[发明专利]神经网络模型、方法、电子设备及可读介质

权利要求书

1.一种神经网络模型，其特征在于，包括：

至少一层中包括不同类型的神经网络的神经元。

2.一种神经网络模型训练方法，其包括：

基于初始神经网络的梯度信息和初始连续掩膜的梯度信息分别更新当前的初始神经网络和初始连续掩膜，得到中间连续腌膜；其中，所述初始神经网络包括分别与初始连续掩膜结构相同的、类型不同的第一神经元组和第二神经元组；

将中间连续腌膜二值化得到二值掩膜，基于当前的初始神经网络梯度信息更新当前的初始神经网络，并基于所述二值掩膜的梯度信息更新所述中间连续腌膜，再将更新后的所述中间连续腌膜二值化得到二值掩膜；

若当前满足终止条件，基于当前的所述初始神经网络和所述二值掩膜得到神经网络模型。

3.根据权利要求2所述的方法，其特征在于，所述基于初始神经网络的梯度信息和初始连续掩膜的梯度信息分别更新当前的初始神经网络和初始连续掩膜，包括：

采用梯度下降算法，基于所述初始神经网络的梯度信息和所述初始连续掩膜的梯度信息更新所述当前的初始神经网络的参数和所述当前的初始连续掩膜的元素的掩膜值。

4.根据权利要求3所述的方法，其特征在于，所述基于当前的初始神经网络梯度信息更新当前的初始神经网络，并根据二值掩膜的梯度信息更新中间连续腌膜，再将更新后的中间连续腌膜二值化得到二值掩膜，包括：

采用梯度下降算法，基于所述当前的初始神经网络梯度信息更新所述当前的初始神经网络的参数并根据所述二值掩膜的梯度信息更新所述中间连续腌膜；

将更新后的所述中间连续掩膜的元素的掩膜值二值化得到所述二值掩膜。

5.根据权利要求2所述的方法，其特征在于，所述初始连续掩膜和所述连续掩膜中的任意元素的掩膜值的取值在[0，1]；二值掩膜中的任意元素的掩膜值为0或1；

所述初始神经网络中的第一神经元的输出经相应元素的掩膜值X过滤后进入下一层，初始神经网络中的第二神经元的输出经(1-X)过滤后进入下一层；第一神经元为人工神经网络神经元、脉冲神经网络神经元中的任意一者，第二神经元为另一者。

6.根据权利要求2所述的方法，其特征在于，所述基于初始神经网络的梯度信息更新当前的初始连续掩膜，包括：

在所述初始连续掩膜的掩膜值满足第一约束条件的情况下，基于梯度信息更新初始连续掩膜。

7.根据权利要求2所述的方法，其特征在于，所述基于所述二值掩膜的梯度信息更新所述中间连续腌膜，再将更新后的所述中间连续腌膜二值化得到二值掩膜基于梯度信息更新当前的二值掩膜包括：

在所述二值掩膜的掩膜值满足第二约束条件情况下，基于所述二值掩膜的梯度信息更新所述中间连续腌膜；

将更新后的所述中间连续腌膜二值化得到更新后的所述二值掩膜；

所述二值掩膜的任意元素的掩膜值为第一值或第二值。

8.一种时序数据处理方法，其特征在于，包括：

将时序数据输入神经网络模型，得到代表时序数据的特性的处理结果，其中，所述神经网络模型为权利要求1所述神经网络模型。

9.一种电子设备，其特征在于，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，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求2-7中任一项或权利要求8所述的方法。

10.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求2-7中任一项或权利要求8所述的方法。