装置、设备及存储介质
US20210334646A1 (en) * 2020-04-28 2021-10-28 International Business Machines Corporation Robustness-aware quantization for neural networks against weight perturbations
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

Similar Documents

Publication Publication Date Title
WO2022068623A1 (zh) 一种模型训练方法及相关设备
CN112784778B (zh) 生成模型并识别年龄和性别的方法、装置、设备和介质
CN113705628B (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
CN112561060B (zh) 神经网络训练方法及装置、图像识别方法及装置和设备
CN112560985B (zh) 神经网络的搜索方法、装置及电子设备
CN112883149A (zh) 一种自然语言处理方法以及装置
CN114330699A (zh) 神经网络结构搜索方法及装置
CN113837308A (zh) 基于知识蒸馏的模型训练方法、装置、电子设备
CN113328908B (zh) 异常数据的检测方法、装置、计算机设备和存储介质
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
CN114648676A (zh) 点云处理模型的训练和点云实例分割方法及装置
WO2023231753A1 (zh) 一种神经网络的训练方法、数据的处理方法以及设备
CN113869496A (zh) 一种神经网络的获取方法、数据处理方法以及相关设备
CN115631381A (zh) 分类模型训练方法、图像分类方法、装置及电子设备
CN113705809A (zh) 一种数据预测模型训练方法、工业指标预测方法和装置
CN113961765A (zh) 基于神经网络模型的搜索方法、装置、设备和介质
CN114580548A (zh) 一种目标检测模型的训练方法、目标检测方法及装置
CN114067099A (zh) 学生图像识别网络的训练方法及图像识别方法
CN113516185A (zh) 模型训练的方法、装置、电子设备及存储介质
CN115080796A (zh) 一种网络结构的搜索方法、装置、存储介质及电子设备
Li et al. Remaining useful life prediction of bearings using a trend memory attention-based GRU network
CN116701875A (zh) 一种特高压交流输电线路可听噪声概率预测方法及系统
CN117079017A (zh) 可信的小样本图像识别分类方法
CN116468945A (zh) 一种变电站的检测方法、装置、设备及存储介质
CN116486341A (zh) 基于rfid的人体行为识别模型的训练、识别方法及装置

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