模型生成方法、装置、设备和计算机可读存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115841132A(43)申请公布日2023.03.24(21)申请号202111111279.7(22)申请日2021.09.18(71)申请人TCL科技集团股份有限公司地址516006广东省惠州市仲恺高新区惠风三路17号TCL科技大厦(72)发明人唐高杨(74)专利代理机构深圳紫藤知识产权代理有限公司44570专利代理师韩金涛(51)Int.Cl.G06N3/044(2023.01)G06N3/0464(2023.01)G06N3/08(2023.01)G06F18/241(2023.01)权利要求书2页说明书14页附图6页(54)发明名称模型生成方法、装置、设备和计算机可读存储介质(57)摘要本申请实施例提供一种模型生成方法、装置、设备和计算机可读存储介质，方法包括：获取目标样本数据集；根据目标样本数据集训练得到目标图生成器；根据目标样本数据集和目标图生成器，生成目标样本数据集对应的神经网络模型。本申请实施例提供的模型生成方法结合了拓扑图的思想，利用可处理拓扑图的图生成器作为生成神经网络结构的控制器，即在获取样本数据集后，利用样本数据集训练得到目标图生成器，该目标图生成器可以进一步得到拓扑图表示的神经网络结构，数据处理格式更小，降低了神经结构搜索算法中的搜索难度。CN115841132ACN115841132A权利要求书1/2页1.一种模型生成方法，其特征在于，包括：获取待生成模型的目标样本数据集；根据所述目标样本数据集训练得到目标图生成器；根据所述目标样本数据集和所述目标图生成器，生成所述目标样本数据集对应的神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述目标样本数据集训练得到目标图生成器，包括：获取第一神经网络结构，以及与所述第一神经网络结构对应的第一神经网络拓扑图；将所述第一神经网络拓扑图输入预设的初始图生成器中，得到第二神经网络拓扑图；根据所述目标样本数据集确定所述第二神经网络拓扑图对应的处理损失值；根据所述处理损失值优化所述初始图生成器中的权重参数，得到优化后的图生成器；将所述第一神经网络结构输入所述优化后的图生成器，得到优化后的第二神经网络拓扑图及其对应的优化处理损失值；若所述优化处理损失值不满足预设优化条件，则将所述优化后的目标图生成器作为初始图生成器，并继续执行所述将第一神经网络拓扑图输入预设的初始图生成器中，得到第二神经网络拓扑图的步骤，直至所述优化处理损失值满足预设优化条件，以及，将所述优化后的图生成器设定为目标图生成器。3.根据权利要求2所述的方法，其特征在于，所述根据所述目标样本数据集确定所述第二神经网络拓扑图对应的处理损失值，包括：根据所述目标样本数据集，对所述第二神经网络拓扑图中各节点对应的权重矩阵进行训练，得到目标神经网络模型；根据所述目标神经网络模型处理所述目标样本数据集，得到所述目标神经网络模型对应所述目标样本数据集的数据处理精度；将所述数据处理精度与预设的处理精度阈值之间的差值设定为所述第二神经网络拓扑图对应的处理损失值。4.根据权利要求2所述的方法，其特征在于，所述将所述第一神经网络拓扑图输入预设的初始图生成器中，得到第二神经网络拓扑图，包括：根据所述第一神经网络拓扑图确定所述第一神经网络拓扑图对应的特征矩阵、邻接矩阵以及度矩阵；根据所述初始图生成器中各图卷积神经网络层的权重矩阵，分别对所述特征矩阵、所述邻接矩阵和所述度矩阵进行卷积处理，得到目标特征矩阵、目标邻接矩阵以及目标度矩阵；根据所述目标特征矩阵、所述目标邻接矩阵以及所述目标度矩阵，构建第二神经网络拓扑图。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一神经网络拓扑图确定所述第一神经网络拓扑图对应的特征矩阵、邻接矩阵以及度矩阵，包括：根据第一神经网络拓扑图中各节点对应的特征向量生成所述第一神经网络拓扑图对应的特征矩阵；根据第一神经网络拓扑图中各节点之间的连线生成所述第一神经网络拓扑图对应的2CN115841132A权利要求书2/2页邻接矩阵以及度矩阵。6.根据权利要求2所述的方法，其特征在于，所述将所述第一神经网络拓扑图输入预设的初始图生成器中，得到第二神经网络拓扑图之后，所述方法还包括：将所述第二神经网络拓扑图输入预设的图判别器，得到所述第二神经网络拓扑图的判别结果；根据所述判别结果计算所述初始图生成器的生成损失值；所述根据所述处理损失值优化所述初始图生成器中的权重参数，包括：根据所述生成损失值和所述处理损失值，优化所述图生成器的权重矩阵。7.根据权利要求2所述的方法，其特征在于，所述第一神经网络拓扑图中各节点和所述第一神经网络结构中各网络层一一对应；所述第一神经网络拓扑图中节点对应的特征向量中的元素是所述第一神经网络结构中对应网