【技术实现步骤摘要】
一种数据处理方法及装置
[0001]本申请涉及人工智能
,特别涉及一种数据处理方法及装置。
技术介绍
[0002]黑盒优化(Black box optimization)也可以称为超参数优化(Hyper Parameter Optimization),是科学研究和工业生产中的重要技术。实际问题中存在很多复杂的机器学习系统,其中的一些参数会对机器学习系统的结果产生影响,但具体的机制无法被完全解析,只能观察到系统对给定输入的输出结果(也就是所谓的黑盒),因此这些参数很难通过梯度优化等比较高效的方法所优化。可以通过尝试不同的参数组合,观察系统输出的结果,来寻找较优的参数组合。这种尝试的方式代价高昂,需要耗费较长的时间或者较多的某种资源,才能够得到输出结果。为了减少尽可能少的尝试,就得到较优的输入参数,可以采用黑盒优化的方式来解决。
[0003]由于神经网络具有较强的拟合能力,因此针对用于做预测的神经网络预测器(简称神经预测器)的黑盒优化,在超参数搜索之前,预先获取若干组超参数对应的预测指标,用于训练神经预测器。神经预测器训练完成之后,使用训练完成的神经预测器来寻找预测指标较优的超参数。但是神经预测器需要比较多的训练数据才能训练出具有泛化性的神经预测器。在黑盒优化场景中,一般单次评估的开销都很大,因此可以获得的训练数据较少,训练得到的神经预测器泛化性较差,导致搜索效果不佳。
技术实现思路
[0004]本申请实施例提供一种数据处理方法及装置,使用较少训练样本得到泛化性较优的神经预测器。
[ ...
【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:接收用户设备发送的超参数信息,所述超参数信息用于指示用户任务对应的超参数搜索空间;从所述超参数搜索空间采样多个超参数组合;将第一超参数组合、训练集包括的多个样本和所述多个样本的评估指标作为神经预测器的输入,通过所述神经预测器确定所述第一超参数组合对应的预测指标,所述第一超参数组合为所述多个超参数组合的任一个,以得到所述多个超参数组合对应的多个预测指标;向所述用户设备发送K个超参数组合,K为正整数;其中,所述K个超参数组合对应的K个预测指标为所述多个预测指标中最高的K个。2.如权利要求1所述的方法,其特征在于,还包括:接收所述用户设备发送的所述K个超参数组合对应的K个评估指标;将所述K个超参数组合作为K个样本,并将所述K个样本以及对应的所述K个评估指标加入所述训练集。3.如权利要求1或2所述的方法,其特征在于,所述神经预测器是通过以下方式训练得到的:从所述训练集中选择多个样本、所述多个样本对应的评估指标,以及从所述训练集中选择一个目标样本;将所述多个样本、所述多个样本对应的评估指标以及所述目标样本作为所述神经预测器的输入,通过所述神经预测器确定所述目标样本对应的预测指标;根据所述目标样本的预测指标与所述目标样本对应的评估指标的比较结果,调整所述神经预测器的网络参数。4.如权利要求1
‑
3任一项所述的方法,其特征在于,将第一超参数组合、训练集包括的多个样本和所述多个样本的评估指标作为所述神经预测器的输入,通过神经预测器确定所述第一超参数组合对应的预测指标,包括:将所述第一超参数组合、所述训练集包括的多个样本和所述多个样本的评估指标输入所述神经预测器;所述神经预测器基于所述第一超参数组合、所述多个样本、所述多个样本的评估指标以及两个锚点特征确定所述第一超参数组合对应的预测指标;其中,所述两个锚点特征用于标定所述用户任务的最低预测指标的编码特征以及最高预测指标的编码特征。5.如权利要求4所述的方法,其特征在于,所述神经预测器支持输入的样本数量为T,T为正整数;所述通过所述神经预测器基于所述第一超参数组合、所述多个样本、所述多个样本的评估指标以及两个锚点特征确定所述第一超参数组合对应的预测指标,包括:所述神经预测器对输入的T个样本进行编码得到T个辅助特征,以及对所述第一超参数组合进行编码得到目标特征;所述神经预测器确定所述目标特征与所述T个辅助特征的相似度以及所述目标特征与所述两个锚点特征的相似度;所述神经预测器根据所述目标特征与所述T个辅助特征以及所述两个锚点特征分别对
应的相似度确定T+2个权重,所述T+2个权重包括所述T个样本的权重以及所述两个锚点特征的权重;所述神经预测器根据所述T+2个权重对T+2个评估指标进行加权以得到所述第一超参数组合的预测指标;其中,所述T+2个评估指标包括所述T个样本的评估指标以及所述两个锚点特征对应的评估指标。6.如权利要求4或5所述的方法,其特征在于,所述两个锚点特征属于所述神经预测器的网络参数。7.如权利要求1
‑
3任一项所述的方法,其特征在于,所述神经预测器支持输入的样本数量为T,T为正整数;将第一超参数组合、训练集包括的多个样本和所述多个样本的评估指标作为所述神经预测器的输入,通过神经预测器确定所述第一超参数组合对应的预测指标,包括:所述神经预测器对输入的T个样本进行编码得到T个辅助特征,对所述第一超参数组合进行编码得到目标特征;所述神经预测器分别确定所述目标特征与所述T个辅助特征的相似度;所述神经预测器根据所述目标特征与所述T个辅助特征分别对应的相似度确定所述T个样本分别对应的权重;所述神经预测器根据所述T个样本分别对应的权重对所述T个样本对应的评估指标进行加权得到所述第一超参数组合的预测指标。8.如权利要求1
‑
4任一项所述的方法,其特征在于,所述神经预测器支持输入的超参样本的数量为T,T为正整数;将第一超参数组合、训练集包括的多个样本和所述多个样本的评估指标作为所述神经预测器的输入,通过神经预测器确定所述第一超参数组合对应的预测指标,包括:将T+1个连接参数信息输入所述神经预测器;所述T+1个连接参数信息包括T个样本中每个样本和对应的评估指标连接后得到的T个连接参数信息,以及所述第一超参数组合和目标预测指标掩码连接后得到的连接参数信息,所述目标预测指标掩码用于表征所述第一超参数组合对应的未知预测指标;通过所述神经预测器对输入的所述T+1个连接参数信息中每两个连接参数信息进行相似度匹配得到每两个连接参数信息之间的相似度;所述神经预测器根据所述T+1个连接参数信息中每两个连接参数信息之间的相似度确定所述第一超参数组合的预测指标。9.一种数据处理装置,其特征在于,包括:接收单元,用于接收用户设备发送的超参数信息,所述超参数信息用于指示用户任务对应的超参数搜索空间;处理单元,用于从所述超参数搜索空间采样多个超参数组合;将第一超参数组合、...
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。