[发明专利]梯度下降树的生成方法、装置、电子设备及存储介质

说明书

本申请公开了梯度下降树的生成方法、装置、电子设备及存储介质，涉及人工智能技术和深度学习领域，可应用于图像处理。具体实现方案为：先生成梯度下降树搜索空间，再根据梯度下降树搜索空间生成待训练梯度下降树；接着，对待训练梯度下降树进行训练并进行性能评估，当评估结果不满足评分要求时对待训练梯度下降树进行迭代更新，直至评估结果满足评分要求或者对待训练梯度下降树的迭代更新次数达到预设迭代次数。通过本申请实现了梯度下降树的自动生成，在梯度下降树搜索空间中进行自动搜索以生成梯度下降树，使得最终生成的梯度下降树能够获得较优的性能，提高梯度下降树的鲁棒性。

技术领域

本申请的实施例总体上涉及计算机技术领域，并且更具体地，涉及人工智能技术和深度学习领域，可应用于图像处理。

背景技术

深度学习是机器学习研究中的一个新的领域，其目的在于建立模拟人脑进行分析学习的神经网络。近年来，深度学习技术在计算机视觉、语音识别、自然语言处理等人工智能技术研究的多个方面取得了成功。

深度学习技术中，人工神经网络(Artificial Neural Network，ANN)结构的好坏对最终模型的效果有非常重要的影响。手工设计网络拓扑结构要求设计人员具备丰富的经验并需要多次尝试，且当参数较多时会产生爆炸性的组合，采用常规的随机搜索算法来生成网络结构的方式可行性较低，因此神经网络架构搜索(Neural Architecture Search，NAS)技术逐渐成为深度学习领域的研究热点。

发明内容

本申请提供了一种梯度下降树的生成方法、装置、电子设备及存储介质。

根据第一方面，提供了一种梯度下降树的生成方法，包括：

获取训练集和验证集，并将所述训练集和所述验证集划分为K个训练子集和K个验证子集，其中，K为正整数；

生成梯度下降树搜索空间，根据所述梯度下降树搜索空间生成待训练梯度下降树；

根据所述K个训练子集对所述待训练梯度下降树进行训练以生成K个梯度下降树模型；

分别使用所述K个验证子集对所述K个梯度下降树模型进行评估以生成所述K个梯度下降树模型的评分值；以及

根据所述K个梯度下降树模型的评分值对所述待训练梯度下降树进行N次迭代更新，直至所述K个梯度下降树模型的评分值满足评分要求或者N到达预设迭代次数，其中，N为正整数。

根据第二方面，提供了一种梯度下降树的生成装置，包括：

获取模块，用于获取训练集和验证集，并将所述训练集和所述验证集划分为K个训练子集和K个验证子集，其中，K为正整数；

第一生成模块，用于生成梯度下降树搜索空间；

第二生成模块，用于根据所述梯度下降树搜索空间生成待训练梯度下降树；

训练模块，用于根据所述K个训练子集对所述待训练梯度下降树进行训练以生成K个梯度下降树模型；

验证模块，用于分别使用所述K个验证子集对所述K个梯度下降树模型进行评估以生成所述K个梯度下降树模型的评分值；以及

更新模块，用于根据所述K个梯度下降树模型的评分值对所述待训练梯度下降树进行N次迭代更新，直至所述K个梯度下降树模型的评分值满足评分要求或者N到达预设迭代次数，其中，N为正整数。

根据第三方面，提供了一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，