神经网络的训练方法、装置及电子设备制造方法及图纸

本公开提供了一种神经网络的训练方法、装置及电子设备，涉及人工智能领域，尤其涉及深度学习领域。具体实现方案为：获取样本数据集，其中，样本数据集包括移动对象在运动过程中进行检测的时间点，以及与时间点对应的位置坐标；将样本数据集中的时间点与位置坐标输入至预训练神经网络中，以生成预测的移动对象的移动参数信息；基于预测的移动参数信息，得到对应的损失值；根据损失值对预训练神经网络进行训练。本公开实施例可以提高损失值的计算效率，降低了训练神经网络的时间。降低了训练神经网络的时间。降低了训练神经网络的时间。

【技术实现步骤摘要】
神经网络的训练方法、装置及电子设备


[0001]本公开涉及人工智能领域，尤其涉及深度学习


技术介绍

[0002]流体力学是力学的一个分支，研究流体本身的流动规律。然而计算流体力学较复杂，需要采用神经网络进行计算，同时模拟流体的运动情况。例如，模拟船舶、飞机等在水下或空气中的运动情况。流体力学的神经网络对应的损失函数为微分方程，在对神经网络进行训练的过程中，需要不断对微分方程进行计算，以得到损失值，并对神经网络进行训练。
[0003]但目前，对微分方程进行计算的方法，计算效率较低，耗费时间较长。

技术实现思路

[0004]本公开提供了一种用于神经网络的训练方法、装置、设备以及存储介质。
[0005]根据本公开的一方面，提供了一种神经网络的训练方法，包括：
[0006]获取样本数据集，其中，所述样本数据集包括移动对象在运动过程中进行检测的时间点，以及与所述时间点对应的位置坐标；
[0007]将所述样本数据集中的时间点与位置坐标输入至预训练神经网络中，以生成预测的所述移动对象的移动参数信息；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络的训练方法，其中，所述方法包括：获取样本数据集，其中，所述样本数据集包括移动对象在运动过程中进行检测的时间点，以及与所述时间点对应的位置坐标；将所述样本数据集中的时间点与位置坐标输入至预训练神经网络中，以生成预测的所述移动对象的移动参数信息；基于所述预测的移动参数信息，得到对应的损失值；根据所述损失值对所述预训练神经网络进行训练。2.如权利要求1所述的方法，其中，所述根据所述损失值对所述预训练神经网络进行训练，包括：基于梯度下降算法和所述损失值更新所述预训练神经网络的参数，直至所述预训练神经网络收敛，以得到目标神经网络。3.如权利要求1所述的方法，其中，所述基于所述预测的移动参数信息，得到对应的损失值，包括：获取损失函数对应的符号化微分方程；对所述符号化微分方程进行解析，得到所述符号化微分方程的求解项；基于所述预测的移动参数信息对所述求解项进项计算，得到对应的损失值。4.如权利要求3所述的方法，其中，所述对所述符号化微分方程进行解析，得到所述符号化微分方程的求解项，包括：利用第一优先级的符号对所述微分方程进行解析，得到多个计算项；利用第二优先级的符号对所述多个计算项中每个计算项进行解析，得到每个计算项对应的求解项，其中，所述求解项包括导数项；对每个所述求解项中的导数项进行解析，得到所述导数项对应的参数项。5.如权利要求3所述的方法，其中，所述基于所述预测的移动参数信息对所述求解项进项计算，得到对应的损失值，包括：基于所述预测的移动参数信息对每个导数项中的参数项进行计算，以得到每个所述导数项的值；基于所述预测的移动参数信息和每个所述导数项的值对每个求解项进行计算，以得到每个所述求解项的值；基于所述第二优先级的符号和每个所述求解项的值对每个计算项进行计算，以得到每个所述计算项的值；基于所述第一优先级的符号和每个所述计算项的值对所述符号化微分方程进行计算，以得到损失值。6.如权利要求1所述的方法，其中，所述方法还包括：获取待分析移动对象在运动过程中的时间点和所述时间点相对应的位置坐标；将获取到的时间点与位置坐标输入至目标神经网络中，得到所述待分析移动对象对应的移动参数信息。7.如权利要求1
‑
6任一项所述的方法，其中，所述移动参数信息包括所述移动对象在位置坐标处的速度和压力。8.一种神经网络的训练装置，其中，所述装置包括：
获取模块，用于获取样本数据集，其中，所述样本数据集包括移动对象在运动过程中进行检测的时间点，以及与所述时间点对应的位置坐标；处理模块，用于将所述样本数据集中的时间点与位置坐标输入至预训练神经网络中，以生成预测的...

【专利技术属性】
技术研发人员：邢冯，刘贤冬，胡晓光，
申请(专利权)人：北京百度网讯科技有限公司，
类型：发明
国别省市：