[發明專利]神經網絡模型構建方法及裝置、存儲介質、電子設備

在審

• 申請號: 201810962601.9
• 申請日: 2018-08-22
• 公開（公告）號: CN109255432A
• 公開（公告）日: 2019-01-22
• 發明（設計）人: 余戈
• 申請（專利權）人: 中國平安人壽保險股份有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/063;G06N3/08
• 代理公司: 深圳市隆天聯鼎知識產權代理有限公司 44232
• 代理人: 劉抗美

本公開屬于算法模型技術領域，涉及一種神經網絡模型構建方法及裝置、計算機可讀存儲介質、電子設備，該神經網絡模型構建方法包括：獲取一第一數據和一第二數據，所述第一數據為輸入數據量，所述第二數據為輸出數據量；根據所述第一數據獲取與所述第一數據距離最小的第一冪指數；根據所述第二數據獲取與所述第二數據距離最小的第二冪指數，且所述第一冪指數和所述第二冪指數的底數相同；根據所述第一冪指數和所述第二冪指數計算隱含層的層數及各隱含層中神經元個數；根據所述第一冪指數、所述第二冪指數、所述隱含層的層數及各所述隱含層中神經元個數構建一神經網絡模型。該方法縮減了測試不同模型的時間，并提高了模型準確率。

技術領域

本公開涉及算法模型技術領域，具體而言，涉及一種神經網絡模型構建方法、神經網絡模型構建裝置、計算機可讀存儲介質以及電子設備。

背景技術

深度學習(Deep Learning，DL)是模擬人腦的思維方式和處理問題的方法。人腦的計算神經元數量是百億量級，即使是一個“小型”的CNN所需要的計算也非常龐大，而且幾乎所有的深度學習網絡均運行在CPU(或CPU集群)，或GPU(或GPU集群)硬件平臺之上，所需要的硬件資源非常巨大，導致成本和功耗都非常大，運行速度緩慢，很多CNN在高性能的芯片或平臺上運行時也只能達到幾幀/每秒的速度，無法進行實時處理。

神經網絡根據實際需要可以包含多層神經網絡層，且每層包含多個神經元，各層中的多個神經元相互關聯，通過對神經網絡中的神經元個數和層數進行調節可以對神經網絡模型進行優化，提高數據處理效率。但是目前構建穩定的神經網絡的方法主要是對學習率等參數進行優化，該優化過程需要耗費建模人員較多的時間。

因此，需要提供一種新的神經網絡模型構建方法及裝置。

需要說明的是，在上述背景技術部分公開的信息僅用于加強對本公開的背景的理解，因此可以包括不構成對本領域普通技術人員已知的現有技術的信息。

發明內容

本公開的目的在于提供一種神經網絡模型構建方法、神經網絡模型構建裝置、計算機可讀存儲介質以及電子設備，進而至少在一定程度上克服由于相關技術的限制和缺陷而導致的由于預測結果不準確而導致的經濟欺詐問題。

根據本公開的一個方面，提供一種神經網絡模型構建方法，其特征在于，包括：

獲取第一數據和第二數據，所述第一數據為輸入數據量，所述第二數據為輸出數據量；

根據所述第一數據獲取與所述第一數據距離最小的第一冪指數，并將所述第一冪指數作為輸入層的神經元個數；

根據所述第二數據獲取與所述第二數據距離最小的第二冪指數，并將所述第二冪指數作為輸出層的神經元個數，且所述第一冪指數和所述第二冪指數的底數相同；

根據所述第一冪指數和所述第二冪指數計算隱含層的層數及各隱含層中神經元個量；

根據所述第一冪指數、所述第二冪指數、所述隱含層的層數及各所述隱含層中神經元個數構建神經網絡模型。

在本公開的示例性實施例中，所述第一冪指數為Mⁱ，其中M＞0，i＞0，且M、i均為整數；所述第二冪指數為M^j，其中0≤j＜i，且j為整數。

在本公開的示例性實施例中，根據所述第一冪指數和所述第二冪指數計算所述神經網絡模型中隱含層的層數，包括：

當所述第一冪指數的指數為i，且所述第二冪指數的指數為j時，所述隱含層的層數為i-j-1層。

在本公開的示例性實施例中，根據所述第一冪指數和所述第二冪指數計算所述神經網絡模型中各隱含層中神經元個數，包括：