[发明专利]神经网络结构搜索方法、装置、计算机设备及存储介质

权利要求书

1.一种图像处理方法，其特征在于，包括以下步骤：

获取待分类图像；

通过控制器在具有预设节点个数的超网络中采样生成批量的第一图像分类子网络；各个所述第一图像分类子网络在两个相同节点间的同种类型的隐藏层具有共享权重参数；

依序对各个所述第一图像分类子网络进行训练，并约束所述第一图像分类子网络更新所述共享权重参数造成的差异值小于预设阈值；所述差异值为更新前后训练好的所述第一图像分类子网络输出的差异值；

对训练好的各个所述第一图像分类子网络的性能进行评估，得到对应的评估得分；

根据所述第一图像分类子网络的网络结构和对应的所述评估得分，对所述控制器进行训练，得到训练好的所述控制器；

通过训练好的所述控制器从所述超网络中得到所需的神经网络结构，并基于所述神经网络结构搭建的图像分类模型对所述待分类图像进行分类。

2.根据权利要求1所述的方法，其特征在于，所述通过控制器在具有预设节点个数的超网络中采样生成批量的第一图像分类子网络，包括：

通过所述控制器在所述超网络中采样所述节点间的连接关系和所述节点间的隐藏层类型；

根据所述连接关系和所述隐藏层类型的随机组合，生成批量的第一图像分类子网络。

3.根据权利要求1所述的方法，其特征在于，所述依序对各个所述第一图像分类子网络进行训练，包括：

获取训练数据集；

依序通过所述训练数据集对所述第一图像分类子网络进行训练，并将当前训练好的所述第一图像分类子网络的所述共享权重参数更新到其他的所述第一图像分类子网络中。

4.根据权利要求3所述的方法，其特征在于，所述将当前训练好的所述第一图像分类子网络的所述共享权重参数更新到其他的所述第一图像分类子网络中，包括：

将当前训练好的所述第一图像分类子网络的所述共享权重参数更新到所述超网络；

根据其他的所述第一图像分类子网络的网络结构，从所述超网络中迁移得到所述共享权重参数。

5.根据权利要求3所述的方法，其特征在于，所述训练数据集中的训练数据带有第一标签；

所述通过所述训练数据集对所述第一图像分类子网络进行训练，包括：

将所述训练数据输入到所述第一图像分类子网络，得到第一预测结果；

根据所述第一预测结果和所述第一标签确定训练的第一损失值；

根据所述第一损失值对所述第一图像分类子网络的权重参数进行更新。

6.根据权利要求5所述的方法，其特征在于，所述约束所述第一图像分类子网络更新所述共享权重参数造成的差异值小于预设阈值，包括：

根据所述训练数据集，确定前序训练好的所述第一图像分类子网络的输入特征矩阵；

根据所述输入特征矩阵，建立梯度投影矩阵；

将所述训练数据输入到后序训练的所述第一图像分类子网络，得到第二预测结果；

根据所述第二预测结果和所述第一标签确定训练的第二损失值；

根据所述梯度投影矩阵和所述第二损失值更新所述共享权重参数，使得前序训练好的所述第一图像分类子网络输出的所述差异值小于所述预设阈值。

7.根据权利要求5所述的方法，其特征在于，所述约束所述第一图像分类子网络更新所述共享权重参数造成的差异值小于预设阈值，包括：

将所述训练数据输入到后序训练的所述第一图像分类子网络，得到第三预测结果；

根据所述第三预测结果和所述第一标签确定训练的第三损失值；

对所述差异值和所述第三损失值进行加权求和，确定训练的第四损失值；

根据所述第四损失值更新所述共享权重参数，使得前序训练好的所述第一图像分类子网络输出的所述差异值小于所述预设阈值。