本申请公开了一种数据处理方法、装置计算机可读存储介质和芯片，涉人工智能领域。其中，该数据处理方法包括：获取数据类型为非欧式空间数据的第一数据，并采用目标神经网络提取第一数据的特征，然后再根据目标神经网络对第一数据的特征进行处理，得到第一数据的处理结果。由于本申请中的目标神经网络包括多个全连接单元并且是是采用残差连接方式的网络，因此，采用本申请实施例的方案能够实现对非欧式空间数据的有效处理。空间数据的有效处理。空间数据的有效处理。
【技术实现步骤摘要】
数据处理方法、装置、计算机可读存储介质和芯片
[0001]本申请实施例涉人工智能领域，尤其涉及一种数据处理方法、装置、计算机可读存储介质和芯片。
技术介绍
[0002]深度学习(deep learning)是一种基于深层神经网络算法的机器学习技术，其主要特点是使用多重非线性变换对数据进行处理和分析。目前深度学习构建的网络模型已经广泛应用在图像识别、语音识别、自然语言处理以及医疗影像数据等场景，并取得了巨大的进展，有些网络模型甚至超越了人类的水平。
[0003]当前深度学习应用的主流领域大部分基于欧式空间数据，例如图像、文本、语音等数据。这些数据之间存在局部相关性或时空相关性，即输入的特征值和周围的特征值存在相关性，或和时间先后发生的特征值存在相关性。对于欧式空间数据，如果特征输入顺序被打乱，数据，例如图片或文本的意义会完全改变。卷积神经网络(convolutional neural network，CNN)和循环神经网络(recurrent neural network，RNN)是广泛应用于欧式空间数据的建模的方法。
[0004]相对于欧式空间数据，非欧式空间数据的结构具有复杂性、非时空性、网络性和层次性的特征。常见的非欧式空间数据有社会科学领域的社交网络、通信中的传感器网络、脑成像中的功能网络、基因组领域的调控网络以及计算机图形中的网格曲面等。这些非欧式空间数据增长迅速，但是传统的CNN和RNN不能很好地处理和提取非欧式空间数据的特征。
技术实现思路
[0005]本申请提供一种数据处理方法、装置、计算机可读存储介质和芯片，能够实现对非欧式空间数据的处理。
[0006]第一方面，提供了一种数据处理方法，包括：获取第一数据，第一数据为基因数据、用户的社交关系连接数据、传感器信息交互数据、大脑功能调控网络中的至少一种；采用目标神经网络提取第一数据的特征，其中，目标神经网络包括多个全连接单元，目标神经网络是采用残差连接方式的网络；采用目标神经网络对第一数据的特征进行处理，得到第一数据的处理结果。
[0007]上述技术方案中，以全连接单元为基础的神经网络可以提取第一数据的所有综合特征，通过残差连接方式可以跳过一些网络层次，适用于非欧式空间数据跨层特征的提取。采用以全连接单元为基础的，采用残差连接方式的目标神经网络对第一数据的特征进行处理，可以实现对非欧式空间数据的深度学习建模。
[0008]具体地，采用目标神经网络对第一数据的特征进行处理，得到第一数据的处理结果，包括：根据第一数据的特征对第一数据的类型进行预测，得到第一数据的预测结果。
[0009]具体地，采用目标神经网络对第一数据的特征进行处理，得到第一数据的处理结果，包括：根据第一数据的特征对第一数据进行降维处理，得到第一数据的降维结果。
[0010]结合第一方面，在第一方面的某些实现方式中，目标神经网络是采用随机残差连接方式的网络。
[0011]采用随机残差连接方式，可以构建不同的残差连接方式的网络，从中选择合适的目标网络对第一数据进行特征提取和处理。
[0012]可选地，目标神经网络的每一层可选的连接方式包括：直连、跳跃连接和分支连接。
[0013]由于目标神经网络每一层可以包括多种连接方式，便于后续对第一数据进行更好的处理。
[0014]可选地，目标神经网络是通过高效神经网络架构搜索(efficient neural architecture search，ENAS)算法构建得到的神经网络。
[0015]上述技术方案中，采用ENAS算法构建目标神经网络，有较高的搜索精度与搜索效率。
[0016]结合第一方面，在第一方面的某些实现方式中，目标神经网络是采用残差连接的变分自编码器(variational autoencoder，VAE)的网络，该采用残差连接的VAE包括采用残差连接的编码器和采用残差连接的解码器。
[0017]上述技术方案中，编码器通过递减的神经元个数将原始数据压缩到低维隐藏变量，在解码器部分通过递增的神经元个数将低维变量进行还原，实现了对原始数据的降维。
[0018]结合第一方面，在第一方面的某些实现方式中，多个全连接单元中的每个全连接单元包括：全连接层、批标准化和激活函数。
[0019]第二方面，提供了一种数据处理装置，包括：获取模块，用于获取第一数据，第一数据为基因数据、用户的社交关系连接数据、传感器信息交互数据、大脑功能调控网络中的至少一种；处理模块，用于采用目标神经网络提取第一数据的特征，其中，目标神经网络包括多个全连接单元，目标神经网络是采用残差连接方式的网络；处理模块还用于采用目标神经网络对第一数据的特征进行处理，得到第一数据的处理结果。
[0020]具体地，采用目标神经网络对第一数据的特征进行处理，得到第一数据的处理结果，包括：根据第一数据的特征对第一数据的类型进行预测，得到第一数据的预测结果。
[0021]具体地，采用目标神经网络对第一数据的特征进行处理，得到第一数据的处理结果，包括：根据第一数据的特征对第一数据进行降维处理，得到第一数据的降维结果。
[0022]结合第二方面，在第二方面的某些实现方式中，目标神经网络是采用随机残差连接方式的网络。
[0023]采用随机残差连接方式，可以构建不同的残差连接方式的网络，从中选择合适的目标网络对第一数据进行特征提取和处理。
[0024]可选地，目标神经网络的每一层可选的连接方式包括：直连、跳跃连接和分支连接。
[0025]可选地，目标神经网络是通过高效神经网络架构搜索ENAS算法构建得到的神经网络。
[0026]上述技术方案中，采用ENAS算法构建目标神经网络，有较高的搜索精度与搜索效率。
[0027]结合第二方面，在第二方面的某些实现方式中，目标神经网络是采用残差连接的
变分自编码器VAE的网络，该采用残差连接的VAE包括采用残差连接的编码器和采用残差连接的解码器。
[0028]上述技术方案中，编码器通过递减的神经元个数将原始数据压缩到低维隐藏变量，在解码器部分通过递增的神经元个数将低维变量进行还原，实现了对原始数据的降维。
[0029]结合第二方面，在第一方面的某些实现方式中，多个全连接单元中的每个全连接单元包括：全连接层、批标准化和激活函数。
[0030]第三方面，提供了一种神经网络训练方法，包括：获取训练数据，训练数据为基因数据、用户的社交关系连接数据、传感器信息交互数据、大脑功能调控网络中的至少一种；根据训练数据对神经网络进行训练，得到满足预设要求的目标神经网络，所述目标神经网络包括多个全连接单元且目标神经网络是采用残差连接方式的网络。
[0031]上述技术方案中，通过对神经网络进行训练，得到的目标神经网络可以实现对非欧式空间数据的特征提取和处理。
[0032]具体地，满足预设要求包括：神经网络的性能满足要求，或者神经网络的训练次数达到预设次数，或者在训练过程中本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：获取第一数据，所述第一数据为基因数据、用户的社交关系连接数据、传感器信息交互数据、大脑功能调控网络中的至少一种；采用目标神经网络提取所述第一数据的特征，其中，所述目标神经网络包括多个全连接单元且是采用残差连接方式的神经网络；采用所述目标神经网络对所述第一数据的特征进行处理，得到所述第一数据的处理结果。2.根据权利要求1所述的方法，其特征在于，所述采用目标神经网络对所述第一数据的特征进行处理，得到所述第一数据的处理结果，包括：根据所述第一数据的特征对所述第一数据的类型进行预测，得到所述第一数据的预测结果。3.根据权利要求1所述的方法，其特征在于，所述采用所述目标神经网络对所述第一数据的特征进行处理，得到所述第一数据的处理结果，包括：根据所述第一数据的特征对所述第一数据进行降维处理，得到所述第一数据的降维结果。4.根据权利要求1-3中任一项所述的方法，其特征在于，所述目标神经网络是采用随机残差连接方式的网络。5.根据权利要求4所述的方法，其特征在于，所述目标神经网络的每一层可选的连接方式包括：直连、跳跃连接和分支连接。6.根据权利要求1-5中任一项所述的方法，其特征在于，所述目标神经网络是通过高效神经网络架构搜索ENAS算法构建得到的神经网络。7.根据权利要求1-3所述的方法，其特征在于，所述目标神经网络是采用残差连接的变分自编码器VAE的网络，所述采用残差连接的VAE包括采用残差连接的编码器和采用残差连接的解码器。8.根据权利要求1-7中任一项所述的方法，其特征在于，所述多个全连接单元中的每个全连接单元包括：全连接层、批标准化和激活函数。9.一种数据处理装置，其特征在于，包括：获取模块，用于获取第一数据，所述第一数据为基因数据、用户的社交关系连接数据、传感器信息交互数据、大脑功能调控网络中的至少一种；处理模块，用于采用目标神经网络提取...
【专利技术属性】
技术研发人员：乔楠，刘登辉，付纹琦，白小龙，何文俊，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：
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。