【技术实现步骤摘要】
一种数据处理方法及其相关装置
[0001]本申请涉及人工智能
，尤其涉及一种数据处理方法及其相关装置。
技术介绍
[0002]序列优化(sequence optimization)是一类常见的优化问题，本质上是优化一条流水线上不同阶段的选项及其配置，使得经过流水线后所得的性能最优。一般来说，一条流水线中通常包括多个阶段，每个阶段具有多个选项，且每个选项具有待配置的参数。由于流水线中每个阶段只能选择一个选项，且不同选项之间的参数类型是不相同的，从而导致流水线的输入值的长度是不固定的。
[0003]序列优化问题可以视为一个黑盒优化问题，即输入和输出之间的解析表达式未知，需要基于大量的输入和输出确定能够使得输出值最优的输入。传统的黑盒优化方法是通过一定的方式选择大量的输入值，并基于输入值进行评估，得到相应的输出值，从而基于大量输入值与输出值之间的关系确定使得输出值最优的输入值。
[0004]然而，传统的黑盒优化方法主要用于解决输入值长度固定的参数向量优化问题，而序列优化问题的输入值并非是固定的，难以应用传统的...
【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：获取输入序列，所述输入序列包括多个数据，所述多个数据中的每个数据分别用于表示流水线任务在不同阶段中所配置的参数，所述流水线任务包括多个待配置参数的阶段；将所述输入序列输入第一网络模型，得到包括多个特征数据的输出序列，所述多个特征数据是所述第一网络模型中的多个对齐网络分别对所述多个数据中不同的数据进行处理得到的，所述多个对齐网络中的每个对齐网络均包括选择网络和多个参数对齐网络，所述选择网络用于根据输入的数据的类型将所述数据输出至所述多个参数对齐网络中的目标参数对齐网络并将所述目标参数对齐网络输出的特征数据作为对齐网络的输出，所述多个参数对齐网络分别用于将不同长度的数据映射为相同长度的特征数据；将所述输出序列输入第二网络模型，得到性能值，所述第二网络模型用于预测所述流水线任务在采用输入序列来配置参数时所对应的性能值。2.根据权利要求1所述的方法，其特征在于，所述流水线任务中的每个阶段包括多个选项，所述多个选项中不同选项下的待配置参数的长度不一样，所述多个数据中的每个数据分别用于表示一个阶段中的一个选项所对应的配置参数；所述选择网络用于根据所述输入的数据所属的目标选项，将所述数据输出至与所述目标选项对应的目标参数对齐网络。3.根据权利要求1或2所述的方法，其特征在于，所述多个对齐网络中的每个对齐网络均用于输出相同长度的特征数据，所述多个特征数据中每个特征数据的长度相同。4.根据权利要求1
‑
3任意一项所述的方法，其特征在于，所述多个参数对齐网络包括多层感知机或卷积神经网络。5.根据权利要求1
‑
4任意一项所述的方法，其特征在于，所述第二网络模型为时间序列模型，所述第二网络模型用于基于所述多个特征数据以及所述多个特征数据之间的关系预测所述性能值。6.根据权利要求5所述的方法，其特征在于，所述第二网络模型包括循环神经网络、长短期记忆网络或注意力网络。7.根据权利要求1
‑
6任意一项所述的方法，其特征在于，所述第二网络模型包括多个子网络，所述多个子网络用于分别对所述输出序列进行处理，以得到多个预测值，所述性能值是基于所述多个预测值得到的。8.根据权利要求7所述的方法，其特征在于，所述方法还包括：基于所述输入序列和所述多个预测值，通过搜索函数进行序列搜索，得到推荐序列，所述推荐序列为所述搜索函数所搜索到的性能值最高的序列。9.根据权利要求8所述的方法，其特征在于，所述基于所述输入序列和所述多个预测值，通过搜索函数进行序列搜索，包括：基于所述输入序列和所述多个预测值，构建多个不同的搜索函数，所述多个不同的搜索函数均用于进行序列搜索；基于多目标优化算法，确定所述多个不同的搜索函数的帕累托前沿，所述帕累托前沿用于表示所述多个不同的搜索函数的共同优化结果；基于所述帕累托前沿，确定所述推荐序列。10.根据权利要求1
‑
9任意一项所述的方法，其特征在于，所述流水线任务包括电路设
计任务、神经网络模型设计任务、软件设计任务或软件部署任务。11.一种数据处理装置，其特征在于，包括：获取模块，用于获取输入序列，所述输入序列包括多个数据，所述多个数据中的每个数据分别用于表示流水线任务在不同阶段中所配置的参数，所述流水线任务包括多个待配置参数的阶段；处理模块，用于将所述输入序列输入第一网络模型，得到包括多个特...
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。