[发明专利]生成神经网络模型的方法和装置

说明书

本申请涉及人工智能领域，公开了生成神经网络模型的方法和装置。该方法包括：构建包含多个卷积层的超网络，超网络的每一个卷积层包括第一分支和第二分支，第一分支包括第一卷积核，第二分支包括第一卷积核以及至少一个第二卷积核，第一卷积核为对称结构，第二卷积核为将同一第二分支的第一卷积核沿其长度或高度方向拆分得到的至少两个子卷积核中的一个，第二分支的输出由第二分支中的第一卷积核和各个第二卷积核并行运算的结果累加后得到；获取样本数据，并基于样本数据对超网络进行训练；从训练完成的超网络中采样出性能信息满足预设的第一条件的卷积神经网络作为目标神经网络模型。该方法实现了卷积神经网络结构的优化。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及人工智能技术领域，尤其涉及生成神经网络模型的方法和装置。

背景技术

随着人工智能技术和数据存储技术的发展，深度神经网络在许多领域的任务中取得了重要的成果。其中，卷积神经网络因具有良好的特征辨识和提取能力，可处理复杂场景的问题等优势而被广泛应用。

卷积神经网络的结构对深度学习任务的性能具有直接的影响。目前，卷积神经网络结构的设计主要集中于层与层之间的连接方式。传统的卷积神经网络结构设计中，通常采用对称卷积核来提取待处理数据(例如图像)的各个方向和各个尺度的特征。

发明内容

本公开的实施例提供了生成神经网络模型的方法和装置、电子设备以及计算机可读存储介质。

根据第一方面，提供了一种生成神经网络模型的方法，包括：构建包含多个卷积层的超网络，超网络的每一个卷积层包括第一分支和第二分支，第一分支包括第一卷积核，第二分支包括第一卷积核以及至少一个第二卷积核，第一卷积核为对称结构，第二卷积核为将同一第二分支的第一卷积核沿其长度或高度方向拆分得到的至少两个子卷积核中的一个，第二分支的输出由第二分支中的第一卷积核和各个第二卷积核并行运算的结果累加得到；获取样本数据，并基于样本数据对超网络进行训练；从训练完成的超网络中采样出性能信息满足预设的第一条件的卷积神经网络作为目标神经网络模型。

根据第二方面，提供了一种生成神经网络模型的装置，包括：构建单元，被配置为构建包含多个卷积层的超网络，超网络的每一个卷积层包括第一分支和第二分支，第一分支包括第一卷积核，第二分支包括第一卷积核以及至少一个第二卷积核，第一卷积核为对称结构，第二卷积核为将同一第二分支的第一卷积核沿其长度或高度方向拆分得到的至少两个子卷积核中的一个，第二分支的输出由第二分支中的第一卷积核和各个第二卷积核并行运算的结果累加得到；训练单元，被配置为获取样本数据，并基于样本数据对超网络进行训练；确定单元，被配置为从训练完成的超网络中采样出性能信息满足预设的第一条件的卷积神经网络作为目标神经网络模型。

根据第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面提供的生成神经网络模型的方法。

根据第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行第一方面提供的生成神经网络模型的方法。

根据本申请的技术通过构建并训练包含非对称卷积核的超网络，实现了卷积神经网络结构的自动优化。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的生成神经网络模型的方法的一个实施例的流程图；

图2是本公开的实施例的中的超网络的一个结构示意图；