[發明專利]一種神經網絡模型的構建方法、設備以及存儲介質

有效

• 申請號: 201811463775.7
• 申請日: 2018-12-03
• 公開（公告）號: CN109615073B
• 公開（公告）日: 2021-06-04
• 發明（設計）人: 劉紅麗;李峰;劉宏剛
• 申請（專利權）人: 鄭州云海信息技術有限公司
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06K9/62
• 代理公司: 北京連和連知識產權代理有限公司 11278
• 代理人: 劉小峰

1.一種神經網絡模型的構建方法，所述神經網絡模型用于實現圖像的分類，所述方法包括步驟：

S1，構建單元結構搜索網絡、體系結構搜索網絡、圖像訓練集以及隨機編碼數組；

S2，利用單元結構搜索網絡、體系結構搜索網絡以及隨機編碼數組生成所述神經網絡模型；

S3，將所述圖像訓練集輸入所述神經網絡模型以得到實際分類結果；

S4，根據所述圖像訓練集的理論分類來判斷所述實際分類結果是否滿足預設條件，若不滿足，則進行步驟S5；

S5，根據所述實際分類結果以及所述理論分類來更新所述單元結構搜索網絡以及所述體系結構搜索網絡；

S6，重復步驟S2-S5，直到在S4得出實際分類結果滿足預設條件的判斷；

其中，所述步驟S2進一步包括：

S21，利用所述單元結構搜索網絡和所述體系結構搜索網絡對所述隨機編碼數組進行搜索，得到單元結構編碼數組和體系結構編碼數組；以及

S22，利用解碼器對所述單元結構編碼數組和所述體系結構編碼數組進行解碼，得到所述神經網絡模型。

2.如權利要求1所述的方法，其特征在于，得出滿足預設條件的實際分類結果的神經網絡模型為最優的神經網絡模型。

3.如權利要求1所述的方法，其特征在于，所述單元結構編碼數組包括下降單元數組和正常單元數組。

4.如權利要求3所述的方法，其特征在于，所述下降單元數組和所述正常單元數組均包括多個數據塊，其中每個數據塊均包括約束條件信息、深度學習操作信息和拼接操作信息。

5.如權利要求4所述的方法，其特征在于，所述體系結構編碼數組用于實現所述單元結構編碼數組的深度學習操作信息的選擇以及拼接操作信息的選擇。

6.如權利要求1所述的方法，其特征在于，所述步驟S4進一步包括：

S41，根據所述圖像訓練集的理論分類計算所述實際分類結果的誤差值；

S42，判斷所述誤差值是否小于閾值，若所述誤差值大于閾值，則進行步驟S5。

7.如權利要求1所述的方法，其特征在于，所述步驟S5進一步包括：

S41，利用所述實際分類結果和所述圖像訓練集的理論分類計算損失函數值；

S42，利用所述損失函數值更新所述單元結構搜索網絡以及所述體系結構搜索網絡。

8.一種計算機設備，包括：

至少一個處理器；以及

存儲器，所述存儲器存儲有可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述程序時執行如權利要求1-7任意一項所述的方法。

9.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時執行權利要求1-7任意一項所述的方法。