[发明专利]网络模型训练方法、装置、设备及计算机可读存储介质

说明书

本发明公开了一种网络模型训练方法，包括以下步骤：获取预设消息对应的训练数据以及验证数据；通过深度神经子网络生成器生成多个候选子网络，并基于所述训练数据以及验证数据，确定各个候选子网络对应的训练误差；基于各个所述训练误差，在各个候选子网络中确定最优子网络，并基于所述最优子网络以及主网络确定目标预测模型。本发明还公开了一种网络模型训练装置、设备及计算机可读存储介质。本发明能够通过机器学习实现网络模型的自动训练，针对不同的预设消息，无需人工进行不同网络模型的训练和优化，节省了大量的人力资源，降低了模型训练与调优的工作量，提高了网络模型的训练效率。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种网络模型训练方法、装置、设备及计算机可读存储介质。

背景技术

随着人工智能技术的快速发展，神经网络模型(可以简称为网络模型)在系统辨识、模式识别、智能控制等领域有着广泛的应用前景。通常可以基于训练样本集，对预设的网络模型进行训练，得到训练好的网络模型，进而，可以将待检测样本输入至训练好的网络模型，得到网络模型的实际输出结果，实际输出结果为对待检测样本进行预测的预测结果。

例如，在程序化广告投放中，可以将每个用户的特点输入至网络模型根据，根据网络模型的实际输出结果快速做出是否投放广告的决策。

但是，目前采用的网络模型需要专业的算法工程师结合不同广告业务的特点有针对性地进行模型训练和优化，不同的广告业务无法使用相同的网络模型，算法工程师需要针对不同的广告业务进行不同网络模型的训练和优化，需要花费算法工程师的大量时间，并且每次训练所采用的模型结构需要算法人员手动指定，导致不同网络模型的训练和优化不够智能。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种网络模型训练方法、装置、设备及计算机可读存储介质，旨在解决不同网络模型的训练和优化不智能的技术问题。

为实现上述目的，本发明提供一种网络模型训练方法，所述网络模型训练方法包括以下步骤：

获取消息对应的训练数据以及验证数据；

通过深度神经子网络生成器生成多个候选子网络，并基于所述训练数据以及验证数据，确定各个候选子网络对应的训练误差；

基于各个所述训练误差，在各个候选子网络中确定最优子网络，并基于所述最优子网络以及主网络确定目标预测模型。

进一步地，所述基于所述训练数据以及验证数据，确定各个候选子网络对应的训练误差的步骤包括：

依次在各个候选子网络获取目标候选子网络；

将所述目标候选子网络嵌入主网络得到更新后的主网络，并将所述训练数据以及验证数据输入更新后的主网络，以获得所述目标候选子网络对应的训练误差。

进一步地，所述将所述训练数据以及验证数据输入更新后的主网络，以获得所述目标候选子网络对应的训练误差的步骤包括：

将所述训练数据以及验证数据输入更新后的主网络，并更新训练次数；

在所述训练次数达到预设训练次数时，将训练后的更新后的主网络，对应的训练误差作为所述目标候选子网络对应的训练误差；

在所述训练次数未达到预设训练次数时，将训练后的更新后的主网络作为更新后的主网络，并返回将所述训练数据以及验证数据输入更新后的主网络，并更新训练次数的步骤。

进一步地，所述基于各个所述训练误差，在各个候选子网络中确定最优子网络的步骤包括：

获取各个候选子网络的网络层数对应的惩罚系数；