用于生成和训练神经网络的系统和计算机实现的方法技术方案

本公开提供了“用于生成和训练神经网络的系统和计算机实现的方法”。描述了生成和训练神经网络的技术，所述技术包括训练多个模型并且用所述模型构建多个决策树。每个决策树可以包括所述决策树的各个级别的额外决策树。由于每个决策树的唯一结构化，每个决策树具有不同的准确度指示符，并且通过经由测试数据集测试每个树，可以确定具有最高准确度的树。可以确定具有最高准确度的树。可以确定具有最高准确度的树。

【技术实现步骤摘要】
用于生成和训练神经网络的系统和计算机实现的方法


[0001]本公开总体上涉及生成和训练神经网络。

技术介绍

[0002]机器学习使用训练数据来改进使用训练数据的计算机算法。所述算法基于机器学习模型的输入来进行改进的决策或预测结果。输入与输出之间的关系是模型所训练的关系，并且该关系是模型在训练之后最终试图预测特定输入的关系。机器学习的基本形式是感知器，所述感知器基于从整体模型的训练中学习的预期类别来对输入进行分类。感知器可以占据神经网络的隐藏层，所述隐藏层是输入可以在神经网络传回输出之前通过的层。
[0003]由于机器学习算法可能被应用于训练数据集之外的数据，因此预期的输出结果可能会出现不准确度。存在可以用于不同的预期应用的多种不同的潜在算法。然而，关于每个预期应用，每个潜在算法可以取得不同的成功。
[0004]虽然广泛的分析可以帮助更好地理解关于特定应用的算法，但是这样做需要大量的努力和时间，这最终可能不利于从最初实施机器学习算法节省时间。在本领域中需要更好地理解模型实现方式和准确度的改进。

技术实现思路

[0005]神经网络使用输入和输出的树进行训练。神经网络基于神经网络的经训练的经验，使用其算法来向特定输入提供输出。确定输入导致特定输出被称为感知器。
[0006]然而，特定模型及其各种感知器可能仅具有对于特定应用不是最佳的准确度水平。可以根据运行从同一数据集导出的训练集和测试集的准确度报告来测量对哪个模型可能最合适的改进的理解。此外，利用数据集来理解准确度可以改进对隐藏趋势的理解和整个网络的决策能力的多样性。
[0007]一般而言，描述了用于生成和训练神经网络的技术。训练方法可以提供生成机器学习模型的神经网络，其中可以提供额外模型作为感知器的输出，从而形成不同模型的“树”。可以从这个“树”中将数据集分割成第一集和第二集，第一集用于训练模型的“树”，而第二集用于测试模型的准确度。可以反向传播模型的准确度，以向神经网络提供在神经网络更远的层中可以更好地采用哪些模型的更好近似值。
[0008]在一些实施例中，提供了一种方法，所述方法包括：生成多个模型；将数据集分割成第一数据集和第二数据集；使用所述第一数据集来训练所述多个模型中的每个模型以生成多个经训练模型；构建多个决策树；用所述第二数据集测试所述多个决策树中的每一者以生成所述多个决策树中的每个决策树的准确度指示符；及部署所述多个决策树中具有最高准确度指示符的决策树。所述第一数据集可以具有训练数据，并且所述第二数据集可以具有测试数据。多个决策树可以具有多个经训练模型中的一个或多个经训练模型，其中多个决策树中的每一个都是唯一的。
[0009]在一些实施例中，提供了一种系统，所述系统包括：数据集；一个或多个处理器；及
系统存储器，所述系统存储器存储用于使一个或多个处理器进行以下操作的指令：生成多个模型；将数据集分割成第一数据集和第二数据集；使用第一数据集来训练多个模型中的每个模型以生成多个经训练模型；构建多个决策树；用第二数据集测试多个决策树中的每一者以生成多个决策树中的每个决策树的准确度指示符；及部署多个决策树中具有最高准确度指示符的决策树。第一数据集可以具有训练数据，并且第二数据集可以具有测试数据。多个决策树可以具有多个经训练模型中的一个或多个经训练模型，其中多个决策树中的每一者都是唯一的。
[0010]计算机实现的方法的实现方式可以包括以下特征中的一者或多者。在一些实施例中，与第二数据集相比，第一数据集可以形成数据集的较大部分。在一些实施例中，构建多个决策树包括从多个经训练模型构建最大数量的唯一决策树。在一些实施例中，多个模型至少包括线性回归模型。在一些实施例中，部署具有最高准确度指示符的决策树可以包括将具有最高准确度指示符的决策树部署到其他神经网络。在一些实施例中，构建决策树可以包括每个模型的训练的反向传播以影响多个决策树的决策树序列。在一些实施例中，与给定决策树相关联的准确度指示符指示由给定决策树作出的决策的准确度。在一些实施例中，多个模型中的每一者可以具有超参数，并且神经网络可以包括决策树的多个模型中的每一者的超参数集，其中给定模型的训练是基于与给定模型相关联的超参数。
附图说明
[0011]通过参考以下附图，可以实现对各种实施例的性质和优点的进一步理解。在附图中，类似的部件或特征可以具有相同的附图标号。此外，可通过在附图标记后面加上短划线和在相似部件之间进行区分的第二标签来区分相同类型的各种部件。如果在说明书中仅使用第一附图标记，则所述描述适用于具有相同第一附图标记的相似部件中的任一者，而与第二附图标记无关。
[0012]图1示出了根据实施例的用于生成和训练神经网络的智能系统。
[0013]图2A示出了根据实施例的由不同层中的模型构成的神经网络。
[0014]图2B示出了根据实施例的在不同层中的各个节点处包括额外模型和感知器的神经网络。
[0015]图3示出了根据实施例的训练神经网络的方法。
[0016]图4示出了根据一些实施例的车辆系统的框图。
[0017]图5示出了根据一些实施例的计算系统的框图。
[0018]图6示出了根据一些实施例的云计算系统。
具体实施方式
[0019]在实施特定神经网络模型时，可以通过建构额外模型的树来实施准确度的额外改进。对于特定应用，训练数据可能导致不完美的准确度，这通常反映在机器学习模型中。为了更好地获取准确结果，可以通过多个模型发送数据，然而，随着模型数量的增加，难以确定哪种模型组合导致最高准确度。在总体神经网络内，可以用完整模型而不是二元分类器替换神经网络的个别感知器，以形成不同模型的树。
[0020]利用反向传播、机器学习算法的特征以及不同模型的树，可以实现跨模型网络的
改进的准确度。从模型训练获得的结果可以向后传递到先前层以影响特定网络的效率。通过将不同的模型实施为神经网络的输入和输出，可以针对自身验证通过的训练数据和测试数据，从而导致在特定实施模式下对模型的准确度进行分析。例如，视觉系统可以通过多组模型运行数据，以提供对传感器正在接收的内容的更准确的视觉评估。可以使用模型的神经网络来跨模型生成更好的数据集准确度。
[0021]图1是用于生成和训练神经网络的示例性智能系统100。智能系统100可以具有服务器110、模型池130和数据集160。在不同的实施例中，智能系统100虽然示出了服务器，但是可以驻留在一个或多个计算装置(诸如下面关于图5描述的计算装置500、如关于图4描述的计算系统402)、服务器(诸如，如关于图6描述的服务器630)上的同一系统存储器或任何合适形式的计算机可读介质内。
[0022]模型池130可以是在生成和训练神经网络时与服务器110交互的不同机器学习模型或算法的池。各种类型的模型可以是例如线性回归模型、逻辑回归模型、决策树、梯度下降模型或任何合适的可实施机器学习模型。在实施例中，当生成神经网络时，从模型池130中拉取的模型可以构成本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于生成和训练神经网络的计算机实现的方法，所述方法包括：生成多个模型；将数据集分割成第一数据集和第二数据集，其中所述第一数据集包括训练数据，并且所述第二数据集包括测试数据；使用所述第一数据集来训练所述多个模型中的每个模型以生成多个经训练模型；构建多个决策树，所述多个决策树包括所述多个经训练模型中的一个或多个经训练模型，其中所述多个决策树中的每一个都是唯一的；用所述第二数据集测试所述多个决策树中的每一个以生成所述多个决策树中的每个决策树的准确度指示符；以及部署所述多个决策树中具有最高准确度指示符的决策树。2.如权利要求1所述的方法，其中与所述第二数据集相比，所述第一数据集形成所述数据集的较大部分。3.如权利要求1所述的方法，其中所述多个模型至少包括线性回归模型。4.如权利要求1所述的方法，其中所述部署具有所述最高准确度指示符的所述决策树包括将具有所述最高准确度指示符的所述决策树部署到其他神经网络。5.如权利要求1所述的方法，其中所述构建所述决策树包括每个模型的所述训练的反向传播以影响所述多个决策树的决策树序列。6.一种用于生成和训练神经网络的系统，所述系统包括：数据集；一个或多个处理器；以及系统存储器，所述系统存储器存储用于使所述一个或多个处理器进行以下操作的指令：生成多个模型；将所述数据集分割成第一数据集和第二数据集，其中所述第一数据集包括训练数据，并且所述第二数据集包括测试数据；使用所述第一数据集来训练所述多个模型中的每个模型以创建多个经训练模型；构建多个决策树，所述多个决策树包括所述多个经训练模型中的一个或多个经训练模型，其中所述多个决策树中的每一个都是唯一的；用所述第二数据集测试所述多个决策树中的每一个以生成所述多个决策树中的每个决策树的准确度指示符；以及部署所述多个决策树中具有最高准确度指示符的决策树。7.如权利...

【专利技术属性】
技术研发人员：H，
申请(专利权)人：福特全球技术公司，
类型：发明
国别省市：