获取神经网络架构的性能预测模型的方法与系统技术方案

本申请公开一种获取神经网络架构的性能预测模型的方法与系统，方法包括：获取神经网络的原始架构。根据神经网络的原始架构，获取神经网络的原始通道数。根据原始通道数的稀疏度的采样区间，获取第一子采样区间。根据第一子采样区间，获取重构的神经网络中2D卷积层的通道数的稀疏度。根据重构的神经网络中2D卷积层的通道数的稀疏度，获取重构的神经网络中2D卷积层的通道数的更新值。根据重构的神经网络中2D卷积层的通道数的更新值，获取重构的神经网络。以及根据重构的神经网络，获取神经网络架构的性能预测模型。架构的性能预测模型。架构的性能预测模型。

【技术实现步骤摘要】
获取神经网络架构的性能预测模型的方法与系统


[0001]本申请涉及神经网络架构搜索的
，具体地涉及一种获取神经网络架构的性能预测模型的方法与系统。

技术介绍

[0002]现实世界中充满了各种各样的随机事件，概率论和统计学中用随机变量来表示随机事件发生后的每种可能的结果，随机变量分为离散型(有限个结果，如硬币的正反面，彩票的中奖数字)和连续型随机变量(无数个结果，如明天的气温、电子元件的寿命等)两种。
[0003]随机变量的统计规律可以由概率分布函数来描述，常见的离散型概率分布有伯努利分布、二项分布、几何分布、泊松分布等；常见的连续型分布有均匀分布、高斯分布、幂律分布等。
[0004]随机采样是指按照某种概率分布进行采样。例如，抛硬币就是按照伯努利分布进行采样，每抛一次硬币就得到一个样本(“正面”或“反面”)；人群的身高满足高斯分布，每次从人群中随机挑选一人测其身高即为一次采样。计算机中产生随机数则是在一个均匀分布中进行随机采样。
[0005]随机采样是非常具有应用价值的，例如近年来学术届和工业界比较关注的神经网络架本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种获取神经网络架构的性能预测模型的方法，其特征在于，包括：获取所述神经网络的原始架构；根据所述神经网络的所述原始架构，获取所述神经网络的原始通道数，其中所述神经网络的所述原始通道数为所述神经网络的所述原始架构的2D卷积层的卷积核的原始数量；根据所述原始通道数的稀疏度的采样区间，获取第一子采样区间，其中所述第一子采样区间为所述原始通道数的稀疏度的采样区间中的任一个区间，所述第一子采样区间真包含于所述原始通道数的稀疏度的采样区间；根据第一子采样区间，获取重构的神经网络中2D卷积层的通道数的稀疏度，其中重构的神经网络中2D卷积层的通道数的稀疏度是在第一子采样区间中进行采样而得到的；根据所述重构的神经网络中2D卷积层的通道数的稀疏度，获取所述重构的神经网络中2D卷积层的通道数的更新值；根据所述重构的神经网络中2D卷积层的通道数的更新值，获取重构的所述神经网络；以及根据所述重构的神经网络，获取神经网络架构的性能预测模型。2.根据权利要求1所述的获取神经网络架构的性能预测模型的方法，其特征在于，所述根据所述原始通道数的稀疏度的采样区间，获取第一子采样区间，包括：获取多个子采样区间；所述多个子采样区间是对所述原始通道数的稀疏度的采样区间进行采样而得到的；所述第一子采样区间为所述多个子采样区间中的任一个子采样区间。3.根据权利要求2所述的获取神经网络架构的性能预测模型的方法，其特征在于，所述多个子采样区间是对所述原始通道数的稀疏度的采样区间进行均匀采样或高斯采样得到的。4.根据权利要求2所述的获取神经网络架构的性能预测模型的方法，其特征在于，所述第一子采样区间为预设的，或者为对所述多个子采样区间进行随机采样得到的。5.根据权利要求1
‑
4中任一项所述的获取神经网络架构的性能预测模型的方法，其特征在于，所述根据所述重构的神经网络，获取神经网络架构的性能预测模型，包括：获取多个重构的神经网络，并根据所述多个重构的神经网络，获取所述多个重构的神经网络中每个重构的神经网络的实际性能；所述每个重构的神经网络的实际性能包括所述每个重构的神经网络的精度，或/和所述每个重构的神经网络的延时性能；根据所述多个所述重构的神经网络和所述多个重构的神经网络中每个重构的神经网络的实际性能，获取神经网络架构的性能预测模型的多个样本对；以及根据所述神经网络架构的性能预测模型的多个样本对，获取所述神经网络架构的性能预...

【专利技术属性】
技术研发人员：梁海玉，唐长成，陆天翼，梁爽，
申请(专利权)人：清华大学，
类型：发明
国别省市：