[发明专利]神经网络构建方法及设备

说明书

本发明提供一种神经网络构建方法及设备，所述方法包括如下步骤：利用神经网络根据输入数据输出对所述输入数据的分类结果和用于调整所述神经网络结构的调整数据；根据所述分类结果判断是否需要更新所述神经网络的结构；当需要更新所述神经网络的结构时，根据所述调整数据更新所述神经网络的结构。

技术领域

本发明涉及人工智能领域，具体涉及一种神经网络构建方法及设备。

背景技术

以深度学习为代表的机器学习(Machine Learning,ML)技术近年来已经在多个领域取得突破性的进展，越来越多行业领域使用深度学习开发新技术。构建机器学习模型通常包括如下流程：预处理数据、选择或设计适当的模型系列、优化模型超参数、后处理机器学习模型、严格分析所得的结果。

目前的机器学习应用仍然具有一定的门槛，非机器学习专家难以处理以上复杂的流程。随着深度学习应用的快速增长对自动化应用深度学习方法产生了需求。自动化的深度学习方法，可以使非深度学习专家快速掌握上述流程，加速深度学习的应用，降低深度学习的使用成本。

在以上流程中，难度较大的是选择或设计适当的深度学习模型。对深度学习的模型设计对知识背景和经验的要求非常高，而且往往耗时非常长，使得针对应用场景设计专业化的深度学习模型难度特别大。为了避免这个问题，目前人们往往使用现有的开源网络结构，这样可以降低使用成本。虽然通过大量的训练数据对选用的模型进行训练可以使其具有一定的性能，但是常规的训练并不会改变模型本身的结构，所以由于网络结构对待识别数据的针对性不足，导致模型的性能无法得到有效提升。

发明内容

有鉴于此，本发明提供一种神经网络构建方法，包括如下步骤：

利用神经网络根据输入数据输出对所述输入数据的分类结果和用于调整所述神经网络结构的调整数据；

根据所述分类结果判断是否需要更新所述神经网络的结构；

当需要更新所述神经网络的结构时，根据所述调整数据更新所述神经网络的结构。

可选地，所述利用神经网络根据输入数据输出对所述输入数据的分类结果和用于调整所述神经网络结构的调整数据，包括：

向神经网络提供由多个输入数据组成的输入数据集；

利用神经网络根据所述输入数据集输出结果集，所述结果集中的每一个结果分别包括对所述输入数据的分类结果和用于调整所述神经网络结构的调整数据。

可选地，所述根据所述分类结果判断是否需要更新所述神经网络的结构，包括：

根据所述结果集中的分类结果确定所述神经网络的性能；

根据所述性能判断是否需要更新所述神经网络的结构。

可选地，在所述根据所述调整数据更新所述神经网络的结构的步骤中，所采用的调整数据是所述结果集中的最后一个结果中的调整数据。

可选地，所述调整数据包括子网络类型信息和子网络位置信息。

可选地，所述根据所述调整数据更新所述神经网络的结构，包括：

根据所述子网络类型信息在多个预设子网络中选定子网络；

根据所述子网络位置信息从所述神经网络中确定更新子网络的位置；

利用选定的子网络更新所述位置。

可选地，所述利用选定的子网络更新所述位置，包括：

判断所述位置上是否存在子网络；

当所述位置上存在子网络时，利用选定的子网络替换之前存在的子网络；

当所述位置上不存在子网络时，将选定的子网插入所述位置。