[发明专利]神经网络生成、数据处理、智能行驶控制方法及装置

说明书

本公开提供了一种神经网络生成方法、数据处理方法、智能行驶控制方法、装置、电子设备及存储介质，该神经网络生成方法包括：确定表征神经网络结构的结构向量；基于训练后的神经预测器、和所述结构向量，确定所述结构向量对应的梯度向量；其中，所述神经预测器用于预测所述结构向量对应的神经网络结构的性能；所述梯度向量用于表征所述结构向量对应的神经网络结构的调整信息；基于所述梯度向量、和所述结构向量，确定目标神经网络。

技术领域

本公开涉及深度学习技术领域，具体而言，涉及一种神经网络生成方法、数据处理方法、智能行驶控制方法、装置、电子设备及存储介质。

背景技术

随着技术的发展，神经网络被应用于各个领域内，为了确定神经网络的网络结构，神经架构搜索(Neural Architecture Search，NAS)应用而生。由于神经架构搜索能够自动发现高效且表现好的网络结构，故NAS在计算机视觉任务上取得了令人惊讶的成就。

一般的，NAS要从一个搜索空间中采样并训练大量的候选网络结构，并且评估他们的性能来发现最优的网络结构，但是搜索空间中包括大量的网络结构，使得搜索的效率较低。

发明内容

有鉴于此，本公开至少提供一种神经网络生成方法、数据处理方法、智能行驶控制方法、装置、电子设备及存储介质。

第一方面，本公开提供了一种神经网络生成方法，包括：

确定表征神经网络结构的结构向量；

基于训练后的神经预测器、和所述结构向量，确定所述结构向量对应的梯度向量；其中，所述神经预测器用于预测所述结构向量对应的神经网络结构的性能；所述梯度向量用于表征所述结构向量对应的神经网络结构的调整信息；

基于所述梯度向量、和所述结构向量，确定目标神经网络。

上述方法中，通过基于训练后的神经预测器和结构向量，确定结构向量对应的梯度向量，该梯度向量可以表征结构向量对应的神经网络结构的调整信息，通过梯度向量可以较准确的控制结构向量对应的神经网络结构朝向性能较优的方向调整，进而可以较准取的确定性能较优的目标神经网络。同时，本方案与现有方案相比，通过确定结构向量对应的梯度向量，基于梯度向量和结构向量确定目标神经网络，比如可以利用梯度向量对结构向量进行调整，即利用梯度向量指示的调整信息对结构向量对应的神经网络结构进行调整，确定目标神经网络，不需要多次采样神经网络结构，提高了生成目标神经网络的效率。

一种可能的实施方式中，所述基于训练后的神经预测器、和所述结构向量，确定所述结构向量对应的梯度向量，包括：

基于所述训练后的神经预测器、和所述结构向量，确定所述结构向量对应的神经网络结构的性能参数；

基于所述神经网络结构的性能参数、和设置的所述性能参数对应的目标值，确定所述神经网络结构的预测误差；

基于所述预测误差、和所述结构向量对应的神经网络结构，确定所述结构向量对应的梯度向量。

采用上述方法，通过确定结构向量对应的神经网络结构的预测误差，基于该预测误差和结构向量对应的神经网络结构，确定结构向量对应的梯度向量，该梯度向量可以表征神经网络结构的性能参数朝向目标值进行优化的调整信息，以便使得调整后结构向量对应的神经网络结构的性能参数可以达到设置的目标值。

一种可能的实施方式中，所述基于训练后的神经预测器、和所述结构向量，确定所述结构向量对应的梯度向量，包括：

从表征神经网络结构的多个结构向量中选取第一结构向量，将选取的所述第一结构向量确定为待检测结构向量；

基于所述训练后的神经预测器、和所述待检测结构向量，确定所述待检测结构向量对应的待检测神经网络结构的性能参数；