【技术实现步骤摘要】
构建网络结构的方法与装置、及图像生成方法与装置
本申请涉及人工智能领域，并且更具体地，涉及一种构建网络结构的方法与装置、及图像处理方法与装置。
技术介绍
人工智能(artificialintelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。人工智能领域的研究包括机器人，自然语言处理，计算机视觉，决策与推理，人机交互，推荐与搜索，AI基础理论等。随着人工智能技术的快速发展，生成对抗网络(generativeadversarialnetwork，GAN)近年来在生成任务中取得了卓越的成就，常用于生成以假乱真的图片，此外，生成对抗网络还可以用于生成影片、三维物体模型、音乐等。目前的生成对抗网络包含一个...
【技术保护点】
1.一种构建网络结构的方法，其特征在于，包括：/n获取任务的类别；/n基于所述类别，使用网络结构构建模型生成与所述类别对应的目标网络结构，其中，所述网络结构构建模型能够生成多个网络结构，所述多个网络结构用于实现多个不同类别的任务；/n根据所述目标网络结构执行所述任务，得到执行结果；/n基于所述执行结果，调整所述网络结构构建模型的参数，以使得所述网络结构构建模型生成的网络结构执行任务得到的执行结果更准确。/n
【技术特征摘要】
1.一种构建网络结构的方法，其特征在于，包括：
获取任务的类别；
基于所述类别，使用网络结构构建模型生成与所述类别对应的目标网络结构，其中，所述网络结构构建模型能够生成多个网络结构，所述多个网络结构用于实现多个不同类别的任务；
根据所述目标网络结构执行所述任务，得到执行结果；
基于所述执行结果，调整所述网络结构构建模型的参数，以使得所述网络结构构建模型生成的网络结构执行任务得到的执行结果更准确。
2.根据权利要求1所述的方法，其特征在于，所述网络结构构建模型包括控制器、类别向量和操作向量，所述控制器用于根据所述类别生成网络结构参数，所述网络结构参数用于指示所述目标网络结构中每一层执行的操作，所述类别向量用于描述所述多个不同类别，所述操作向量用于描述所述多个网络结构的全部候选操作；
其中，所述基于所述执行结果，调整所述网络结构构建模型的参数，包括：
使用强化学习方法，基于奖励更新所述控制器、所述类别向量和所述操作向量，所述奖励是根据所述处理结果确定的。
3.根据权利要求2所述的方法，其特征在于，所述控制器由长短期记忆网络LSTM构成。
4.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据所述目标网络结构执行所述任务，得到执行结果，包括：
使用目标神经网络执行所述任务，得到所述执行结果，所述目标神经网络包括所述目标网络结构。
5.根据权利要求2或3所述的方法，其特征在于，所述网络结构构建模型还包括生成器，所述生成器包括多个操作层，所述多个操作层中的每一个操作层包括多个候选操作；
其中，在所述根据所述目标网络结构执行所述任务之前，所述方法还包括：
使用所述生成器根据所述网络结构参数在所述每一个操作层包括的多个候选操作中选择目标操作，以生成包括多个操作层的所述目标网络结构。
6.根据权利要求5所述的方法，其特征在于，在所述多个操作层中的至少一个操作层中，至少存在两个候选操作包含相同的参数。
7.根据权利要求5或6所述的方法，其特征在于，在获取b个任务的类别的情况下，所述根据所述目标网络结构执行所述任务，得到执行结果，包括：
通过以下多个步骤执行所述b个任务：
(1)将b个维度为din的输入特征中每一个输入特征，分别执行所述生成器中第1个操作层包括的N个候选操作，得到b个维度为Nxdout的向量，将所述b个维度为Nxdout的向量连接后得到1个维度为bxNxdout的中间特征；
(2)根据所述第1个操作层包括的N个候选操作，将所述b个任务对应的b个网络参数转换为的一位有效编码矩阵，所述一位有效编码矩阵的维度为bxNx1；
(3)对维度为bxNxdout的所述中间特征与维度为bxNxdout的所述一位有效编码矩阵进行广播乘法，得到维度为bxNxdout的矩阵；
(4)将所述bxNxdout的矩阵中维度N对应的每一行中的多个元素相加，得到所述第1个操作层的输出特征，所述第1个操作层的输出特征的维度为bxdout；
(5)对于所述第1个操作层的输出特征，根据所述生成器中第2个操作层包括的N个候选操作，继续执行上面的步骤(1)至(4)，直至生成所述生成器中第P个操作层的输出特征，所述第P个操作层的输出特征为所述执行结果；
其中，b、N和P均为正整数，P为所述生成器中操作层的个数。
8.根据权利要求1至7中任一项所述的方法，其特征在于，所述任务包括：图像处理，语音处理和/或文本处理。
9.一种图像生成方法，其特征在于，包括：
获取图像的类别；
基于所述类别，使用网络结构构建模型生成与所述类别对应的目标网络结构，其中，所述网络结构构建模型能够生成多个网络结构，所述多个网络结构用于生成多个不同类别的图像；
根据所述目标网络结构进行图像生成，得到生成图像；
基于所述生成图像，调整所述网络结构构建模型的参数，以使得所述网络结构构建模型生成的网络结构输出的生成图像更准确。
10.根据权利要求9所述的方法，其特征在于，所述网络结构构建模型包括控制器、类别向量和操作向量，所述控制器用于根据所述类别生成网络结构参数，所述网络结构参数用于指示所述目标网络结构中每一层执行的操作，所述类别向量用于描述所述多个不同类别，所述操作向量用于描述所述多个网络结构的全部候选操作；
其中，所述基于所述生成图像，调整所述网络结构构建模型的参数，包括：
使用强化学习方法，基于奖励更新所述控制器、所述类别向量和所述操作向量，所述奖励是根据所述处理结果确定的。
11.根据权利要求10所述的方法，其特征在于，所述控制器由长短期记忆网络LSTM构成。
12.根据权利要求9至11中任一项所述的方法，其特征在于，所述根据所述目标网络结构进行图像生成，得到生成图像，包括：
使用目标神经网络进行图像生成，得到所述生成图像，所述目标神经网络包括所述目标网络结构。
13.根据权利要求10或11所述的方法，其特征在于，所述网络结构构建模型还包括生成器，所述生成器包括多个操作层，所述多个操作层中的每一个操作层包括多个候选操作；
其中，在所述根据所述目标网络结构进行图像生成之前，所述方法还包括：
使用所述生成器根据所述网络结构参数在所述每一个操作层包括的多个候选操作中选择目标操作，以生成包括多个操作层的所述目标网络结构。
14.根据权利要求13所述的方法，其特征在于，在所述多个操作层中的至少一个操作层中，至少存在两个候选操作包含相同的参数。
15.根据权利要求13或14所述的方法，其特征在于，在获取b个图像的类别的情况下，所述根据所述目标网络结构进行图像生成，得到生成图像，包括：
通过以下多个步骤生成b个类别的图像：
(1)将b个维度为din的输入特征中每一个输入特征，分别执行所述生成器中第1个操作层包括的N个候选操作，得到b个维度为Nxdout的向量，将所述b个维度为Nxdout的向量连接后得到1个维度为bxNxdout的中间特征；
(2)根据所述第1个操作层包括的N个候选操作，将所述b个类别对应的b个网络参数转换为的一位有效编码矩阵，所述一位有效编码矩阵的维度为bxNx1；
(3)对维度为bxNxdout的所述中间特征与维度为bxNxdout的所述一位有效编码矩阵进行广播乘法，得到维度为bxNxdout的矩阵；
(4)将所述bxNxdout的矩阵中维度N对应的每一行中的多个元素相加，得到所述第1个操作层的输出特征，所述第1个操作层的输出特征的维度为bxdout；
(5)对于所述第1个操作层的输出特征，根据所述生成器中第2个操作层包括的N个候选操作，继续执行上面的步骤(1)至(4)，直至生成所述生成器中第P个操作层的输出特征，所述第P个操作层的输出特征为所述生成图像；
其中，b、N和P均为正整数，P为所述生成器中操作层的个数。
16.一种构建网络结构的装置，其特征在于，包括：
获取模块，用于获取任务的类别；
生成模块，用于基于所述类别，使用网络结构构建模型生成与所述类别对应的目标网络结构，其中，所述网络结构构建模型能够生成多个网络结构，所述多个网络结构用于实现多个不同类别的任务；
执...
【专利技术属性】
技术研发人员：周鹏，张晓鹏，谢凌曦，倪冰冰，田奇，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东;44
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。