[发明专利]模型种群的性能检测方法、装置及可读存储介质与设备

说明书

本申请公开了一种模型种群的性能检测方法、装置及可读存储介质与设备。其方法包括：在对模型种群的网络结构的搜索过程中，确定搜索得到的所述模型种群的平均精度和所述模型种群的模型精度的标准差；基于所述模型种群的平均精度和所述模型种群的模型精度的标准差，确定所述模型种群的质量参数；基于所述模型种群的质量参数，检测所述模型种群是否满足预设的质量要求条件。本申请通过使用基于模型种群的平均精度或者模型种群的模型精度的标准差确定的模型种群质量参数，进行模型种群的性能检测，能够有效地提高模型种群的性能检测的准确性。

技术领域

本发明涉及处理器技术领域，具体涉及一种模型种群的性能检测方法、装置及可读存储介质与设备。

背景技术

人工智能(Artificial Intelligence)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术学科。AI技术可以应用于机器人、语言识别、图像识别、自然语言处理和专家系统等各种领域中，使用非常方便。

现有的AI技术中，大多需要基于神经网络模型进行深度学习来实现。而神经网络模型的网络结构的搜索是深度学习任务中的首要问题。现有技术中，通常采用进化算法实现网络结构搜索。具体地，可以基于一个网络结构原型生成一组网络结构，作为初始模型种群。然后采用进化算法利用数据集对初始模型种群中的每个网络结构进行搜索后，得到更新后的模型种群。现有技术中，通过观测搜索得到的模型种群的平均精度或精度方差来评估模型种群的性能，如与上一进化周期相比，精度不再升高或者方差不再下降，则认为搜索得到的该模型种群收敛，此时对应的模型种群性能最优，可以作为目标模型种群，不再进行搜索。此时，可以进一步基于性能最优的目标模型种群，从中获取精度最高的网络结构，作为搜索得到的目标网络结构。

但是，现有技术中，仅通过观测模型种群的平均精度或者精度方差来评测模型种群的收敛不够全面，并不能评判性能最优的模型种群。特别是在搜索过程中，使用了参数共享，如果仅仅评测平均精度，则无法判断精度收益来源于参数共享还是优化模型。因此，现有模型种群的性能检测方案准确性较差。

发明内容

为了解决上述技术问题，提出了本申请的一种模型种群的性能检测方法、装置及可读存储介质与设备。

根据本申请的一个方面，提供了一种模型种群的性能检测方法，包括：

在对模型种群的网络结构的搜索过程中，确定搜索得到的所述模型种群的平均精度和所述模型种群的模型精度的标准差；

基于所述模型种群的平均精度和所述模型种群的模型精度的标准差，确定所述模型种群的质量参数；

基于所述模型种群的质量参数，检测所述模型种群是否满足预设的质量要求条件。

根据本申请的另一个方面，提供了一种模型种群的性能检测装置，包括：

确定模块，用于在对模型种群的网络结构的搜索过程中，确定搜索得到的所述模型种群的平均精度和所述模型种群的模型精度的标准差；

所述确定模块，还用于基于所述模型种群的平均精度和所述模型种群的模型精度的标准差，确定所述模型种群的质量参数；

检测模块，用于基于所述模型种群的质量参数，检测所述模型种群是否满足预设的质量要求条件。

根据本申请的另一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行上述任一所述的方法。

根据本申请的另一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于执行上述任一所述的方法。