[发明专利]机器学习网络处理方法、设备、处理器和存储介质

权利要求书

1.一种机器学习网络处理方法，包括：

接收计算指令，所述计算指令包括机器学习网络的训练函数和所述训练函数的原始约束空间；

设置新的约束空间，并利用所述训练函数和所述新的约束空间构建新的机器学习网络，其中，所述新的约束空间的取值范围包含所述原始约束空间的取值范围；

在对所述新的机器学习网络求解的过程中，逐步缩小所述新的约束空间进行迭代处理，直到所述新的约束空间的取值范围等于所述原始约束空间的取值范围，得到所述机器学习网络的连接权重。

2.根据权利要求1所述的机器学习网络处理方法，其中，所述逐步缩小所述新的约束空间，包括：

获取所述新的约束空间的负数空间，逐步缩小所述负数空间，所述缩小的负数空间包括所述原始约束空间的负数取值；

获取所述新的约束空间的正数空间，逐步缩小所述正数空间，所述缩小的正数空间包括所述原始约束空间的正数取值。

3.根据权利要求1所述的机器学习网络处理方法，其中，

所述逐步缩小所述新的约束空间的次数是用户自定义的。

4.根据权利要求1所述的机器学习网络处理方法，其中，

所述变量在所述原始约束空间的取值为正1或负1。

5.一种处理器，包括：

取值单元，用于接收计算指令，所述计算指令包括机器学习网络的训练函数和所述训练函数的原始约束空间；

控制单元，用于设置新的约束空间，并利用所述训练函数和所述新的约束空间构建新的机器学习网络，其中，所述新的约束空间的取值范围包含所述原始约束空间的取值范围；

计算单元，用于在对所述新的机器学习网络求解的过程中，逐步缩小所述新的约束空间进行迭代处理，直到所述新的约束空间的取值范围等于所述原始约束空间的取值范围，得到所述机器学习网络的连接权重。

6.根据权利要求5所述的处理器，其中，所述计算单元还用于：

获取所述新的约束空间的负数空间，逐步缩小所述负数空间，所述缩小的负数空间包括所述原始约束空间的负数取值；

获取所述新的约束空间的正数空间，在逐步缩小所述负数空间的同时缩小所述正数空间，所述缩小的正数空间包括所述原始约束空间的正数取值。

7.根据权利要求5所述的处理器，其中，

所述逐步缩小所述新的约束空间的次数是用户自定义的。

8.根据权利要求5所述的处理器，其中，

所述变量在所述原始约束空间的取值为正1或负1。

9.一种处理器，其特征在于，所述处理器用于加载机器学习网络完成深度学习处理，其中，所述机器学习网络被配置为经过机器学习网络处理，所述机器学习网络处理方法包括：

接收计算指令，所述计算指令包括机器学习网络的训练函数和所述训练函数的原始约束空间；

设置新的约束空间，并利用所述训练函数和所述新的约束空间构建新的机器学习网络，其中，所述新的约束空间的取值范围包含所述原始约束空间的取值范围；

在对所述新的机器学习网络求解的过程中，逐步缩小所述新的约束空间进行迭代处理，直到所述新的约束空间的取值范围等于所述原始约束空间的取值范围，得到所述机器学习网络的连接权重。

10.一种机器学习网络处理设备，其特征在于，包括存储器和处理器；

所述存储器用于储存有可执行程序代码；

所述处理器用于读取所述存储器中存储的可执行程序代码以执行权利要求1至4任一项所述的机器学习网络处理方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括指令，当所述指令在计算机上运行时，使得计算机执行如权利要求1-4任一项所述的机器学习网络处理方法。