机器学习网络处理方法、设备、处理器和存储介质技术

本发明专利技术公开了一种机器学习网络处理方法、设备、处理器和存储介质。该方法包括：接收计算指令，计算指令包括机器学习网络的训练函数和训练函数的原始约束空间；设置新的约束空间，并利用训练函数和新的约束空间构建新的机器学习网络，其中，新的约束空间的取值范围包括原始约束空间的取值范围；在对新的机器学习网络求解的过程中，逐步缩小新的约束空间进行迭代处理，直到新的约束空间的取值范围等于原始约束空间的取值范围，得到机器学习网络的连接权重。根据本发明专利技术实施例提供的机器学习网络处理方法，可以提高机器学习网络的训练效率和训练精度。

【技术实现步骤摘要】
机器学习网络处理方法、设备、处理器和存储介质
本专利技术涉及计算机领域，尤其涉及机器学习网络处理方法、设备、处理器和存储介质。
技术介绍
近年来，机器学习(MachineLearning，简称ML)被大规模地应用在人工智能领域，特别是在图像、语音、自然语言处理等领域均取得了突破性的进展和良好的效果。通过构建机器学习网络，并对机器学习网络进行训练，调整机器学习网络内部大量节点之间相互连接的关系，从而达到处理信息的目的。目前的机器学习网络训练通常使用启发式算法或近似方法进行训练，但是当机器学习网络具有较强的约束条件时，利用启发式算法或近似方法对机器学习网络进行训练，运算效率低，精确度低。
技术实现思路
本专利技术实施例提供一种机器学习网络处理方法、设备、处理器和存储介质，可以提高训练机器学习网络的运算效率和精度。根据本专利技术实施例的一方面，提供一种机器学习网络处理方法，包括：接收计算指令，计算指令包括待处理优化问题的机器学习网络的训练函数和训练函数的原始约束空间；设置新的约束空间，并利用训练函数和新的约束空间构建新的机器学习网络，其中，新的约束空间的取值范围包含原始约束空间的取值范围；在对本文档来自技高网...

【技术保护点】
1.一种机器学习网络处理方法，包括：接收计算指令，所述计算指令包括机器学习网络的训练函数和所述训练函数的原始约束空间；设置新的约束空间，并利用所述训练函数和所述新的约束空间构建新的机器学习网络，其中，所述新的约束空间的取值范围包含所述原始约束空间的取值范围；在对所述新的机器学习网络求解的过程中，逐步缩小所述新的约束空间进行迭代处理，直到所述新的约束空间的取值范围等于所述原始约束空间的取值范围，得到所述机器学习网络的连接权重。

【技术特征摘要】
1.一种机器学习网络处理方法，包括：接收计算指令，所述计算指令包括机器学习网络的训练函数和所述训练函数的原始约束空间；设置新的约束空间，并利用所述训练函数和所述新的约束空间构建新的机器学习网络，其中，所述新的约束空间的取值范围包含所述原始约束空间的取值范围；在对所述新的机器学习网络求解的过程中，逐步缩小所述新的约束空间进行迭代处理，直到所述新的约束空间的取值范围等于所述原始约束空间的取值范围，得到所述机器学习网络的连接权重。2.根据权利要求1所述的机器学习网络处理方法，其中，所述逐步缩小所述新的约束空间，包括：获取所述新的约束空间的负数空间，逐步缩小所述负数空间，所述缩小的负数空间包括所述原始约束空间的负数取值；获取所述新的约束空间的正数空间，逐步缩小所述正数空间，所述缩小的正数空间包括所述原始约束空间的正数取值。3.根据权利要求1所述的机器学习网络处理方法，其中，所述逐步缩小所述新的约束空间的次数是用户自定义的。4.根据权利要求1所述的机器学习网络处理方法，其中，所述变量在所述原始约束空间的取值为正1或负1。5.一种处理器，包括：取值单元，用于接收计算指令，所述计算指令包括机器学习网络的训练函数和所述训练函数的原始约束空间；控制单元，用于设置新的约束空间，并利用所述训练函数和所述新的约束空间构建新的机器学习网络，其中，所述新的约束空间的取值范围包含所述原始约束空间的取值范围；计算单元，用于在对所述新的机器学习网络求解的过程中，逐步缩小所述新的约束空间进行迭代处理，直到所述新的约束空间的取值范围等于所述原始约束空间的取值范围，得到所述机器学习网络的连接权重。...

【专利技术属性】
技术研发人员：冷聪，李昊，窦则圣，朱胜火，金榕，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛,KY