[发明专利]机器学习网络处理方法、设备、处理器和存储介质

说明书

本发明公开了一种机器学习网络处理方法、设备、处理器和存储介质。该方法包括：接收计算指令，计算指令包括机器学习网络的训练函数和训练函数的原始约束空间；设置新的约束空间，并利用训练函数和新的约束空间构建新的机器学习网络，其中，新的约束空间的取值范围包括原始约束空间的取值范围；在对新的机器学习网络求解的过程中，逐步缩小新的约束空间进行迭代处理，直到新的约束空间的取值范围等于原始约束空间的取值范围，得到机器学习网络的连接权重。根据本发明实施例提供的机器学习网络处理方法，可以提高机器学习网络的训练效率和训练精度。

技术领域

本发明涉及计算机领域，尤其涉及机器学习网络处理方法、设备、处理器和存储介质。

背景技术

近年来，机器学习(Machine Learning，简称ML)被大规模地应用在人工智能领域，特别是在图像、语音、自然语言处理等领域均取得了突破性的进展和良好的效果。通过构建机器学习网络，并对机器学习网络进行训练，调整机器学习网络内部大量节点之间相互连接的关系，从而达到处理信息的目的。

目前的机器学习网络训练通常使用启发式算法或近似方法进行训练，但是当机器学习网络具有较强的约束条件时，利用启发式算法或近似方法对机器学习网络进行训练，运算效率低，精确度低。

发明内容

本发明实施例提供一种机器学习网络处理方法、设备、处理器和存储介质，可以提高训练机器学习网络的运算效率和精度。

根据本发明实施例的一方面，提供一种机器学习网络处理方法，包括：

接收计算指令，计算指令包括待处理优化问题的机器学习网络的训练函数和训练函数的原始约束空间；

设置新的约束空间，并利用训练函数和新的约束空间构建新的机器学习网络，其中，新的约束空间的取值范围包含原始约束空间的取值范围；

在对新的机器学习网络求解的过程中，逐步缩小新的约束空间进行迭代处理，直到新的约束空间的取值范围等于原始约束空间的取值范围，得到机器学习网络的连接权重。

根据本发明实施例的另一方面，提供一种处理器，包括：

取值单元，用于接收计算指令，计算指令包括机器学习网络的训练函数和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，并利用训练函数和新的约束空间构建新的机器学习网络，其中，新的约束空间的取值范围包括原始约束空间的取值范围；

计算单元，用于在对新的机器学习网络求解的过程中，逐步缩小新的约束空间进行迭代处理，直到新的约束空间的取值范围等于原始约束空间的取值范围，得到机器学习网络的连接权重。

根据本发明实施例的再一方面，提供一种机器学习网络处理设备，包括：存储器和处理器；该存储器用于存储程序；该处理器用于读取存储器中存储的可执行程序代码以执行上述的机器学习网络处理方法。

根据本发明实施例的又一方面，提供了一种计算机可读存储介质，该计算机可读存储介质中存储有指令，当指令在计算机上运行时，使得计算机执行上述各方面所述的机器学习网络处理方法。

根据本发明实施例的还一方面，提供一种处理器，该处理器用于加载机器学习网络完成深度学习处理，其中，机器学习网络被配置为经过机器学习网络处理，机器学习网络处理方法包括：

接收计算指令，计算指令包括机器学习网络的训练函数和训练函数的原始约束空间；

设置新的约束空间，并利用训练函数和新的约束空间构建新的机器学习网络，其中，新的约束空间的取值范围包含原始约束空间的取值范围；

在对新的机器学习网络求解的过程中，逐步缩小新的约束空间进行迭代处理，直到新的约束空间的取值范围等于原始约束空间的取值范围，得到机器学习网络的连接权重。