【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于有向图的深度网络模型生成方法、装置及电子设备。
技术介绍
1、本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述可包括可以探究的概念，但不一定是之前已经想到或者已经探究的概念。因此，除非在此指出，否则在本部分中描述的内容对于本申请的说明书和权利要求书而言不是现有技术，并且并不因为包括在本部分中就承认是现有技术。
2、随着深度网络模型的应用领域、应用场景的不断丰富，用户需要的深度网络模型的种类和功能越来越丰富，不同的模型结构参数适配不同的应用场景，随着用户对深度网络模型的需求越来越高，能够自动化生成不同结构参数的深度网络模型方法显得更为重要。
3、目前深度网络模型种类以及涉及到的超参配置很多，在面对多种多样超参配置以及面对大量模型结构场景下，需要耗费大量的人力进行去管理和使用不同配置结构的模型，且，面对个性化应用场景，当需要一个新型结构配置的深度网络模型时，需要人工手工调整及测试模型结构参数，这严重依赖人工操作，构建周期长，且缺乏一种有效的统一的自...
【技术保护点】
1.一种基于有向图的深度网络模型生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述读取算法模型配置文件，根据所述算法模型配置文件，生成对应算法模型的有向图，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述叶子节点的路径，生成对应算法模型的有向图，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述根据获得的各个有向图，分别计算彼此所述各个有向图之间的相似度，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述有向图距离分数包括所述两个有向图的边的距离分数edge_s...
【技术特征摘要】
1.一种基于有向图的深度网络模型生成方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述读取算法模型配置文件，根据所述算法模型配置文件，生成对应算法模型的有向图，具体包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述叶子节点的路径，生成对应算法模型的有向图，具体包括：
4.根据权利要求1所述的方法，其特征在于，所述根据获得的各个有向图，分别计算彼此所述各个有向图之间的相似度，具体包括：
5.根据权利要求4所述的方法，其特征在于，所述有向图距离分数包括所述两个有向图的边的距离分数edge_score与叶子节点的路径分数leaf_path_score，具体包括：
6.根据权利要求4所述的方法，其特征在于，所述两个有向图的边的距离分数edge_score的获得方式，如下：
7.根据权利要求4所述的方法，其特征在于，所述叶子节点的路径分数leaf_path_score的获得方式，如下：
8.根据权利要求1所述的方法，其特征在于，所述聚合不同模型的所述有向图，生成权重...
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。