[发明专利]随机网络的训练方法、装置、存储介质以及处理器

说明书

本发明公开了一种随机网络的训练方法、装置、存储介质以及处理器。其中，该方法包括：构建随机网络，其中，随机网络包括复杂神经元；基于机器学习对随机网络进行训练，得到第一网络模型；基于第一网络模型对随机网络进行微调，训练后得到第二网络模型；比较第一网络模型和第二网络模型的预测准确率，在第二网络模型的预测准确率大于第一网络模型的预测准确率的情况下，则使用第二网络模型替代第一网络模型。本发明解决了现有技术中在无法训练出能够有效处理数据类型复杂的问题的网络模型的技术问题。

技术领域

本发明涉及机器学习领域，具体而言，涉及一种随机网络的训练方法、装置、存储介质以及处理器。

背景技术

近年来人工智能(AI)技术得到了日新月异的发展，它让机器越来越聪明，能够像人一样做出推理和判断，从而更好的为人类服务，从根本上改变了人们的生活。“神经网络”作为一种AI技术起源自上世纪70年代，到了本世纪初逐渐异军突起，超过了其他AI技术，在处理大数据时，将复杂推理、预测、决策的能力提升到了新高度，在某些领域甚至达到或超过了人类。前几年以AI驱动的AlphaGo算法就战胜了人类最厉害的围棋手，向全世界展示了AI给机器带来的令人惊叹的智能。

神经网络技术采用复杂的多层网络模型，包含庞大的参数集群，可多大上千万个参数。该技术需要利用大数据训练模型，才能获得智能特性。这个训练过程非常消耗计算资源，同时需要专业的AI工程师花费长时间优化网络结构，调整训练参数，不断的尝试和改进。因此近几年发展起了一种神经网络自动训练技术(AutoML)，该技术能够自动预处理大数据(特征工程)，调整网络结构，调整网络超参数，最终自动训练出高性能网络。这样就大大降低了使用该技术的门槛，使没有AI专业技术的人员也能训练出高质量的网络模型。

然而，AutoML对处理单一结构的大数据，比如图像识别已经取得了一定的成功，但AutoML不适用于所有类型的网络，也不适用于所有类型的大数据。对于图片检测问题，AutoML性能很好，但对于数据类型复杂的问题，它往往就无能为力了，不能自动训练出令人满意的网络模型。例如，预测电力购电系统的购电延迟，其大数据是电力购电系统中多模块数据传输的日志，天气数据，投诉数据。这样复杂的数据组合使得AutoML不能发挥出很好的效能。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种随机网络的训练方法、装置、存储介质以及处理器，以至少解决现有技术中在无法训练出能够有效处理数据类型复杂的问题的网络模型的技术问题。

根据本发明实施例的一个方面，提供了一种随机网络的训练方法，包括：构建随机网络，其中，所述随机网络包括复杂神经元；基于机器学习对所述随机网络进行训练，得到第一网络模型；基于所述第一网络模型对所述随机网络进行微调，训练后得到第二网络模型；比较所述第一网络模型和所述第二网络模型的预测准确率，在所述第二网络模型的预测准确率大于所述第一网络模型的预测准确率的情况下，则使用所述第二网络模型替代所述第一网络模型。

可选地，构建随机网络包括：对所述随机网络进行初始化。

可选地，基于机器学习对所述随机网络进行训练，得到第一网络模型包括：获取预定数量的训练数据，其中，所述训练数据包括：不同类型的网络参数和对应的预测结果；使用所述训练数据通过机器学习训练得出所述第一网络模型。

可选地，基于所述第一网络模型对所述随机网络进行微调，训练后得到第二网络模型包括：选择至少一个复杂神经元，其中，至少一个所述复杂神经元用于增加所述随机网络的复杂度；基于至少一个所述复杂神经元修改所述随机网络的网络结构；根据修改后的所述随机网络的网络结构进行训练，得到所述第二网络模型。