[发明专利]一种数据处理方法、装置、电子设备及存储介质

说明书

本申请公开了一种数据处理方法、装置、电子设备及存储介质。其中，该方法包括：根据接收的查询信息查询用于构建网络结构的组成元素；根据所述组成元素构建至少一个候选网络结构；采用训练参数对所述候选网络结构进行训练；从所述候选网络结构中选择满足预设性能要求的网络结构作为目标网络结构；根据所述目标网络结构得到所述分析模型。本申请实施例在构建网络模型之前通过自动化搜索确定组成元素，并根据组成元素构建候选网络结构，并根据训练参数对候选网络结构进行自动训练，从而得到满足性能要求的网络结构，提高了网络结构优化效率以及性能，同时有效降低了计算量以及时间成本，不再需要研发人员依靠人工经验的调参。

技术领域

本申请涉及计算机技术领域，尤其涉及一种数据处理方法、装置、电子设备及存储介质。

背景技术

如今人工智能在各个行业中的迅速发展，例如：电子商务行业中的产品推荐业务、短视频行业中的视频处理业务等等。上述业务都需要基于海量数据在多个网络结构下训练各类深度模型，而其中超参数的设定直接关系到最终模型性能的好坏，传统的设定方法往往是基于人工经验或者网格搜索等。

在实现本申请的过程中，发明人依靠人工经验的调参方式，对研发人员专业技能要求较高，尤其在跨专业领域应用人工智能技术的今天，往往无法取得显著效果。

而网格搜索等传统方式对于依托样本数据较大的深度模型来讲时间成本较高并且效果往往一般。例如：超参数A有2种选择，超参数B有3种选择，超参数C有4种选择，那么所有的超参数组合就有2×3×4也就是24种，因此需要研发人员遍历这24种组合并且找到其中最优的方案，对于连续值还需要等间距采样。而在实际过程中这24种组合不一定取得全局最优解，而且计算量很大且浪费时间成本。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本申请提供了一种数据处理方法、装置、电子设备及存储介质。

根据本申请实施例的一个方面，提供了一种数据处理方法，包括：

根据接收的查询信息查询用于构建网络结构的组成元素；

根据所述组成元素构建至少一个候选网络结构；

采用训练参数对所述候选网络结构进行训练，得到所述候选网络结构的训练结果；

从所述候选网络结构中选择满足预设性能要求的网络结构作为目标网络结构。

进一步，所述采用训练参数对所述候选网络结构进行训练，得到所述候选网络结构的训练结果，包括：

采用训练参数对所述候选网络结构进行训练，确定所述候选网络结构的第一性能数据；

根据所述训练参数以及所述第一性能数据，生成先验数据集合；

基于所述先验数据集合进行拟合得到第一高斯模型；

根据预设采集函数确定所述第一高斯模型的极小值，并根据所述极小值对所述候选网络模型进行训练，确定所述候选网络结构的第二性能数据；

将所述第二性能数据确定为所述训练结果。

进一步的，所述根据所述训练结果从所述候选网络结构中选择满足预设性能要求的网络结构作为目标网络结构，包括：

当所述训练结果中存在满足预设性能要求的第二性能数据时，将所述第二性能数据满足预设性能要求的候选网络结构确定为所述目标网络结构。

进一步，所述方法还包括：

当所述训练结果中不存在满足预设性能要求的第二性能数据时，根据所述极小值以及所述第二性能数据更新所述先验数据集合；

基于更新后的先验数据集合进行拟合得到第二高斯模型；