预测网络性能的方法和装置、设备、介质、程序制造方法及图纸

本公开实施例公开了一种预测网络性能的方法和装置、设备、介质、程序，其中，方法包括：获取待预测的结构网络的网络参数；基于所述结构网络的网络参数，确定所述结构网络的结构特征；基于所述结构特征，确定所述结构网络的网络性能参数。基于本公开上述实施例提供的方法，实现了通过结构网络的网络参数对结构网络的性能进行预测，本实施例的预测网络性能的方法无需对结构网络进行训练，节省了大量时间，提高了网络性能预测的效率。

【技术实现步骤摘要】
预测网络性能的方法和装置、设备、介质、程序
本公开涉及深度学习技术，尤其是一种预测网络性能的方法和装置、设备、介质、程序。
技术介绍
神经网络是现在图像识别系统中的核心技术，是一种端到端的特征学习器，通过神经网络系统可以学习到特定任务的特征表述，再经过分类器得到最后结果。通常一个神经网络都需要进行一段时间的训练以获得令人满意的性能。近年来，神经网络的每一次进步都是由神经网络的结构的改进带来的，然而随着神经网络的日趋复杂，人类对于复杂网络结构的设计能力已经陷入了瓶颈。因此，各种自动生成神经网络结构的算法被陆续提出，这些算法已经被证明能够生成结构复杂的神经网络。公开内容本公开实施例提供的一种预测网络性能的技术。根据本公开实施例的一个方面，提供的一种预测网络性能的方法，利用预测网络实现，包括：获取待预测的结构网络的网络参数；基于所述结构网络的网络参数，确定所述结构网络的结构特征；基于所述结构特征，确定所述结构网络的网络性能参数。在基于本专利技术上述方法的另一个实施例中，所述网络参数包括以下至少一种：所述结构网络的至少一个网络层中每个网络层的计算类型、所述网络层的计算核的长度、所述网络层的计算核的宽度、所述网络层的通道个数、所述网络层的输出通道数与输入通道数的比值。在基于本专利技术上述方法的另一个实施例中，所述基于所述结构网络的网络参数，确定所述结构网络的结构特征，包括：基于所述结构网络的网络参数，确定所述结构网络的至少一个网络层中每个网络层的结构表示信息；基于所述至少一个网络层中每个网络层的结构表示信息，确定所述结构网络的结构特征。在基于本专利技术上述方法的另一个实施例中，所述结构表示信息包括具有预设维度的结构向量。在基于本专利技术上述方法的另一个实施例中，基于所述结构网络的网络参数，确定所述结构网络的至少一个网络层中每个网络层的结构表示信息，包括：基于所述结构网络的至少一个网络层中每个网络层的层参数，确定所述每个网络层的至少一个标识符；基于所述至少一个网络层中每个网络层的至少一个标识符，确定所述每个网络层的结构表示信息。在基于本专利技术上述方法的另一个实施例中，基于所述至少一个网络层中每个网络层的至少一个标识符，确定所述每个网络层的结构表示信息，包括：对每个网络层的至少一个标识符中的每个标识符进行映射，得到所述每个标识符的映射结果；基于所述至少一个标识符中每个标识符的映射结果，得到所述每个网络层的结构表示信息。在基于本专利技术上述方法的另一个实施例中，所述对每个网络层的至少一个标识符中的每个标识符进行映射，得到所述每个标识符的映射结果，包括：基于所述每个网络层中的每个标识符通过查找第一预设表格的方式获得所述每个标识符的映射结果。在基于本专利技术上述方法的另一个实施例中，基于所述至少一个网络层中每个网络层的结构表示信息，确定所述结构网络的结构特征，包括：将所述至少一个网络层中每个网络层的结构表示信息进行融合，获得所述结构网络的结构特征。在基于本专利技术上述方法的另一个实施例中，将所述至少一个网络层中每个网络层的结构表示信息进行融合，获得所述结构网络的结构特征，包括：利用神经网络，将所述至少一个网络层中每个网络层的结构表示信息进行融合，获得所述结构网络的结构特征。在基于本专利技术上述方法的另一个实施例中，所述利用神经网络，将所述至少一个网络层中每个网络层的结构表示信息进行融合，包括：将至少一个网络层中每个网络层的结构表示信息输入神经网络，所述神经网络通过递归算法将至少一个所述结构表示信息融合为一个结构特征。在基于本专利技术上述方法的另一个实施例中，基于所述结构特征，确定所述结构网络的网络性能参数之前，还包括：基于所述结构网络对应的预设时间点获得时间向量；基于所述结构特征，确定所述结构网络的网络性能参数，包括：基于所述结构特征和所述时间向量得到所述结构网络在所述预设时间点的网络性能参数。在基于本专利技术上述方法的另一个实施例中，所述基于所述结构特征和所述时间向量得到所述结构网络在所述预设时间点对应的网络性能参数，包括：合并所述结构特征和所述时间向量，得到合并特征；利用多层感知器，基于所述合并特征得到所述结构网络在所述时间向量下对应的网络性能参数。在基于本专利技术上述方法的另一个实施例中，所述基于所述结构网络对应的预设时间点获得时间向量，包括：基于所述结构网络对应的预设时间点通过查找第二预设表格的方式获得所述时间向量。在基于本专利技术上述方法的另一个实施例中，所述基于所述结构特征，确定所述结构网络的网络性能参数，包括：在训练所述结构网络之前，基于所述结构特征，确定所述结构网络的网络性能参数。在基于本专利技术上述方法的另一个实施例中，在所述获取待预测的结构网络的网络参数之前，还包括：利用多个样本结构网络训练所述预测网络，所述样本结构网络标注有所述样本结构网络在至少一个时间点中每个时间点的网络性能参数；所述时间点对应于所述样本结构网络的训练次数。在基于本专利技术上述方法的另一个实施例中，所述利用多个样本结构网络训练所述预测网络之前，还包括：对多个预设结构网络进行网络层采样，生成网络块；所述网络块中包括至少一个网络层；基于所述网络块构建所述样本结构网络。在基于本专利技术上述方法的另一个实施例中，所述对多个预设结构网络进行网络层采样，生成网络块，包括：基于马尔可夫链对多个预设结构网络进行采样，获得至少一个预设网络层；按序连接所述至少一个预设网络层，形成所述网络块。在基于本专利技术上述方法的另一个实施例中，所述网络层包括以下任意一种或多种：卷积层、最大池化层、平均池化层、激活层、和批量层。在基于本专利技术上述方法的另一个实施例中，所述基于所述网络块构建所述样本结构网络，包括：按序连接多个所述网络块获得所述样本结构网络，其中，多个所述网络块中的第一网络块和第二网络块对应于不同的特征维度。在基于本专利技术上述方法的另一个实施例中，所述第一网络块和所述第二网络块之间连接有最大池化层。在基于本专利技术上述方法的另一个实施例中，基于马尔可夫链对多个预设结构网络进行采样，获得至少一个预设网络层，包括：基于采样得到的第i网络层的网络参数，对多个预设结构网络进行采样，得到第i+1网络层，其中，i大于或等于1且小于所述网络块包括的网络层的个数。根据本公开实施例的另一个方面，提供的一种预测网络性能的装置，利用预测网络实现，包括：参数获取单元，用于获取待预测的结构网络的网络参数；结构特征单元，用于基于所述结构网络的网络参数，确定所述结构网络的结构特征；性能确定单元，用于基于所述结构特征，确定所述结构网络的网络性能参数。在基于本专利技术上述装置的另一个实施例中，所述网络参数包括以下至少一种：所述结构网络的至少一个网络层中每个网络层的计算类型、所述网络层的计算核的长度、所述网络层的计算核的宽度、所述网络层的通道个数、所述网络层的输出通道数与输入通道数的比值。在基于本专利技术上述装置的另一个实施例中，所述结构特征单元，包括：信息表示模块，用于基于所述结构网络的网络参数，确定所述结构网络的至少一个网络层中每个网络层的结构表示信息；特征确定模块，用于基于所述至少一个网络层中每个网络层的结构表示信息，确定所述结构网络的结构特征。在基于本专利技术上述装置的另一个实施例中，所述结构表示信息包括具有预设维度的结构向量。在基于本专利技术上述本文档来自技高网...

【技术保护点】
1.一种预测网络性能的方法，其特征在于，利用预测网络实现，包括：获取待预测的结构网络的网络参数；基于所述结构网络的网络参数，确定所述结构网络的结构特征；基于所述结构特征，确定所述结构网络的网络性能参数。

【技术特征摘要】
1.一种预测网络性能的方法，其特征在于，利用预测网络实现，包括：获取待预测的结构网络的网络参数；基于所述结构网络的网络参数，确定所述结构网络的结构特征；基于所述结构特征，确定所述结构网络的网络性能参数。2.根据权利要求1所述的方法，其特征在于，所述网络参数包括以下至少一种：所述结构网络的至少一个网络层中每个网络层的计算类型、所述网络层的计算核的长度、所述网络层的计算核的宽度、所述网络层的通道个数、所述网络层的输出通道数与输入通道数的比值。3.根据权利要求1或2所述的方法，其特征在于，所述基于所述结构网络的网络参数，确定所述结构网络的结构特征，包括：基于所述结构网络的网络参数，确定所述结构网络的至少一个网络层中每个网络层的结构表示信息；基于所述至少一个网络层中每个网络层的结构表示信息，确定所述结构网络的结构特征。4.根据权利要求3所述的方法，其特征在于，所述结构表示信息包括具有预设维度的结构向量。5.根据权利要求3或4所述的方法，其特征在于，基于所述结构网络的网络参数，确定所述结构网络的至少一个网络层中每个网络层的结构表示信息，包括：基于所述结构网络的至少一个网络层...

【专利技术属性】
技术研发人员：邓博洋，闫俊杰，林达华，
申请(专利权)人：北京市商汤科技开发有限公司，
类型：发明
国别省市：北京,11