CN108573281A - 一种基于贝叶斯优化的深度学习超参数的调优改进方法 - Google Patents
一种基于贝叶斯优化的深度学习超参数的调优改进方法 Download PDFInfo
- Publication number
- CN108573281A CN108573281A CN201810318790.6A CN201810318790A CN108573281A CN 108573281 A CN108573281 A CN 108573281A CN 201810318790 A CN201810318790 A CN 201810318790A CN 108573281 A CN108573281 A CN 108573281A
- Authority
- CN
- China
- Prior art keywords
- point
- initial point
- optimization
- bayes
- dimension
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Complex Calculations (AREA)
Abstract
本发明公开了一种基于贝叶斯优化的深度学习超参数的调优改进方法,其整体步骤为:采用快速最优拉丁方实验设计算法生成初始点集,提高有效评估点的生成率;采用并行计算在计算机中获取上述初始点集的响应,同时计算多个点在目标函数上的响应,构建数据集;进入贝叶斯优化迭代过程,在计算过程中使用并行计算的方法,加速整个优化过程。本发明可有效解决传统贝叶斯优化算法耗时长、性能波动大的缺陷,通过并行计算加快优化速度,显著提高了优化效率。
Description
技术领域
本发明涉及一种调优改进方法,尤其涉及一种基于贝叶斯优化的深度学习超参数的调优改进方法。
背景技术
深度学习是机器学习中一种基于对数据进行表征学习的方法,主要表现为建立模型,并利用数据进行学习。超参数是在开始学习过程之前设置值的模型参数,而不是通过训练得到的参数数据。深度学习的超参数存在选取困难、没有规律性的特点,而且不同超参数之间存在无法预知的影响,其调试非常耗时,每个超参组合的评估需要进行大量的迭代计算。针对此类问题,经典的一些优化算法:如粒子群算法、模拟退火算法、局部搜索算法等已不再适用。有人提出通过代理模型的方法,通过仿真目标函数的估计值,以降低该类问题的评估代价。但无论采用门特卡洛算法还是强化学习领域中提出的自适应模拟算法,仿真过程总是昂贵的。
贝叶斯优化是寻找评估代价高昂的目标函数极值的强大策略,它适用于对目标函数没有封闭形式表达式的情况。该算法中的初始点设计,常采用随机实验设计方法、正交实验设计方法或人为设定初始点的方法。而采用随机实验设计方法或人为设定的初始点,不能保证初始点分布的合理性,对建立目标函数的仿真模型影响较大;正交采样的方法可以保证采样分布的合理性,但增加了计算成本;传统拉丁超立方实验设计方法,相较于随机取样方法数据分布更合理,但其取样点分布任然有随机性;上述方法的初始点取样方式分别如图1-3所示。因此,应用传统的贝叶斯优化算法解决深度学习模型超参数优化问题,计算成本高昂,并且由于初始点的生成方法存在缺陷,导致优化结果波动大,不利于工程应用。
发明内容
为了解决上述技术所存在的不足之处,本发明提供了一种基于贝叶斯优化的深度学习超参数的调优改进方法。
为了解决以上技术问题,本发明采用的技术方案是:一种基于贝叶斯优化的深度学习超参数的调优改进方法,其整体步骤为:
步骤1、采用快速最优拉丁方实验设计算法生成初始点集X=x1...xt;
步骤2、采用并行计算在计算机中获取上述初始点集的响应Y=y1...yt,同时计算多个点x1...xt在目标函数上的响应y1...yt,构建数据集D={(x1,y1)...(xt,yt)};
步骤3、进入贝叶斯优化迭代过程:
a、用数据集D中所有数据,构建高斯过程模型;
b、使用获取函数u(x)获取下一个评估点xi,i的取值为1~t,xi=argmaxu(x|D),计算响应yi=f(xi);
c、增加新数据点到集合D,D←D∪{xi,yi},i←i+1。
进一步地,步骤1中快速最优拉丁方实验设计算法具体步骤:
a、给定np、nv、ns,并设定采样区间;其中,np为人为设定的拉丁超立方实验设计生成的初始点数目,nv为变量的维度数目,ns是快速最优拉丁方实验设计算法提出的参数,通常设定为1;
b、计算理论区间分割数nd,其中,当nd为非整数时向上取整得到实际区间分割数
c、计算中间量nb,
d、计算实际生成初始点数目当时,实际生成的初始点数目大于设定的初始点数目np;
e、使用平移传播算法填充拉丁超立方实验设计空间。
进一步地,使用平移传播算法填充拉丁超立方实验设计空间的具体方法为:
①取ns=1,将设计空间原点设定为第一个初始点,即各维变量的最小值;
②将初始点向nv-1个维度分别平移各维度尺度大小的并在余下的一个维度平移该维度尺度大小的得到第二个初始点;
③按步骤②对上一次平移得到的初始点进行平移,得到下一个点,重复本步骤,直到设计空间该方向上设计点数为
④将步骤③得到的第一组数据进行平移,平移方式为:在步骤②中的nv-1个维度分别平移各维度尺度大小的并在余下的一个维度平移该维度尺度大小的得到第二组初始点;
⑤按步骤④中方式,对得到的上一组初始点进行平移,重复本步骤,直到填充满nv-1维的设计空间为止;
⑥当实际生成的初始点数目大于设定的初始点数目np时,跳转到步骤⑦,否则返回使用快速最优拉丁超立方实验设计算法生成的初始点集X;
⑦根据距离公式dij=|xi-xj|,求各初始点xi到设计空间中心xj的距离;舍弃与中心点距离最远的个点,舍弃点的时候需要遵循每个水平上只能舍弃一个点的规则,返回剩余点集X。
进一步地,步骤3a中,高斯过程模型使用的高斯核函数公式如下:
其中,θ0为协方差幅度,θd为为尺度因子,r2(x,x′)表示欧拉距离的平方,xd表示点x的第d维分量;x′d表示表示点x′的第d维分量。
进一步地,步骤3b中,获取函数为熵搜索函数,即:
其中,均值函数μt(x)=kt(x)T(Kt+σ2I)-1yt;
协方差函数kt(x,x′)=k(x,x′)-kt(x)T(Kt+σ2I)-1kt(x′);
核矩阵为方差σ2=k(x,x′);是概率密度函数,Ψ(x)是累计密度函数。
本发明可有效解决传统贝叶斯优化算法耗时长、性能波动大的缺陷,通过并行计算加快优化速度,显著提高了优化效率。
附图说明
图1为二维情形下随机实验设计法设计的初始点的分布图。
图2为二维情形下正交实验设计法设计的初始点的分布图。
图3为二维情形下采用常规拉丁超立方实验设计法设计的初始点的分布图。
图4为本发明的整体流程示意图。
图5为快速最优拉丁超立方实验设计算法的流程图。
图6为快速最优拉丁超立方实验设计算法设计的初始点分布图。
图7为softmax regression模型示意图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例一、
图4所示的一种基于贝叶斯优化的深度学习超参数的调优改进方法,其整体步骤为:整体步骤为:
步骤1、采用快速最优拉丁方实验设计算法生成初始点集X=x1...xt。
快速最优拉丁方实验设计算法具体步骤:
a、给定np、nv、ns,以及各变量优化区间;本实施例中采样点数np=16,变量维度nv=2,ns=1,优化区间均取[0,1];
b、计算理论区间分割数nd,
c、计算中间量nb,
d、计算实际生成初始点数目
e、使用平移传播算法填充拉丁超立方实验设计空间。
进一步地,使用平移传播算法填充拉丁超立方实验设计空间的具体方法为:
①设定初始点为设计空间原点,如图6a;
②将初始点向水平维度平移并在另一个维度平移得到第二个初始点,如图6b;
③按步骤②对上一次平移得到的初始点进行平移,得到下一个点,重复本步骤,直到设计空间该方向上设计点数为如图6d;
④将步骤③得到的第一组数据进行平移,平移方式为在水平维度平移另一个维度平移得到第二组初始点,如图6e;
⑤按步骤④中方式,对得到的上一组初始点进行平移,重复本步骤,直到填充满设计空间为止,如图6f-6g;
⑥返回使用快速最优拉丁超立方实验设计算法生成的初始点集X,如图6g。
步骤2、采用并行计算在计算机中获取上述初始点集的响应Y=y1...yt,同时计算多个点x1...xt在目标函数上的响应y1...yt,构建数据集D={(x1,y1)...(xt,yt)}。
步骤3、进入贝叶斯优化迭代过程:
a、用数据集D中所有数据,构建高斯过程模型;
高斯过程模型使用的高斯核函数公式如下:
其中,θ0为协方差幅度,θd为为尺度因子,r2(x,x′)表示欧拉距离的平方,xd表示点x的第d维分量;xd表示表示点x′的第d维分量;
b、使用获取函数u(x)获取下一个评估点xi,i的取值为1~t,xi=argmaxu(x|D),计算响应yi=f(xi);
获取函数为熵搜索函数,即:
其中,均值函数μt(x)=kt(x)T(Kt+σ2I)-1yt;
协方差函数kt(x,x′)=k(x,x′)-kt(x)T(Kt+σ2I)-1kt(x′);
核矩阵为方差σ2=k(x,x′);是概率密度函数,Ψ(x)是累计密度函数。
c、增加新数据点到集合D,D←D∪{xi,yi},i←i+1。
为验证本发明提出的算法,采用深度学习中Softmax Regression模型的超参优化对本发明的算法性能进行验证,图7为模型示意图。模型训练使用手写数字数据集MNIST,MNIST数据集有55000个训练样本,Softmax Regression模型中优化器选用Adam优化器,优化超参数为:学习率α,权重衰减系数β1、β2,三个超参数取值范围均为[0,1]。
本实施例基于tensorflow、GPflowOpt等开源库实现算法验证。下面给出实施例一用于深度学习超参优化的具体过程:
一:修改tensorflow官方提供的Softmax Regression模型,修改内容有:使用Adam作为优化器,将优化器中的学习率α,权重衰减系数β1、β2设置为变量,并从55000个训练样本中抽取40%的样本作为优化使用的训练集,最后修改模型迭代次数为100,将修改后的模型作为被优化的目标函数,记为:object_func(x),其中x作为超参学习率α、权重衰减系数β1、β2的传递变量,抽取的40%样本需要随机抽取,或者在各种分类中分别抽取等量样本;
二:使用GPflowOpt库中给出的贝叶斯优化算法的函数接口,并根据本发明给出的改进算法,实现对目标函数object_func(x)的超参优化;
1)定义优化域为:α∈[0,1],β1∈[0,1],β2∈[0,1];
2)使用本发明中的改进算法生成初始点集X;
3)调用目标函数object_func(x),生成响应集Y;
4)调用GPflowOpt库中的高斯过程模型函数,并设置其高斯核为KM52(x,x′),函数式详见实施例一步骤3中的说明;
5)设置熵搜索函数作为获取函数;
6)进入贝叶斯优化迭代过程:获取当前最值点,更行高斯模型,直至达到设定的迭代次数,本实施例设为20。
通过上述步骤得出学习率α、权重衰减系数β1、β2的优化结果,使用该超参对tensorflow官方提供的MNIST数据集分类模型Softmax Regression模型进行训练,最终准确率可达到95%。
本发明与现有贝叶斯优化算法相比,通过充分考虑初始点设计的合理性,提出一种快速最优拉丁超立方实验设计方法,该方法能保证在给定取样点的条件下,保证最优的初始点分布。基于以上特征,本发明对算法中重复执行部分通过并行计算的方法提高了计算效率,并对贝叶斯优化中的高斯过程模型核函数以及获取函数进行了优选,使贝叶斯优化算法优化效果得到提升。此外,本发明对深度学习超参优化实例中数据集的使用进行了创新,通过在优化过程中使用部分数据集,在不影响优化结果的情况下减轻了计算量,提升了优化效率。
上述实施方式并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的技术方案范围内所做出的变化、改型、添加或替换,也均属于本发明的保护范围。
Claims (5)
1.一种基于贝叶斯优化的深度学习超参数的调优改进方法,其特征在于:所述方法的整体步骤为:
步骤1、采用快速最优拉丁方实验设计算法生成初始点集X=x1...xt;
步骤2、采用并行计算在计算机中获取上述初始点集的响应Y=y1…yt,同时计算多个点x1...xt在目标函数上的响应y1…yt,构建数据集D={(x1,y1)...(xt,yt)};
步骤3、进入贝叶斯优化迭代过程:
a、用数据集D中所有数据,构建高斯过程模型;
b、使用获取函数u(x)获取下一个评估点xi,i的取值为1~t,xi=argmax u(x|D),计算响应yi=f(xi);
c、增加新数据点到集合D,D←D∪{xi,yi},i←i+1。
2.根据权利要求1所述的基于贝叶斯优化的深度学习超参数的调优改进方法,其特征在于:所述步骤1中快速最优拉丁方实验设计算法具体步骤:
a、给定np、nv、ns,并设定采样区间;其中,np为人为设定的拉丁超立方实验设计生成的初始点数目,nv为变量的维度数目,ns是快速最优拉丁方实验设计算法提出的参数,通常设定为1;
b、计算理论区间分割数nd,其中,当nd为非整数时向上取整得到实际区间分割数
c、计算中间量nb,
d、计算实际生成初始点数目 当时,实际生成的初始点数目大于设定的初始点数目np;
e、使用平移传播算法填充拉丁超立方实验设计空间。
3.根据权利要求2所述的基于贝叶斯优化的深度学***移传播算法填充拉丁超立方实验设计空间的具体方法为:
①取ns=1,将设计空间原点设定为第一个初始点,即各维变量的最小值;
②将初始点向nv-1个维度分别平移各维度尺度大小的并在余下的一个维度平移该维度尺度大小的得到第二个初始点;
③按步骤②对上一次平移得到的初始点进行平移,得到下一个点,重复本步骤,直到设计空间该方向上设计点数为
④将步骤③得到的第一组数据进行平移,平移方式为:在步骤②中的nv-1个维度分别平移各维度尺度大小的并在余下的一个维度平移该维度尺度大小的得到第二组初始点;
⑤按步骤④中方式,对得到的上一组初始点进行平移,重复本步骤,直到填充满nv-1维的设计空间为止;
⑥当实际生成的初始点数目大于设定的初始点数目np时,跳转到步骤⑦,否则返回使用快速最优拉丁超立方实验设计算法生成的初始点集X;
⑦根据距离公式dij=|xi-xj|,求各初始点xi到设计空间中心xj的距离;舍弃与中心点距离最远的个点,舍弃点的时候需要遵循每个水平上只能舍弃一个点的规则,返回剩余点集X。
4.根据权利要求1所述的基于贝叶斯优化的深度学习超参数的调优改进方法,其特征在于:所述步骤3a中,高斯过程模型使用的高斯核函数公式如下:
其中,θ0为协方差幅度,θd为为尺度因子,r2(x,x′)表示欧拉距离的平方,xd表示点x的第d维分量;x′d表示表示点x′的第d维分量。
5.根据权利要求1所述的基于贝叶斯优化的深度学习超参数的调优改进方法,其特征在于:所述步骤3b中,获取函数为熵搜索函数,即:
其中,均值函数μt(x)=kt(x)T(Kt+σ2I)-1yt;
协方差函数kt(x,x′)=k(x,x′)-kt(x)T(Kt+σ2I)-1kt(x′);
核矩阵为方差σ2=k(x,x′);是概率密度函数,Ψ(x)是累计密度函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810318790.6A CN108573281A (zh) | 2018-04-11 | 2018-04-11 | 一种基于贝叶斯优化的深度学习超参数的调优改进方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810318790.6A CN108573281A (zh) | 2018-04-11 | 2018-04-11 | 一种基于贝叶斯优化的深度学习超参数的调优改进方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108573281A true CN108573281A (zh) | 2018-09-25 |
Family
ID=63574357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810318790.6A Pending CN108573281A (zh) | 2018-04-11 | 2018-04-11 | 一种基于贝叶斯优化的深度学习超参数的调优改进方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108573281A (zh) |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109376869A (zh) * | 2018-12-25 | 2019-02-22 | 中国科学院软件研究所 | 一种基于异步贝叶斯优化的机器学习超参优化***及方法 |
CN110770764A (zh) * | 2018-10-30 | 2020-02-07 | 深圳市大疆创新科技有限公司 | 超参数的优化方法及装置 |
CN110969290A (zh) * | 2019-11-18 | 2020-04-07 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及*** |
CN111008705A (zh) * | 2019-12-06 | 2020-04-14 | 东软集团股份有限公司 | 一种搜索方法、装置及设备 |
CN111077769A (zh) * | 2018-10-19 | 2020-04-28 | 罗伯特·博世有限公司 | 用于控制或调节技术***的方法 |
CN111898212A (zh) * | 2020-06-17 | 2020-11-06 | 西安交通大学 | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 |
CN112597686A (zh) * | 2020-12-30 | 2021-04-02 | 复旦大学 | 一种有限元分析参数贝叶斯优化方法及装置 |
CN113065704A (zh) * | 2021-03-31 | 2021-07-02 | 贵州电网有限责任公司 | 一种非侵入式负荷分解模型的超参数优化和后处理方法 |
CN113525406A (zh) * | 2020-04-15 | 2021-10-22 | 百度(美国)有限责任公司 | 用于车辆运动控制器的基于贝叶斯全局优化的参数调谐 |
CN110188924B (zh) * | 2019-05-09 | 2022-04-29 | 新奥数能科技有限公司 | 确定能源***的最优拓扑结构的方法及装置 |
CN115755606A (zh) * | 2022-11-16 | 2023-03-07 | 上海友道智途科技有限公司 | 基于贝叶斯优化的运载体控制器自动优化方法、介质及设备 |
US11823076B2 (en) | 2020-07-27 | 2023-11-21 | International Business Machines Corporation | Tuning classification hyperparameters |
CN117171508A (zh) * | 2023-09-05 | 2023-12-05 | 石家庄铁道大学 | 基于贝叶斯优化的深度q学习轴承故障诊断方法 |
CN117236276A (zh) * | 2023-11-13 | 2023-12-15 | 深圳飞骧科技股份有限公司 | 基于贝叶斯优化设计滤波器参数的方法、***及相关设备 |
-
2018
- 2018-04-11 CN CN201810318790.6A patent/CN108573281A/zh active Pending
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111077769A (zh) * | 2018-10-19 | 2020-04-28 | 罗伯特·博世有限公司 | 用于控制或调节技术***的方法 |
CN110770764A (zh) * | 2018-10-30 | 2020-02-07 | 深圳市大疆创新科技有限公司 | 超参数的优化方法及装置 |
WO2020087281A1 (zh) * | 2018-10-30 | 2020-05-07 | 深圳市大疆创新科技有限公司 | 超参数的优化方法及装置 |
CN109376869A (zh) * | 2018-12-25 | 2019-02-22 | 中国科学院软件研究所 | 一种基于异步贝叶斯优化的机器学习超参优化***及方法 |
CN110188924B (zh) * | 2019-05-09 | 2022-04-29 | 新奥数能科技有限公司 | 确定能源***的最优拓扑结构的方法及装置 |
CN110969290B (zh) * | 2019-11-18 | 2023-09-26 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及*** |
CN110969290A (zh) * | 2019-11-18 | 2020-04-07 | 国电湖南巫水水电开发有限公司 | 一种基于深度学习的径流概率预测方法及*** |
CN111008705A (zh) * | 2019-12-06 | 2020-04-14 | 东软集团股份有限公司 | 一种搜索方法、装置及设备 |
CN111008705B (zh) * | 2019-12-06 | 2024-02-13 | 东软集团股份有限公司 | 一种搜索方法、装置及设备 |
CN113525406A (zh) * | 2020-04-15 | 2021-10-22 | 百度(美国)有限责任公司 | 用于车辆运动控制器的基于贝叶斯全局优化的参数调谐 |
CN111898212A (zh) * | 2020-06-17 | 2020-11-06 | 西安交通大学 | 基于BezierGAN和贝叶斯优化的叶轮机械型线设计优化方法 |
US11823076B2 (en) | 2020-07-27 | 2023-11-21 | International Business Machines Corporation | Tuning classification hyperparameters |
CN112597686B (zh) * | 2020-12-30 | 2022-02-22 | 复旦大学 | 一种有限元分析参数贝叶斯优化方法及装置 |
CN112597686A (zh) * | 2020-12-30 | 2021-04-02 | 复旦大学 | 一种有限元分析参数贝叶斯优化方法及装置 |
CN113065704A (zh) * | 2021-03-31 | 2021-07-02 | 贵州电网有限责任公司 | 一种非侵入式负荷分解模型的超参数优化和后处理方法 |
CN113065704B (zh) * | 2021-03-31 | 2024-07-02 | 贵州电网有限责任公司 | 一种非侵入式负荷分解模型的超参数优化和后处理方法 |
CN115755606A (zh) * | 2022-11-16 | 2023-03-07 | 上海友道智途科技有限公司 | 基于贝叶斯优化的运载体控制器自动优化方法、介质及设备 |
CN117171508A (zh) * | 2023-09-05 | 2023-12-05 | 石家庄铁道大学 | 基于贝叶斯优化的深度q学习轴承故障诊断方法 |
CN117236276A (zh) * | 2023-11-13 | 2023-12-15 | 深圳飞骧科技股份有限公司 | 基于贝叶斯优化设计滤波器参数的方法、***及相关设备 |
CN117236276B (zh) * | 2023-11-13 | 2024-02-20 | 深圳飞骧科技股份有限公司 | 基于贝叶斯优化设计滤波器参数的方法、***及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573281A (zh) | 一种基于贝叶斯优化的深度学习超参数的调优改进方法 | |
WO2022083009A1 (zh) | 一种基于异源数据差补融合的定制产品性能预测方法 | |
CN105550374A (zh) | Spark云服务环境下面向大数据的随机森林并行机器学习方法 | |
CN105320809B (zh) | 一种针对风电场空间相关性的风速预测方法 | |
CN107608953B (zh) | 一种基于不定长上下文的词向量生成方法 | |
CN110138595A (zh) | 动态加权网络的时间链路预测方法、装置、设备及介质 | |
CN105893609A (zh) | 一种基于加权混合的移动app推荐方法 | |
JP2019537079A (ja) | 大規模再生可能エネルギーのデータについて確率モデルを構築する方法 | |
CN107832458A (zh) | 一种字符级的基于嵌套深度网络的文本分类方法 | |
CN105046097B (zh) | 基于非参数各向异性变差函数的随机建模方法 | |
CN110212528A (zh) | 基于生成对抗和双重语义感知的配电网量测数据缺失重构方法 | |
CN107220311A (zh) | 一种利用局部嵌入话题建模的文本表示方法 | |
CN103942571A (zh) | 一种基于遗传规划算法的图形图像分类方法 | |
CN107958298A (zh) | 一种基于聚类算法的物流网点的选取方法 | |
CN108491226A (zh) | 基于集群缩放的Spark配置参数自动调优方法 | |
CN105844303A (zh) | 一种基于局部和全局信息的采样式聚类集成方法 | |
CN114169442A (zh) | 基于双原型网络的遥感图像小样本场景分类方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及*** | |
CN103440275A (zh) | 一种基于普利姆的k均值聚类方法 | |
Peng et al. | Highly efficient knowledge graph embedding learning with orthogonal procrustes analysis | |
CN106599610A (zh) | 预测长链非编码rna和蛋白质联系的方法及*** | |
CN101241520A (zh) | 有限元建模中基于特征抑制的模型态生成方法 | |
Yi et al. | Efficient global optimization using a multi-point and multi-objective infill sampling criteria | |
CN102208027B (zh) | 基于间隙度维数的土地利用空间格局评价方法 | |
CN117313576A (zh) | 一种用于翼型物理量重要度分析的贝叶斯优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180925 |