KR20220003444A - 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체 - Google Patents

옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체 Download PDF

Info

Publication number
KR20220003444A
KR20220003444A KR1020210039189A KR20210039189A KR20220003444A KR 20220003444 A KR20220003444 A KR 20220003444A KR 1020210039189 A KR1020210039189 A KR 1020210039189A KR 20210039189 A KR20210039189 A KR 20210039189A KR 20220003444 A KR20220003444 A KR 20220003444A
Authority
KR
South Korea
Prior art keywords
optimizer
meta
neural network
learning model
information
Prior art date
Application number
KR1020210039189A
Other languages
English (en)
Other versions
KR102607536B1 (ko
Inventor
샤오민 팡
판 왕
예란 모
징저우 허
Original Assignee
베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
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 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. filed Critical 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디.
Publication of KR20220003444A publication Critical patent/KR20220003444A/ko
Application granted granted Critical
Publication of KR102607536B1 publication Critical patent/KR102607536B1/ko

Links

Images

Classifications

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

Landscapes

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

Abstract

본 발명은 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체를 개시하였는 바, 심층 학습 기술 분야에 관한 것이다. 본 발명이 옵티마이저 학습을 실행할 때 채용하는 실현 방안은, 복수의 데이터 세트를 포함하는 트레이닝 데이터를 취득하는 단계 - 각각의 데이터 세트는 신경망의 속성 정보, 신경망의 옵티마이저 정보 및 옵티마이저의 매개 변수 정보를 포함함 -; 및 각각의 데이터 세트 중의 신경망의 속성 정보 및 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 메타 학습 모델이 수렴될 때까지 상기 메타 학습 모델을 트레이닝 하는 단계를 포함한다. 본 발명은 옵티마이저의 자가 적응을 실현함으로써, 옵티마이저의 일반화 능력을 향상시킬 수 있다.

Description

옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체 {OPTIMIZER LEARNING METHOD AND APPARATUS, ELECTRONIC DEVICE AND READABLE STORAGE MEDIUM}
본 발명은 인공 지능 기술 분야에 관한 것인 바, 특히 심층 학습 기술 분야의 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체에 관한 것이다.
심층 신경망은 기계 학습에서 자주 사용하는 방법인 바, 최근 몇 년 동안에는 각각의 분야에 광범하게 응용되고 있다. 심층 신경망의 트레이닝 과정은 옵티마이저（optimizer）를 사용하여 신경망을 수렴할 필요가 있다. 즉 옵티마이저를 사용하여 망 매개 변수를 갱신하여 망의 최적점을 찾을 필요가 있다. 따라서, 옵티마이저는 망의 수렴 속도 및 트레이닝 효과에 직접 영향을 미치며, 느린 수렴 속도는 계산 리소스의 소비를 증가시키게 된다.
종래 기술은 일반적으로는 인공 경험에 기반한 옵티마이저 및 모델에 기반한 옵티마이저를 포함한다. 여기서, 인공 경험에 기반한 옵티마이저는 서로 다른 태스크 및 서로 다른 망 구조에 기반하여 적응적으로 실행할 수 없고, 또한 인력과 물력을 소비하여 트레이닝의 서로 다른 단계에서 옵티마이저 중의 매개 변수를 조정해야 하고, 모델에 기반한 옵티마이저는 비록 일정 정도의 적응을 실행할 수 있지만, 일부 고정되거나 비슷한 망 구조 및 동일한 유형의 태스크에 대하여서만 적응을 실행할 수 있으며, 서로 다른 망 구조 및 서로 다른 유형의 태스크에 대해서는 일반화 능력을 갖지 않는다.
본 발명이 기술 문제를 해결하기 위하여 채용하는 기술 방안은 옵티마이저 학습 방법을 제공한다.
당해 방법은 복수의 데이터 세트를 포함하는 트레이닝 데이터를 취득하는 단계 - 각각의 데이터 세트는 신경망의 속성 정보, 신경망의 옵티마이저 정보 및 옵티마이저의 매개 변수 정보를 포함함 -; 및 각각의 데이터 세트 중의 신경망의 속성 정보 및 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 메타 학습 모델이 수렴될 때까지 상기 메타 학습 모델을 트레이닝 하는 단계를 포함한다.
본 발명이 기술 문제를 해결하기 위하여 채용하는 기술 방안은 옵티마이저 학습 장치를 제공하는 바, 당해 장치는, 복수의 데이터 세트를 포함하는 트레이닝 데이터를 취득하기 위한 취득 유닛 - 각각의 데이터 세트는 신경망의 속성 정보, 신경망의 옵티마이저 정보 및 옵티마이저의 매개 변수 정보를 포함함 -; 및 각각의 데이터 세트 중의 신경망의 속성 정보 및 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 메타 학습 모델이 수렴될 때까지 상기 메타 학습 모델을 트레이닝 하기 위한 트레이닝 유닛을 구비한다.
전자 기기에 있어서, 적어도 하나의 프로세서; 및 상기 적어도 하나의 프로세서와 통신 연결된 메모리를 구비하며, 상기 메모리에는 상기 적어도 하나의 프로세서에 의해 수행 가능한 명령이 기록되어 있으며, 상기 명령이 상기 적어도 하나의 프로세서에 의해 수행되어 상기 적어도 하나의 프로세서로 하여금 상기 방법을 실행하도록 한다.
컴퓨터 명령이 기록되어 있는 비 일시적 컴퓨터 판독 가능 기록 매체에 있어서, 상기 컴퓨터 명령은 상기 컴퓨터로 하여금 상기 방법을 실행하도록 한다.
본 발명의 일 실시예는 아래의 이점 또는 유익한 효과를 가진다. 본 발명은 옵티마이저의 자가 적응을 실현함으로써, 옵티마이저의 일반화 능력을 향상시킬 수 있다. 메타 학습 모델을 구축하여 서로 다른 속성 정보 및 옵티마이저 정보를 가지는 신경망의 옵티마이저의 매개 변수를 학습시키는 기술 수단을 채용하기 때문에, 종래 기술에서의 옵티마이저가 서로 다른 망 구조 및 서로 다른 유형 태스크의 신경망에 적응하지 못하는 기술 문제를 극복하였고, 옵티마이저의 자가 적응 및 옵티마이저의 일반화 능력을 향상시킬 수 있는 기술 효과를 실현하였다.
상기 선택적인 방식이 가지는 기타 효과는 아래에서 구체적인 실시예를 참조하여 설명하기로 한다.
도면은 본 방안을 더 잘 이해하도록 하기 위한 것이며, 본 발명에 대한 한정을 이루지 않는다.
도 1은 본 발명에 따른 제1 실시예의 모식도이다.
도 2는 본 발명에 따른 제2 실시예의 모식도이다.
도 3은 본 발명은 실시예의 옵티마이저 학습 방법을 실현하기 위한 전자 기기의 블럭도이다.
이하, 도면을 참조하여 본 발명의 시범적인 실시예를 설명하는 바, 본 발명에 대한 이해를 돕기 위해 여기에는 본 발명 실시예의 다양한 세부 사항이 포함되며, 이러한 세부 사항을 단지 시범적인 것으로 간주해야 할 것이다. 따라서, 당업자는 본 발명의 범위 및 정신을 벗어나지 않는 전제 하에서, 여기서 설명되는 실시예에 대해 다양한 변경 및 수정을 수행할 수 있음을 인식해야 한다. 마찬가지로, 명확성 및 간결성을 위하여 이하의 설명에서는 잘 알려진 기능 및 구조의 설명을 생략하였다.
도 1은 본 발명에 따른 제1 실시예의 모식도이다. 도 1에 나타낸 바와 같이, 본 실시예의 옵티마이저 학습 방법은 구체적으로 아래의 단계를 포함할 수 있다.
S101에 있어서, 복수의 데이터 세트를 포함하는 트레이닝 데이터를 취득하며, 여기서, 각각의 데이터 세트는 신경망의 속성 정보, 신경망의 옵티마이저 정보 및 옵티마이저의 매개 변수 정보를 포함하며,
S102에 있어서, 각각의 데이터 세트 중의 신경망의 속성 정보 및 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 메타 학습 모델(meta-learning model)이 수렴될 때까지 상기 메타 학습 모델을 트레이닝 한다.
본 실시예의 옵티마이저 학습 방법에 따르면, 메타 학습 모델을 구축하여 서로 다른 속성 정보 및 옵티마이저 정보를 가지는 신경망의 옵티마이저의 매개 변수를 학습시킴으로써, 신경망의 옵티마이저로 하여금 서로 다른 속성 정보를 갖는 신경망에 자동적으로 적응하도록 할 수 있으므로, 옵티마이저의 자가 적응을 실현하였고, 옵티마이저의 일반화 능력을 향상시켰으며, 따라서 신경망의 트레이닝 공정을 가속화시켰고, 신경망의 트레이닝 효과를 향상시켰다.
본 실시예의 옵티마이저（optimizer）는 함수일 수도 있고, 신경망에 기반한 모델일 수도 있다. 당해 옵티마이저는 자신에 대응하는 신경망의 매개 변수를 갱신함으로써 신경망이 수렴되도록 한다. 여기서, 본 실시예의 신경망은 심층 신경망이다.
본 실시예의 각각의 데이터 세트 중의 신경망의 속성 정보는 신경망의 구조 정보 및 신경망의 태스크 정보 중의 적어도 하나를 포함하는 바, 신경망의 망 구조 및 트레이닝 하는 태스크의 유형을 반영시키기 위한 것이다, 여기서 신경망의 구조 정보는 순환 신경망（Recurrent Neural Network: RNN）, 컨볼루션 신경망（Convolutional Neural Network: CNN） 등일 수 있으며, 신경망의 태스크 정보는 그림 분류 태스크, 텍스트 인식 태스크 등일 수 있다.
본 실시예의 각각의 데이터 세트 중의 신경망의 옵티마이저 정보는 신경망 매개 변수를 갱신하는 옵티마이저의 유형을 나타내는 바, 예를 들면 SGD, Momentum, Adam 등일 수 있고; 옵티마이저의 매개 변수 정보는 옵티마이저의 신경망의 각각의 단계의 트레이닝 과정에서의 매개 변수에 대응한다.
본 실시예에서 취득한 데이터 세트는 서로 다른 망 구조, 서로 다른 유형 트레이닝 태스크 및 서로 다른 유형 옵티마이저를 가지는 신경망에 대응하기에, 트레이닝 하여 얻은 메타 학습 모델은 옵티마이저의 서로 다른 구조 및 서로 다른 태스크에 대한 신경망의 일반화 능력을 더 한층 향상시킬 수 있음을 이해할 수 있다.
본 실시예에서 취득한 신경망의 속성 정보에 신경망의 구조 정보 및 신경망의 태스크 정보가 포함되어 있기에, 본 실시예 트레이닝 하여 얻은 메타 학습 모델은 서로 다른 구조의 신경망이 서로 다른 유형의 태스크를 트레이닝 할 때의 옵티마이저의 매개 변수를 측정할 수 있다.
본 실시예는 데이터 세트를 취득한 후, 각각의 데이터 세트 중에 포함된 상기 정보에 기반하여 메타 학습 모델이 수렴될 때까지 메타 학습 모델의 트레이닝을 실행한다. 여기서, 본 실시예의 메타 학습 모델은 신경망 모델일 수 있다.
본 실시예는 메타 학습（meta learning）의 방식을 통해 메타 학습 모델(meta learning model)을 트레이닝 함으로써, 메타 학습 모델로 하여금 서로 다른 속성 정보를 갖는 신경망의 트레이닝 과정에서의 옵티마이저의 매개 변수를 학습하도록 할 수 있다.
본 실시예의 메타 학습은 “어떻게 학습할지를 학습함”인 바, 즉 기타 태스크의 학습 경험을 학습함으로써, 새로운 태스크에 대해서도 학습에 자발적으로 적응하도록 하는 것이다. 본 실시예의 메타 학습은 서로 다른 신경망의 트레이닝 과정에서의 각각의 단계의 옵티마이저의 매개 변수를 마이닝 함으로서, 메타 학습 모델로 하여금 새로운 태스크 중의 신경망의 속성 정보 및 옵티마이저 정보에 기반하여 옵티마이저의 당해 신경망의 각각의 단계의 트레이닝 과정에서의 매개 변수를 측정할 수 있도록 한다.
본 실시예는 각각의 데이터 세트에 기반하여 메타 학습 모델의 트레이닝을 실행할 때, 메타 학습 모델의 출력 결과 및 데이터 세트 중의 매개 변수 정보에 기반하여 손실 함수를 계산할 수 있으며, 계산하여 얻은 손실 함수가 수렴될 때, 즉 메타 학습 모델이 수렴되었다고 여길 수 있을 때, 메타 학습 모델의 트레이닝 과정이 완료된다. 또한, 본 실시예 그라디언트 또는 재귀 모델의 방식을 통해 메타 학습을 실행하여 메타 학습 모델을 얻을 수도 있는 바, 본 실시예는 이에 대해 한정하지 않는다.
옵티마이저 학습을 실행할 때 사용하는 트레이닝 시퀀스가 비교적 길거나, 또한 트레이닝을 실행할 때 수천 번 심지어 더 많은 횟수의 반복이 필요하기에, 종래의 메타 학습 방법은 그다지 실용적이지 않다.
메타 학습 모델의 트레이닝 효과를 더 한층 향상시키기 위하여, 본 실시예는 데이터 세트에 기반하여 메타 학습 모델의 트레이닝을 실행할 때, 현재 메타 학습 모델의 매개 변수를 제1 매개 변수로 설정하는 것; 노이즈를 사용하여 제1 매개 변수에 대해 디더링을 실행하여 복수의 디더링 매개 변수를 취득하는 것 - 즉 제1 매개 변수를 조금 개변하며, 여기서 노이즈는 가우스 노이즈일 수 있음 -; 취득한 복수의 디더링 매개 변수에 기반하여 복수의 디더링 메타 학습 모델(dithering meta learning model)을 구축하는 것 - 즉 각각의 디더링 매개 변수를 사용하여 제1 매개 변수를 교체함 -; 각각의 데이터 세트 중의 신경망의 속성 정보 및 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 각각의 디더링 메타 학습 모델을 각각 트레이닝 하는 것 - 여기서 각각의 디더링 메타 학습 모델이 사용하는 데이터 세트는 동일하거나 서로 다를 수 있음 -; 및 트레이닝 결과에 기반하여 소정의 조건을 충족시키는 디더링 메타 학습 모델을 선택하여 최종 메타 학습 모델(final meta learning model)로 설정하는 것을 채용할 수 있다.
본 실시예 손실 함수가 가장 작은 디더링 메타 학습 모델을 선택하여 소정의 조건을 충족시키는 메타 학습 모델로 설정할 수 있고, 수렴 속도 가장 빠른 디더링 메타 학습 모델을 선택하여 소정의 조건을 충족시키는 메타 학습 모델로 설정할 수도 있음을 이해할 수 있다.
또한, 메타 학습 모델의 트레이닝 정확성을 더 한층 향상시키기 위하여, 본 실시예는 트레이닝 결과에 기반하여 소정의 조건을 충족시키는 디더링 메타 학습 모델을 선택하여 최종 메타 학습 모델로 설정할 때, 트레이닝 결과에 기반하여 소정의 조건을 충족시키는 디더링 메타 학습 모델의 디더링 매개 변수를 결정하는 것; 상기 결정된 디더링 매개 변수를 다시 제1 매개 변수로 설정한 후, 노이즈를 사용하여 다시 제1 매개 변수에 대해 디더링을 실행하는 단계로 진입하는 것; 및 이렇게 소정의 횟수를 반복하여 선택된 디더링 메타 학습 모델을 최종 메타 학습 모델로 설정하는 것을 채용할 수 있다. 여기서, 본 실시예의 소정의 횟수는 사용자가 실제 수요에 따라 설정할 수 있다.
다시 말하면, 본 실시예 진화 전략（evolution strategy）의 방식을 채용하여 메타 학습 모델의 트레이닝을 실행한다, 한편으로는 종래 기술에서의 메타 학습 모델의 트레이닝을 실행할 때 트레이닝 시퀀스가 지나치게 긴 것을 극복할 수 없는 문제를 해결할 수 있으며, 다른 한편으로는 메타 학습 모델의 트레이닝 과정을 간소화할 수 있음으로, 메타 학습 모델의 트레이닝 효율을 향상시킬 수 있다.
본 실시예는 메타 학습 모델을 트레이닝 하여 얻은 후, 입력된 신경망의 속성 정보 및 신경망의 옵티마이저 정보에 기반하여 당해 옵티마이저의 매개 변수를 출력할 수 있다, 따라서 옵티마이저의 자가 적응을 실현하여, 서로 다른 구조 및 서로 다른 태스크의 신경망에 대해 일반화 능력을 갖는다.
본 실시예에 의해 제공되는 상기 방식을 채용하면, 메타 학습 모델을 구축하여 신경망의 옵티마이저의 매개 변수를 측정함으로써, 신경망의 옵티마이저로 하여금 서로 다른 속성 정보를 갖는 신경망에 자동적으로 적응하도록 할 수 있으므로, 옵티마이저의 자가 적응을 실현하였고, 따라서 신경망의 트레이닝 공정을 가속화시켰고, 신경망의 트레이닝 효과를 향상시켰다.
도 2는 본 발명에 따른 제2 실시예의 모식도이다. 도 2에 나타낸 바와 같이, 본 실시예의 옵티마이저 학습 장치는 아래의 유닛을 구비한다.
취득 유닛(201)은 복수의 데이터 세트를 포함하는 트레이닝 데이터를 취득하며, 여기서, 각각의 데이터 세트는 신경망의 속성 정보, 신경망의 옵티마이저 정보 및 옵티마이저의 매개 변수 정보를 포함하며;
트레이닝 유닛(202) 은 각각의 데이터 세트 중의 신경망의 속성 정보 및 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 메타 학습 모델이 수렴될 때까지 상기 메타 학습 모델을 트레이닝 한다.
본 실시예의 취득 유닛(201)이 취득한 신경망의 속성 정보는 신경망의 구조 정보 및 신경망의 태스크 정보 중의 적어도 하나를 포함하는 바, 반영 신경망의 망 구조 및 트레이닝 하는 태스크의 유형을 반영시키기 위한 것이다.
본 실시예의 취득 유닛(201)이 취득한 신경망의 옵티마이저 정보는 신경망 매개 변수를 갱신하는 옵티마이저의 유형을 나타내는 바; 옵티마이저의 매개 변수 정보는 옵티마이저의 신경망의 각각의 단계의 트레이닝 과정에서의 매개 변수에 대응한다.
취득 유닛(201)이 데이터 세트를 취득한 후, 트레이닝 유닛(202)이 각각의 데이터 세트 중에 포함된 상기 정보에 기반하여 메타 학습 모델이 수렴될 때까지 메타 학습 모델의 트레이닝을 실행한다. 여기서, 트레이닝 유닛(202) 중의 메타 학습 모델은 신경망 모델일 수 있다.
트레이닝 유닛(202)은 각각의 데이터 세트에 기반하여 메타 학습 모델의 트레이닝을 실행할 때, 메타 학습 모델의 출력 결과 및 데이터 세트 중의 매개 변수 정보에 기반하여 손실 함수를 계산할 수 있으며, 계산하여 얻은 손실 함수가 수렴될 때, 즉 메타 학습 모델이 수렴되었다고 여길 수 있을 때, 메타 학습 모델의 트레이닝 과정이 완료된다. 또한, 트레이닝 유닛(202)은 그라디언트 또는 재귀 모델의 방식을 통해 메타 학습을 실행하여 메타 학습 모델을 얻을 수도 있는 바, 본 실시예는 이에 대해 한정하지 않는다.
메타 학습 모델의 트레이닝 효과를 더 한층 향상시키기 위하여, 트레이닝 유닛(202)은 데이터 세트에 기반하여 메타 학습 모델의 트레이닝을 실행할 때, 현재 메타 학습 모델의 매개 변수를 제1 매개 변수로 설정하는 것; 노이즈를 사용하여 제1 매개 변수에 대해 디더링을 실행하여 복수의 디더링 매개 변수를 취득하는 것; 취득한 복수의 디더링 매개 변수에 기반하여 복수의 디더링 메타 학습 모델을 구축하는 것; 각각의 데이터 세트 중의 신경망의 속성 정보 및 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 각각의 디더링 메타 학습 모델을 각각 트레이닝 하는 것; 및 트레이닝 결과에 기반하여 소정의 조건을 충족시키는 디더링 메타 학습 모델을 선택하여 최종 메타 학습 모델로 설정하는 것을 채용할 수 있다.
이해할 수 있는 점은, 트레이닝 유닛(202)은 손실 함수가 가장 작은 디더링 메타 학습 모델을 선택하여 소정의 조건을 충족시키는 메타 학습 모델로 설정할 수 있고, 수렴 속도 가장 빠른 디더링 메타 학습 모델을 선택하여 소정의 조건을 충족시키는 메타 학습 모델로 설정할 수도 있다.
또한, 메타 학습 모델의 트레이닝 정확성을 더 한층 향상시키기 위하여, 트레이닝 유닛(202)은 트레이닝 결과에 기반하여 소정의 조건을 충족시키는 디더링 메타 학습 모델을 선택하여 최종 메타 학습 모델로 설정할 때, 트레이닝 결과에 기반하여 소정의 조건을 충족시키는 디더링 메타 학습 모델의 디더링 매개 변수를 결정하는 것; 상기 결정된 디더링 매개 변수를 다시 제1 매개 변수로 설정한 후, 노이즈를 사용하여 다시 제1 매개 변수에 대해 디더링을 실행하는 단계로 진입하는 것; 및 상기 과정을 소정의 횟수 반복한 후, 선택된 디더링 메타 학습 모델을 최종 메타 학습 모델로 설정하는 것을 채용할 수 있다. 여기서, 본 실시예의 소정의 횟수는 사용자가 실제 수요에 따라 설정할 수 있다.
다시 말하면, 트레이닝 유닛(202)은 진화 전략（evolution strategy）의 방식을 채용하여 메타 학습 모델의 트레이닝을 실행한다, 한편으로는 종래 기술에서의 메타 학습 모델의 트레이닝을 실행할 때 트레이닝 시퀀스가 지나치게 긴 것을 극복할 수 없는 문제를 해결할 수 있으며, 다른 한편으로는 메타 학습 모델의 트레이닝 과정을 간소화할 수 있음으로, 메타 학습 모델의 트레이닝 효율을 향상시킬 수 있다.
트레이닝 유닛(202)이 메타 학습 모델을 트레이닝 하여 얻은 후, 당해 메타 학습 모델을 이용하여 입력된 신경망의 속성 정보 및 신경망의 옵티마이저 정보에 기반하여 당해 옵티마이저의 매개 변수를 출력할 수 있다.
본 발명의 실시예에 따르면, 본 발명은 전자 기기 및 컴퓨터 판독 가능 기록 매체를 더 제공한다.
도 3은 본 발명에 따른 실시예의 옵티마이저 학습 방법의 전자 기기의 블럭도이다. 전자 기기는 예를 들면 랩톱 컴퓨터, 데스크톱 컴퓨터, 워크 스테이션, 개인 디지털 보조기, 서버, 블레이드 서버, 대형 컴퓨터 및 기타 적합한 컴퓨터와 같은 다양한 형태의 디지털 컴퓨터를 나타낸다. 전자 기기는 또한 예를 들면 개인 디지털 처리기, 셀폰, 스마트 전화, 웨어러블 기기 및 기타 유사한 계산 장치와 같은 다양한 형태의 모바일 장치를 나타낼 수 있다. 본 명세서에 나타낸 구성 요소, 이들의 연결과 관계 및 이들의 기능은 단지 예일 뿐이며, 본 명세서에서 설명하거나 및/또는 요구하는 본 발명의 실현을 한정하려는 것이 아니다.
도 3에 나타낸 바와 같이, 당해 전자 기기는 하나 또는 복수의 프로세서(301), 메모리(302) 및 각각의 구성 요소를 연결하기 위한 인터페이스를 구비하며, 당해 인터페이스는 고속 인터페이스 및 저속 인터페이스를 포함한다. 각각의 구성 요소는 서로 다른 버스를 통해 상호 연결되며, 공통 마더 보드에 설치되거나 또는 수요에 따라 기타 방식으로 설치된다. 프로세서 전자 기기 내에서 수행되는 명령에 대해 처리를 실행할 수 있으며, 메모리 내에 기억되어 외부 입력/출력 장치（예를 들면 인터페이스에 연결된 디스플레이 기기） 상에 GUI의 그래픽 정보를 표시하기 위한 명령을 포함한다. 기타 실시 방식에 있어서, 필요할 경우, 복수의 프로세서 및/또는 복수의 버스와 복수의 메모리를 함께 사용할 수 있다. 마찬가지로, 복수의 전자 기기를 연결할 수 있으며, 각각의 기기는 부분적인 필요한 조작（예를 들면, 서버 어레이, 일 그룹의 블레이드 서버, 또는 다중 프로세서 시스템）을 제공한다. 도 3에서는 하나의 프로세서(301)의 예를 들었다.
메모리(302)는 본 발명에 의해 제공되는 비 일시적 컴퓨터 판독 가능 기록 매체이다. 여기서, 상기 메모리에는 적어도 하나의 프로세서에 의해 수행 가능한 명령이 기억되어 있으며, 상기 적어도 하나의 프로세서로 하여금 본 발명에 의해 제공되는 옵티마이저 학습 방법을 수행하도록 한다. 본 발명의 비 일시적 컴퓨터 판독 가능 기록 매체는 컴퓨터 명령을 기억하며, 당해 컴퓨터 명령은 컴퓨터로 하여금 본 발명에 의해 제공되는 옵티마이저 학습 방법을 수행하도록 한다.
메모리(302)는 일종의 비 일시적 컴퓨터 판독 가능 기록 매체로서, 비 일시적 소프트웨어 프로그램을 기억하는데 사용될 수 있는 바, 예를 들면 비 일시적 컴퓨터 수행 가능 프로그램 및 모듈, 본 발명 실시예의 옵티마이저 학습 방법 대응하는 프로그램 명령/모듈（예를 들면, 도 2에 나타낸 취득 모듈(201) 및 트레이닝 모듈(202)）을 기억하는데 사용될 수 있다. 프로세서(301)는 메모리(302) 내에 기억된 비 일시적 소프트웨어 프로그램, 명령 및 모듈을 운행함으로써, 서버의 다양한 기능 응용 및 데이터 처리를 수행하는 바, 즉 상술한 방법 실시예의 옵티마이저 학습 방법을 실현한다.
메모리(302)는 프로그램 기억 영역 및 데이터 기억 영역을 포함할 수 있으며, 여기서, 프로그램 기억 영역은 운영 체제 및 적어도 하나의 기능에 필요한 응용 프로그램을 기억할 수 있고, 데이터 기억 영역은 옵티마이저 학습 방법을 실현하는 전자 기기의 사용을 통해 생성된 데이터 등을 기억할 수 있다. 또한, 메모리(302)는 고속 랜덤 액세스 메모리를 포함할 수 있고, 비 일시적 메모리를 더 포함할 수 있는 바, 예를 들면 적어도 하나의 자기 디스크 저장 장치, 플래시 장치, 또는 기타 비 일시적 고체 저장 장치를 포함할 수 있다. 일부 실시예에 있어서, 메모리(302)는 선택적으로 프로세서(301)에 대해 원격 설치한 메모리를 포함할 수 있으며, 이러한 원격 메모리는 네트워크를 통해 옵티마이저 학습 방법을 실현하는 전자 기기에 연결될 수 있다. 상술한 네트워크의 실시예는 인터넷, 기업 인트라 넷, 근거리 통신망, 이동 통신 네트워크 및 이들의 조합을 포함하나 이에 한정되지 않는다.
옵티마이저 학습 방법을 실현하는 전자 기기는 입력 장치(303) 및 출력 장치(304)를 더 포함할 수 있다. 프로세서(301), 메모리(302), 입력 장치(303) 및 출력 장치(304)는 버스 또는 기타 방식을 통해 연결될 수 있으며, 도 3에서는 버스를 통해 연결하는 예를 들었다.
입력 장치(303)는 입력된 디지털 또는 문자 정보를 수신하고, 또한 옵티마이저 학습 방법을 실현하는 전자 기기의 사용자 설정 및 기능 제어에 관한 키 신호 입력을 생성할 수 있다. 예를 들면 터치 스크린, 키패드, 마우스, 트랙 패드, 터치 패드, 포인팅 스틱, 하나 또는 복수의 마우스 버튼, 트랙볼, 조이스틱 등 입력 장치를 포함할 수 있다. 출력 장치(304)는 디스플레이 기기, 보조 조명 장치（예를 들면 LED） 및 촉각 피드백 장치（예를 들면 진동 모터） 등을 포함할 수 있다. 당해 디스플레이 기기는 액정 디스플레이（LCD）, 발광 다이오드（LED） 디스플레이 및 플라즈마 디스플레이를 포함할 수 있으나 이에 한정되지 않는다. 일부 실시 방식에 있어서, 디스플레이 기기는 터치 스크린일 수 있다.
여기서 설명하는 시스템 및 기술의 다양한 실시 방식은 디지털 전자 회로 시스템, 집적 회로 시스템, 전용 ASIC（전용 집적 회로）, 컴퓨터 하드웨어, 펌웨어, 소프트웨어 및/또는 이들의 조합에서 실현될 수 있다. 이러한 다양한 실시 예는 하나 또는 복수의 컴퓨터 프로그램에서 실시되고, 당해 하나 또는 복수의 컴퓨터 프로그램은 적어도 하나의 프로그램 가능 프로세서를 포함하는 프로그램 가능 시스템 상에서 수행 및/또는 해석될 수 있으며, 당해 프로그램 가능 프로세서는 전용 또는 일반 프로그램 가능 프로세서일 수 있고, 기록 시스템, 적어도 하나의 입력 장치 및 적어도 하나의 출력 장치로부터 데이터 및 명령을 수신할 수 있으며, 또한 데이터 및 명령을 당해 기록 시스템, 당해 적어도 하나의 입력 장치 및 당해 적어도 하나의 출력 장치에 전송할 수 있다.
이러한 계산 프로그램（프로그램, 소프트웨어, 소프트웨어 응용 또는 코드로도 불림）은 프로그램 가능 프로세서의 기계 명령을 포함하며, 또한 고급 과정 및/또는 객체 지향 프로그래밍 언어 및/또는 어셈블리/기계 언어를 이용하여 이러한 계산 프로그램을 실시할 수 있다. 본 명세서에서 사용되는 “기계 판독 가능 매체” 및 “컴퓨터 판독 가능 매체”와 같은 용어는, 기계 명령 및/또는 데이터를 프로그램 가능 프로세서의 임의의 컴퓨터 프로그램 제품, 기기 및/또는 장치 （예를 들면, 자기 디스크, 광 디스크, 메모리, 프로그램 가능 논리 장치（PLD））에 제공하기 위한 것을 의미하며, 기계 판독 가능 신호로서의 기계 명령을 수신하는 기계 판독 가능 매체를 포함한다. “기계 판독 가능 신호”와 같은 용어는 기계 명령 및/또는 데이터를 프로그램 가능 프로세서에 제공하기 위한 임의의 신호를 의미한다.
유저와의 대화를 제공하기 위하여, 컴퓨터 상에서 여기서 설명하는 시스템 및 기술을 실시할 수 있으며, 당해 컴퓨터는 유저에게 정보를 표시하기 위한 디스플레이 장치（예를 들면 CRT（음극선관） 또는 LCD（액정 디스플레이） 모니터） 및 키보드와 포인팅 장치（예를 들면, 마우스 또는 트랙볼）를 구비할 수 있으며, 유저는 당해 키보드 및 당해 포인팅 장치를 통해 입력을 컴퓨터에 제공할 수 있다. 기타 유형의 장치는 또한 유저와의 대화를 제공하는데 사용될 수 있다. 예를 들면, 유저에 제공하는 피드백은 임의의 형태의 감각 피드백 （예를 들면, 시각적 피드백, 청각적 피드백, 또는 촉각 피드백）일 수 있으며, 또한 임의의 형태（음향 입력, 음성 입력 또는 촉각 입력을 포함함）를 통해 유저로부터의 입력을 수신할 수 있다.
여기서 설명하는 시스템 및 기술을 백엔드 구성 요소를 포함하는 계산 시스템（예를 들면 데이터 서버）, 또는 미들웨어 구성 요소를 포함하는 계산 시스템（예를 들면 응용 서버）, 또는 프런트엔드 구성 요소를 포함하는 계산 시스템（예를 들면 그래픽 유저 인터페이스 또는 웹 브라우저를 구비하는 유저 컴퓨터인 바, 유저는 당해 그래픽 유저 인터페이스 또는 당해 웹 브라우저를 통해 여기서 설명하는 시스템 및 기술의 실시 방식과 대화함）, 또는 이러한 백엔드 구성 요소, 미들웨어 구성 요소, 또는 프런트엔드 구성 요소의 임의의 조합을 포함하는 계산 시스템에서 실시할 수 있다. 임의의 형태 또는 매체의 디지털 데이터 통신（예를 들면, 통신 네트워크）을 통해 시스템의 구성 요소를 상호 연결할 수 있다. 통신 네트워크의 예는 근거리 통신망（LAN）, 광역 통신망（WAN） 및 인터넷을 포함한다.
컴퓨터 시스템은 클라이언트 및 서버를 포함할 수 있다. 클라이언트와 서버는 일반적으로 서로 멀리 떨어져 있고, 또한 일반적으로 통신 네트워크를 통해 대화를 실행한다. 해당되는 컴퓨터 상에서 운행되고, 또한 클라이언트 - 서버 관계를 갖는 컴퓨터 프로그램을 통해 클라이언트와 서버의 관계를 발생시킬 수 있다.
본 발명의 실시예의 기술 방안에 따르면, 메타 학습 모델을 구축하여 서로 다른 속성 정보 및 옵티마이저 정보를 가지는 신경망의 옵티마이저의 매개 변수를 학습시킴으로써, 신경망의 옵티마이저로 하여금 서로 다른 속성 정보를 갖는 신경망에 자동적으로 적응하도록 할 수 있으므로, 옵티마이저의 자가 적응을 실현하였고, 옵티마이저의 일반화 능력을 향상시켰으며, 따라서 신경망의 트레이닝 공정을 가속화시켰고, 신경망의 트레이닝 효과를 향상시켰다.
상기에 나타낸 다양한 형태의 흐름을 이용하여 단계를 재정렬, 증가 또는 삭제할 수 있음을 이해해야 한다. 예를 들면, 본 발명에 기재된 각각의 단계는 병렬로 수행되거나 또는 차례로 수행되거나 또는 다른 순서로 수행될 수 있으며, 본 발명이 개시하는 기술 방안이 원하는 결과를 실현할 수 있는 한, 본 명세서는 이에 대해 한정하지 않는다.
상술한 구체적인 실시 방식은 본 발명의 보호 범위를 한정하지 않는다. 당업자는 설계 요건 및 기타 요인에 따라 다양한 수정, 조합, 서브 조합 및 대체를 실행할 수 있음을 이해해야 한다. 본 발명의 정신 및 원칙 내에서 이루어진 임의의 수정 동등한 대체 및 개선 등은 모두 본 발명의 보호 범위 내에 포함되어야 한다.

Claims (11)

  1. 옵티마이저 학습 방법(optimizer learning method)에 있어서,
    복수의 데이터 세트를 포함하는 트레이닝 데이터를 취득하는 단계 - 각각의 데이터 세트는 신경망의 속성 정보, 신경망의 옵티마이저 정보 및 옵티마이저의 매개 변수 정보를 포함함 -; 및
    각각의 데이터 세트 중의 상기 신경망의 속성 정보 및 상기 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 상기 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 메타 학습 모델(meta learning model)이 수렴될 때까지 상기 메타 학습 모델을 트레이닝 하는 단계;
    를 포함하는 것을 특징으로 하는,
    옵티마이저 학습 방법.
  2. 제1항에 있어서,
    상기 신경망의 속성 정보는 신경망의 망 구조 정보 및 신경망의 태스크 정보 중의 적어도 하나를 포함하는 것을 특징으로 하는,
    옵티마이저 학습 방법.
  3. 제1항에 있어서,
    상기 각각의 데이터 세트 중의 상기 신경망의 속성 정보 및 상기 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 상기 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 상기 메타 학습 모델을 트레이닝 하는 단계는:
    현재 메타 학습 모델의 매개 변수를 제1 매개 변수로 설정하는 단계;
    노이즈를 사용하여 상기 제1 매개 변수에 대해 디더링(dithering)을 실행하여 복수의 디더링 매개 변수를 취득하는 단계;
    상기 복수의 디더링 매개 변수에 기반하여 복수의 디더링 메타 학습 모델(dithering meta learning model)을 구축하는 단계;
    각각의 데이터 세트 중의 상기 신경망의 속성 정보 및 상기 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 상기 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 상기 복수의 디더링 메타 학습 모델을 각각 트레이닝 하는 단계; 및
    상기 트레이닝 결과에 기반하여 기 설정된 조건을 충족시키는 디더링 메타 학습 모델을 선택하여 최종 메타 학습 모델(final meta learning model)로 설정하는 단계를 포함하는 것을 특징으로 하는,
    옵티마이저 학습 방법.
  4. 제3항에 있어서,
    상기 트레이닝 결과에 기반하여 기 설정된 조건을 충족시키는 디더링 메타 학습 모델을 선택하여 최종 메타 학습 모델로 설정하는 단계는:
    상기 트레이닝 결과에 기반하여 기 설정된 조건을 충족시키는 디더링 메타 학습 모델의 디더링 매개 변수를 결정하는 단계;
    상기 결정된 디더링 매개 변수를 다시 제1 매개 변수로 설정한 뒤, 노이즈를 사용하여 다시 제1 매개 변수에 대해 디더링을 실행하는 단계로 진입하는 단계; 및
    상기 단계를 소정의 횟수 반복한 후, 선택된 디더링 메타 학습 모델을 상기 최종 메타 학습 모델로 설정하는 단계를 포함하는 것을 특징으로 하는,
    옵티마이저 학습 방법.
  5. 옵티마이저 학습 장치(optimizer learning device)에 있어서,
    복수의 데이터 세트를 포함하는 트레이닝 데이터를 취득하기 위한 취득 유닛 - 각각의 데이터 세트는 신경망의 속성 정보, 신경망의 옵티마이저 정보 및 옵티마이저의 매개 변수 정보를 포함함 -; 및
    각각의 데이터 세트 중의 상기 신경망의 속성 정보 및 상기 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 상기 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 메타 학습 모델이 수렴될 때까지 상기 메타 학습 모델을 트레이닝 하기 위한 트레이닝 유닛;
    을 구비하는 것을 특징으로 하는,
    옵티마이저 학습 장치.
  6. 제5항에 있어서,
    상기 취득 유닛이 취득한 신경망의 속성 정보는 신경망의 망 구조 정보 및 신경망의 태스크 정보 중의 적어도 하나를 포함하는 것을 특징으로 하는,
    옵티마이저 학습 장치.
  7. 제5항에 있어서,
    상기 트레이닝 유닛은 각각의 데이터 세트 중의 상기 신경망의 속성 정보 및 상기 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 상기 메타 학습 모델을 트레이닝 할 때, 구체적으로:
    현재 메타 학습 모델의 매개 변수를 제1 매개 변수로 설정하는 것;
    노이즈를 사용하여 상기 제1 매개 변수에 대해 디더링을 실행하여 복수의 디더링 매개 변수를 취득하는 것;
    상기 복수의 디더링 매개 변수에 기반하여 복수의 디더링 메타 학습 모델을 구축하는 것;
    각각의 데이터 세트 중의 상기 신경망의 속성 정보 및 상기 신경망의 옵티마이저 정보를 입력으로 설정하고, 각각의 데이터 세트 중의 상기 옵티마이저의 매개 변수 정보를 출력으로 설정하여, 상기 복수의 디더링 메타 학습 모델을 각각 트레이닝 하는 것; 및
    상기 트레이닝 결과에 기반하여 기 설정된 조건을 충족시키는 디더링 메타 학습 모델을 선택하여 최종 메타 학습 모델로 설정하는 것을 수행하는 것을 특징으로 하는,
    옵티마이저 학습 장치.
  8. 제7항에 있어서,
    상기 트레이닝 유닛은 상기 트레이닝 결과에 기반하여 기 설정된 조건을 충족시키는 디더링 메타 학습 모델을 선택하여 최종 메타 학습 모델로 설정할 때, 구체적으로:
    상기 트레이닝 결과에 기반하여 기 설정된 조건을 충족시키는 디더링 메타 학습 모델의 디더링 매개 변수를 결정하는 것;
    상기 결정된 디더링 매개 변수를 다시 제1 매개 변수로 설정한 후, 노이즈를 사용하여 다시 제1 매개 변수에 대해 디더링을 실행하는 단계로 진입하는 것; 및
    상기의 과정을 소정의 횟수 반복한 후, 선택된 디더링 메타 학습 모델을 최종 메타 학습 모델로 설정하는 것을 수행하는 것을 특징으로 하는,
    옵티마이저 학습 장치.
  9. 전자 기기에 있어서,
    적어도 하나의 프로세서; 및
    상기 적어도 하나의 프로세서와 통신 연결된 메모리를 구비하며,
    상기 메모리에는 상기 적어도 하나의 프로세서에 의해 수행 가능한 명령이 기록되어 있으며, 상기 명령이 상기 적어도 하나의 프로세서에 의해 수행되어 상기 적어도 하나의 프로세서로 하여금 제1항 내지 제4항 중 어느 한 항에 기재된 방법을 수행하도록 하는 것을 특징으로 하는,
    전자 기기.
  10. 컴퓨터 명령이 기록되어 있는 비 일시적 컴퓨터 판독 가능 기록 매체에 있어서,
    상기 컴퓨터 명령은 상기 컴퓨터로 하여금 제1항 내지 제4항 중 어느 한 항에 기재된 방법을 수행하도록 하는 것을 특징으로 하는,
    기록 매체.
  11. 비 일시적 컴퓨터 판독 가능 기록 매체에 기록되어 있는 컴퓨터 프로그램에 있어서,
    상기 컴퓨터 프로그램은 상기 컴퓨터로 하여금 제1항 내지 제4항 중 어느 한 항에 기재된 방법을 수행하도록 하는 것을 특징으로 하는,
    컴퓨터 프로그램.
KR1020210039189A 2020-07-01 2021-03-25 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체 KR102607536B1 (ko)

Applications Claiming Priority (2)

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

Publications (2)

Publication Number Publication Date
KR20220003444A true KR20220003444A (ko) 2022-01-10
KR102607536B1 KR102607536B1 (ko) 2023-11-29

Family

ID=73468144

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210039189A KR102607536B1 (ko) 2020-07-01 2021-03-25 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체

Country Status (5)

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

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102680328B1 (ko) * 2023-01-25 2024-07-01 중앙대학교 산학협력단 의료 영상 분할을 위한 딥러닝 모델 최적화 방법 및 그 장치

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508004A (zh) * 2020-12-18 2021-03-16 北京百度网讯科技有限公司 一种文字识别方法、装置、电子设备及存储介质
CN115113814B (zh) * 2022-06-21 2024-02-02 腾讯科技（深圳）有限公司 一种神经网络模型上线方法和相关装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190244139A1 (en) * 2018-02-02 2019-08-08 Oracle International Corporation Using meta-learning for automatic gradient-based hyperparameter optimization for machine learning and deep learning models
WO2019165462A1 (en) * 2018-02-26 2019-08-29 Google Llc Unsupervised neural network training using learned optimizers
KR20200015048A (ko) * 2018-08-02 2020-02-12 삼성전자주식회사 메타-학습에 기반하여 기계학습의 모델을 선정하는 방법 및 장치

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117313789A (zh) * 2017-04-12 2023-12-29 渊慧科技有限公司 使用神经网络的黑盒优化
US11397887B2 (en) * 2017-09-26 2022-07-26 Amazon Technologies, Inc. Dynamic tuning of training parameters for machine learning algorithms
KR102184278B1 (ko) 2018-11-21 2020-11-30 한국과학기술원 메타학습에 기반한 임의의 목표 데이터셋과 모델 구조로의 전이학습 방법 및 시스템
US11276151B2 (en) * 2019-06-27 2022-03-15 Retrace Labs Inpainting dental images with missing anatomy
CN111353610A (zh) * 2020-02-28 2020-06-30 创新奇智(青岛)科技有限公司 一种模型参数确定方法、装置、存储介质及电子设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190244139A1 (en) * 2018-02-02 2019-08-08 Oracle International Corporation Using meta-learning for automatic gradient-based hyperparameter optimization for machine learning and deep learning models
WO2019165462A1 (en) * 2018-02-26 2019-08-29 Google Llc Unsupervised neural network training using learned optimizers
KR20200015048A (ko) * 2018-08-02 2020-02-12 삼성전자주식회사 메타-학습에 기반하여 기계학습의 모델을 선정하는 방법 및 장치

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
O. Wichrowska 등. "Learned Optimizers that Scale and Generalize" arxiv:1703.04813v4 *
T. Hartmann 등. "Meta-Modelling Meta-Learning". 2019 ACM/IEEE 22nd International Conference on Model Driven Engineering Languages and Systems* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102680328B1 (ko) * 2023-01-25 2024-07-01 중앙대학교 산학협력단 의료 영상 분할을 위한 딥러닝 모델 최적화 방법 및 그 장치

Also Published As

Publication number Publication date
US20220004867A1 (en) 2022-01-06
JP7165226B2 (ja) 2022-11-02
JP2022013658A (ja) 2022-01-18
KR102607536B1 (ko) 2023-11-29
CN112001489A (zh) 2020-11-27
EP3933712A1 (en) 2022-01-05

Similar Documents

Publication Publication Date Title
KR102484617B1 (ko) 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램
CN111539514B (zh) 用于生成神经网络的结构的方法和装置
KR102396936B1 (ko) 문답 독해 모델 취득 방법, 장치, 전자 기기 및 저장 매체
KR20210148873A (ko) 언어 모델의 트레이닝 방법, 장치, 전자 기기, 판독 가능 저장 매체 및 컴퓨터 프로그램
KR102607536B1 (ko) 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체
JP7262571B2 (ja) 知識グラフのベクトル表現生成方法、装置及び電子機器
CN111144108B (zh) 情感倾向性分析模型的建模方法、装置和电子设备
KR20210114853A (ko) 모델 파라미터를 업데이트하는 방법 및 장치
CN111582375B (zh) 数据增强策略搜索方法、装置、设备以及存储介质
CN111832701B (zh) 模型的蒸馏方法、装置、电子设备及存储介质
CN110826634A (zh) 目标检测模型的训练方法、装置、电子设备及存储介质
CN111709252B (zh) 基于预训练的语义模型的模型改进方法及装置
JP7192192B2 (ja) 語義類似度モデルの訓練方法、装置、電子デバイス及び記憶媒体
CN111241838B (zh) 文本实体的语义关系处理方法、装置及设备
CN110569969A (zh) 网络模型结构的采样方法、装置以及电子设备
CN112560499B (zh) 语义表示模型的预训练方法、装置、电子设备及存储介质
KR20210092692A (ko) 구두점 예측 방법 및 장치
CN114492788A (zh) 训练深度学习模型的方法和装置、电子设备及存储介质
CN111986659A (zh) 建立音频生成模型的方法以及装置
CN112580723B (zh) 多模型融合方法、装置、电子设备和存储介质
JP7265618B2 (ja) 深層学習トレーニングタスクに向けたプロセッサメモリを最適化するための方法及び装置
CN111160552B (zh) 新闻信息的推荐处理方法、装置、设备和计算机存储介质
CN111667428A (zh) 基于自动搜索的噪声生成方法和装置
CN112507692B (zh) 建立风格文本生成模型的方法、装置
CN116030235A (zh) 目标检测模型训练方法、目标检测方法、装置和电子设备

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant