[发明专利]神经网络结构搜索和目标识别的方法和装置

说明书

本发明公开了神经网络结构搜索和目标识别的方法和装置，涉及计算机技术领域。该神经网络结构搜索的方法的一具体实施方式包括：采用参数生成模型生成神经网络模型的至少一部分超参数的参数值；基于至少一部分超参数的参数值进行结构搜索得到神经网络模型；对神经网络模型进行验证得到验证结果；判断预设迭代停止条件是否触发；若是则根据各个神经网络模型的验证结果从各个神经网络模型中筛选最优神经网络模型。该实施方式通过采用神经网络结构搜索的方法训练神经网络模型并进行目标识别，能够在保证神经网络模型的精确度的情况下使得搜索得到的神经网络模型更优更轻量，资源消耗更少，提高目标识别的准确性和效率。

技术领域

本发明涉及计算机技术领域，尤其涉及一种神经网络结构搜索和目标识别的方法和装置。

背景技术

现有技术在进行目标识别时，主流方法是训练CNN模型实现目标检测或分类。对于模型中部分超参数通常采用预先定义的经验值，使得模型在某个具体场景下未必是最优最轻量的，导致利用该模型进行目标识别的准确性和效率低。

发明内容

有鉴于此，本发明实施例提供一种神经网络结构搜索和目标识别的方法和装置，通过采用神经网络结构搜索的方法训练神经网络模型，能够在保证神经网络模型的精确度的情况下使得搜索得到的神经网络模型更优更轻量，资源消耗更少，利用搜索得到的神经网络模型进行目标识别的准确性和效率高。

根据本发明实施例的一个方面，提供了一种神经网络结构搜索的方法，包括：

采用参数生成模型生成神经网络模型的至少一部分超参数的参数值；基于所述至少一部分超参数的参数值进行结构搜索，得到神经网络模型；对所述神经网络模型进行验证，得到验证结果；

判断预设迭代停止条件是否触发；

若是，则根据各个神经网络模型的验证结果从所述各个神经网络模型中筛选最优神经网络模型；

否则，根据所述验证结果更新所述参数生成模型，然后执行采用参数生成模型生成神经网络模型的至少一部分超参数的参数值、基于所述至少一部分超参数的参数值进行结构搜索得到神经网络模型、对所述神经网络模型进行验证得到验证结果的步骤，直至预设迭代停止条件触发。

可选地，所述预设迭代停止条件包括：迭代次数等于迭代次数阈值，或验证结果满足预设结果条件。

可选地，对所述神经网络模型进行验证，包括：确定所述神经网络模型在验证集上的正确率。

可选地，所述参数生成模型为贝叶斯模型。

可选地，采用Darts进行结构搜索，所述至少一部分超参数包括以下至少之一：通道数、cell层数、cell内的节点数。

可选地，采用Darts进行结构搜索，采用Ring AllReduce算法进行节点间的数据交换。

可选地，采用数据并行的分布式训练方法进行结构搜索。

根据本发明实施例的第二方面，提供一种目标识别的方法，包括：利用本发明实施例第一方面提供的方法筛选的最优神经网络模型进行目标识别。

根据本发明实施例的第三个方面，提供一种神经网络结构搜索的装置，包括：模型训练模块、迭代判断模块和结果确定模块；其中，

模型训练模块采用参数生成模型生成神经网络模型的至少一部分超参数的参数值；基于所述至少一部分超参数的参数值进行结构搜索，得到神经网络模型；对所述神经网络模型进行验证，得到验证结果；

迭代判断模块判断预设迭代停止条件是否触发；

若是，则使结果确定模块根据各个神经网络模型的验证结果从所述各个神经网络模型中筛选最优神经网络模型；