申请/专利权人：南京信息工程大学

申请日：2023-12-25

公开（公告）日：2024-03-19

公开（公告）号：CN117725988A

主分类号：G06N3/0985

分类号：G06N3/0985

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.05#实质审查的生效;2024.03.19#公开

摘要：本发明公开了一种基于分数制采样的渐进式神经网络预测器方法，获取数据集，进行预处理；将给定搜索空间的神经网络架构转换为神经网络预测器所需的输入格式；初始化神经网络预测器和每一个候选架构的被采样分数，由神经网络预测器对整个搜索空间的所有候选架构做初始预测评估，进行迭代搜索，对所有候选架构的全局被采样分数进行调整，重复之前步骤，直至迭代搜索次数达到最大迭代次数，根据最后一轮的排序结果更新并得到最优神经网络架构。本发明能够在不增加额外计算量的前提下，使神经网络预测器拟合优秀的架构来提高训练效果。

主权项：1.一种基于分数制采样的渐进式神经网络预测器训练方法，其特征在于，该方法包括以下步骤：S1，获取NASbenchmark数据集，进行预处理，构成分别用于神经网络预测器训练的训练数据集和用于神经网络预测器预测评估的测试数据集；所述NASbenchmark数据集包括给定搜索空间中所有神经网络架构的训练历史信息，训练历史信息包括神经网络架构信息、使用的数据集、参数、精度值和训练时间；S2，对步骤S1中的给定搜索空间的神经网络架构进行编码操作，转换为神经网络预测器所需的输入格式；S3，初始化神经网络预测器和每一个候选架构的被采样分数，由神经网络预测器对整个搜索空间的所有候选架构做初始预测评估，得到初始预测空间，基于初始预测空间生成第一轮次的采样范围；S4，进入迭代搜索过程；对于每一轮搜索过程，在上一轮划分出的采样范围中，根据全局被采样分数采样新的N个样本，与之前得到的样本一起重新训练神经网络预测器；S5，在当前轮次训练完成后，采用重新训练好的神经网络预测器对整个搜索空间的候选架构进行预测评估，对所有候选架构的全局被采样分数进行调整，根据预测评估得到的架构精度得到本轮次划分出的采样范围；S6，重复步骤S4和步骤S5，直至迭代搜索次数达到最大迭代次数，根据最后一轮的排序结果更新并得到最优神经网络架构。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种基于分数制采样的渐进式神经网络预测器方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD