【技术实现步骤摘要】
【国外来华专利技术】神经网络的自动生成相关申请本申请要求2018年10月31日提交的美国临时专利申请第62/753,822号的权益并且该申请通过引用整体结合于此。
本公开大体涉及计算机系统领域,并且更具体地涉及神经网络模型的自动生成。
技术介绍
人工神经网络是一种计算模型,可用于解决使用传统计算模型难以解决的任务。例如,可以训练人工神经网络来执行使用其他传统的编程范例极难实现的模式识别任务。利用人工神经网络通常需要执行计算和操作以开发、训练和更新人工神经网络。神经网络可以与其他模型一起使用,以在计算系统中实现机器学习功能。机器学习可以与诸如计算机视觉、电子商务、游戏、机器人运动、大数据分析、图像识别、语言处理等应用结合使用。附图说明当结合以下附图考虑时,参考本公开主题的以下详细描述,可以更全面地理解所公开的主题的各种目标、特征和优点,其中相同的参考号标识相同的要素。附图是示意性地并且不旨在按比例绘制。为了清楚起见,并非每一个组件在每一个图中都被标记。在不需要图示来允许本领域普通技术人员理解所公开的主题的情况下,也不是所公开的主题的每一个实施例的每一个组件都被示出。图1示出了根据一些实施例的采用机器学习的示例系统;图2是示出包括示例神经网络生成器系统的计算环境的简化框图;图3是示出示例进化算法的各方面的简化框图;图4是示出在进化中选择父神经网络时利用的多目标优化的各方面的简化框图;图5是示出示例网络模块的简化框图;图6是示出另一示例网络模块的简化框图; ...
【技术保护点】
1.一种非瞬态机器可读存储介质,其上存储有指令,当所述指令由机器执行时使所述机器用于:/n标识多个不同父神经网络模型的定义;/n从语法定义数据中标识在语法进化中使用的语法,其中所述语法定义规则以自动构建有效的神经网络模型;/n基于所述语法来对所述多个父神经网络模型执行语法进化,以生成子神经网络模型集;/n使基于要输入到神经网络模型的代的测试数据集来执行所述神经网络模型的代的测试,其中所述神经网络模型的代包括所述子神经网络模型集;/n基于所述测试,为代中的每个神经网络模型确定属性值集,其中每个属性值集为相对应的神经网络模型的多个不同属性中的每个属性标识相应的值,并且所述多个不同属性中的至少一个属性包括从所述测试中确定的验证精度;/n在为所述神经网络模型的代而确定的属性值集中确定非主导前沿;以及/n基于所述非主导前沿来选择所述神经网络模型的代的子集。/n
【技术特征摘要】
【国外来华专利技术】20181031 US 62/753,8221.一种非瞬态机器可读存储介质,其上存储有指令,当所述指令由机器执行时使所述机器用于:
标识多个不同父神经网络模型的定义;
从语法定义数据中标识在语法进化中使用的语法,其中所述语法定义规则以自动构建有效的神经网络模型;
基于所述语法来对所述多个父神经网络模型执行语法进化,以生成子神经网络模型集;
使基于要输入到神经网络模型的代的测试数据集来执行所述神经网络模型的代的测试,其中所述神经网络模型的代包括所述子神经网络模型集;
基于所述测试,为代中的每个神经网络模型确定属性值集,其中每个属性值集为相对应的神经网络模型的多个不同属性中的每个属性标识相应的值,并且所述多个不同属性中的至少一个属性包括从所述测试中确定的验证精度;
在为所述神经网络模型的代而确定的属性值集中确定非主导前沿;以及
基于所述非主导前沿来选择所述神经网络模型的代的子集。
2.如权利要求1所述的存储介质,其中,所述指令进一步被执行以使机器用于:使用训练数据集对所述子神经网络模型集进行训练,其中在训练所述子神经网络模型集之后执行所述测试。
3.如权利要求2所述的存储介质,其中,所述训练数据集包括数据集的第一子集,而所述测试数据包括所述数据集的第二子集。
4.如权利要求3所述的存储介质,其中,所述数据集包括图像集。
5.如权利要求1-4中任一项所述的存储介质,其中,所述语法定义规则以基于网络模块集来构建有效的神经网络模型,并且使用所述网络模块集各自构建子神经网络集。
6.如权利要求5所述的存储介质,其中,从所述网络模块集中构建神经网络模型包括:
基于所述语法来选择所述网络模块集中网络模块的组合,以将其包括在相应神经网络模型中;以及
基于所述语法来为所选择的每个网络模块设置相应的参数值,以将其包括在相应子神经网络中。
7.如权利要求5-6中任一项所述的存储介质,其中,基于所述语法来从所述网络模块集中构建多个父神经网络模型的至少一个子集。
8.如权利要求5-7中任一项所述的存储介质,其中,所述网络模块集包括多个网络模块,并且所述多个网络模块中的每一个网络模块包括不同的相应类型的网络部分。
9.如权利要求8所述的存储介质,其中,网络部分的类型包括相应神经网络层集。
10.如权利要求8-9中任一项所述的存储介质,其中,所述多个网络模块包括卷积网络模块和起始网络模块。
11.如权利要求5-10中任一项所述的存储介质,其中,基于所述语法来将神经网络中的网络模块连接到完全连接层或最大池化层中的至少一个,以生成相应的神经网络模型。
12.如权利要求1-11中任一项所述的存储介质,其中,神经网络模型的代进一步包括所述父神经网络模型。
13.如权利要求1-12中任一项所述的存储介质,其中,执行语法进化包括对所述父神经网络模型中的每一个的参数值执行改变操作。
14.如权利要求13所述的存储介质,其中,所述改变操作包括变异操作或交叉操作中的至少一个。
15.如权利要求13-14中任一项所述的存储介质,其中,所述改变操作包括基于相应父神经网络模型中层数、核数或滤波器大小中的一个或多个的结构变异。
16.如权利要求15所述的存储介质,其中,所述改变操作进一步包括基于学习率、批量大小、权重衰减、动量、使用的优化器和丢失率中的一个或多个的父神经网络模型的学习参数变异。
17.如权利要求1-16中任一项所述的存储介质,其中,所述神经网络模型的代的子集的选择基于根据所述属性值集的随机二元锦标赛的结果。
18.如权利要求17所述的存储介质,其中,所述随机二元锦标赛的结果基于所述属性值集中的排名值和拥挤距离。
19.如权利要求1-18中任一项所述的存储介质,其中,神经网络模型包括卷积神经网络(CNN)模型。
20.如权利要求1-19中任一项所述的存储介质,其中,基于所述语法来在多代神经网络模型上执行多次进化,下一代神经网络模型基于根据通过测试前一代神经网络模型得到的值确定的相应非主导前沿。
21.一种方法,包括:
标识第一多个不同父神经网络模型的定义;
从语法定义数据中标识在语法进化中使用的语法,其中所述语法定义规则以自动构建有效的神经网络模型;
基于所述语法来对所述第一多个父神经网络模型执行语法进化,以生成第一组子神经网络模型;
基于要输入到神经网络模型的代的测试数据集来执行所述神经网络模型的代的测试,其中所述神经网络模型的代包括所述第一组子神经网络模型;
针对神经网络模型的代中的每个神经网络模型,确定多个属性中的每一个属性的相应值,其中所述多个属性中的至少一个属性包括从所述测试中确定的验证精度值;
基于多个属性的值来执行多目标优化以用于神经网络的代,其中所述多目标优化确定与所述神经网络模型的代相关联的至少一个非主导前沿;以及
基于所述非主导前沿来选择所述神经网络模型的代的子集。
...
【专利技术属性】
技术研发人员:D·M·莫洛尼,X·徐,T·F·L·塞托,J·D·拜恩,
申请(专利权)人:莫维迪厄斯有限公司,
类型:发明
国别省市:荷兰;NL
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。