[發明專利]神經網絡構建方法及設備

在審

• 申請號: 201811282596.3
• 申請日: 2018-10-31
• 公開（公告）號: CN109409507A
• 公開（公告）日: 2019-03-01
• 發明（設計）人: 馬永培;李舒磊;熊健皓;趙昕;張大磊
• 申請（專利權）人: 上海鷹瞳醫療科技有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04
• 代理公司: 北京華仁聯合知識產權代理有限公司 11588
• 代理人: 蘇雪雪

本發明提供一種神經網絡構建方法及設備，所述方法包括如下步驟：利用神經網絡根據輸入數據輸出對所述輸入數據的分類結果和用于調整所述神經網絡結構的調整數據；根據所述分類結果判斷是否需要更新所述神經網絡的結構；當需要更新所述神經網絡的結構時，根據所述調整數據更新所述神經網絡的結構。

技術領域

本發明涉及人工智能領域，具體涉及一種神經網絡構建方法及設備。

背景技術

以深度學習為代表的機器學習(Machine Learning,ML)技術近年來已經在多個領域取得突破性的進展，越來越多行業領域使用深度學習開發新技術。構建機器學習模型通常包括如下流程：預處理數據、選擇或設計適當的模型系列、優化模型超參數、后處理機器學習模型、嚴格分析所得的結果。

目前的機器學習應用仍然具有一定的門檻，非機器學習專家難以處理以上復雜的流程。隨著深度學習應用的快速增長對自動化應用深度學習方法產生了需求。自動化的深度學習方法，可以使非深度學習專家快速掌握上述流程，加速深度學習的應用，降低深度學習的使用成本。

在以上流程中，難度較大的是選擇或設計適當的深度學習模型。對深度學習的模型設計對知識背景和經驗的要求非常高，而且往往耗時非常長，使得針對應用場景設計專業化的深度學習模型難度特別大。為了避免這個問題，目前人們往往使用現有的開源網絡結構，這樣可以降低使用成本。雖然通過大量的訓練數據對選用的模型進行訓練可以使其具有一定的性能，但是常規的訓練并不會改變模型本身的結構，所以由于網絡結構對待識別數據的針對性不足，導致模型的性能無法得到有效提升。

發明內容

有鑒于此，本發明提供一種神經網絡構建方法，包括如下步驟：

利用神經網絡根據輸入數據輸出對所述輸入數據的分類結果和用于調整所述神經網絡結構的調整數據；

根據所述分類結果判斷是否需要更新所述神經網絡的結構；

當需要更新所述神經網絡的結構時，根據所述調整數據更新所述神經網絡的結構。

可選地，所述利用神經網絡根據輸入數據輸出對所述輸入數據的分類結果和用于調整所述神經網絡結構的調整數據，包括：

向神經網絡提供由多個輸入數據組成的輸入數據集；

利用神經網絡根據所述輸入數據集輸出結果集，所述結果集中的每一個結果分別包括對所述輸入數據的分類結果和用于調整所述神經網絡結構的調整數據。

可選地，所述根據所述分類結果判斷是否需要更新所述神經網絡的結構，包括：

根據所述結果集中的分類結果確定所述神經網絡的性能；

根據所述性能判斷是否需要更新所述神經網絡的結構。

可選地，在所述根據所述調整數據更新所述神經網絡的結構的步驟中，所采用的調整數據是所述結果集中的最后一個結果中的調整數據。

可選地，所述調整數據包括子網絡類型信息和子網絡位置信息。

可選地，所述根據所述調整數據更新所述神經網絡的結構，包括：

根據所述子網絡類型信息在多個預設子網絡中選定子網絡；

根據所述子網絡位置信息從所述神經網絡中確定更新子網絡的位置；

利用選定的子網絡更新所述位置。

可選地，所述利用選定的子網絡更新所述位置，包括：

判斷所述位置上是否存在子網絡；

當所述位置上存在子網絡時，利用選定的子網絡替換之前存在的子網絡；

當所述位置上不存在子網絡時，將選定的子網插入所述位置。