CN109670579A - 模型生成方法和装置 - Google Patents
模型生成方法和装置 Download PDFInfo
- Publication number
- CN109670579A CN109670579A CN201811536493.5A CN201811536493A CN109670579A CN 109670579 A CN109670579 A CN 109670579A CN 201811536493 A CN201811536493 A CN 201811536493A CN 109670579 A CN109670579 A CN 109670579A
- Authority
- CN
- China
- Prior art keywords
- processor
- gradient
- network parameter
- training pattern
- training
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Information Transfer Between Computers (AREA)
Abstract
本公开实施例公开了模型生成方法和装置。该方法的具体实施方式包括:向至少两个处理器中的处理器,发送训练样本集中的训练样本子集,其中,处理器用于:基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出;对于该至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出;基于所获取的实际输出,进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度;根据该第一梯度,更新该第一网络参数。该实施方式提供了新的模型生成方式。
Description
技术领域
本公开实施例涉及计算机技术领域,具体涉及模型生成方法和装置。
背景技术
随着人工智能的发展,基于神经网络的模型在越来越多的场景中发挥作用。神经网络可以指人工神经网络(Artificial Neural Network,ANN)。神经网络通常是一种运算模型,由大量的节点(或称神经元)之间相互连接构成。每个节点可以代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。
发明内容
本公开实施例提出了模型生成方法和装置。
第一方面,本公开实施例提供了一种模型生成方法,该方法包括:向至少两个处理器中的处理器,发送训练样本集中的训练样本子集,其中,处理器用于:基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出;对于该至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出;基于所获取的实际输出,进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度;根据该第一梯度,更新该第一网络参数。
在一些实施例中,该第一网络参数包括批量归一化层中的网络参数。
在一些实施例中,该至少两个处理器中的处理器还用于:基于该处理器确定的实际输出,进行误差反向传播,确定待训练模型中预先指定的第二网络参数对应的第二梯度。
在一些实施例中,该方法还包括:对于该至少两个处理器中的处理器,获取该处理器确定的第二梯度;根据所获取的第二梯度,更新该第二网络参数。
在一些实施例中,处理器还用于:采用第一精度类型的数据进行前向传播计算;采用第二精度类型的数据进行反向传播计算,其中,上述第一精度类型和上述第二精度类型不同。
在一些实施例中,该第一精度类型或者第二精度类型为半精度类型。
在一些实施例中,该根据该第一梯度,更新该第一网络参数,包括:采用第二精度类型的数据进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度。
第二方面,本公开实施例提供了一种模型生成装置,该装置包括:发送单元,被配置成向至少两个处理器中的处理器,发送训练样本集中的训练样本子集,其中,处理器用于:基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出;第一获取单元,被配置成对于该至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出;确定单元,被配置成基于所获取的实际输出,进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度;第一更新单元,被配置成根据该第一梯度,更新该第一网络参数。
在一些实施例中,该第一网络参数包括批量归一化层中的网络参数。
在一些实施例中,该至少两个处理器中的处理器还用于:基于该处理器确定的实际输出,进行误差反向传播,确定待训练模型中预先指定的第二网络参数对应的第二梯度。
在一些实施例中,该装置还包括:第二获取单元,被配置成对于该至少两个处理器中的处理器,获取该处理器确定的第二梯度;第二更新单元,被配置成根据所获取的第二梯度,更新该第二网络参数。
在一些实施例中,处理器还用于:采用第一精度类型的数据进行前向传播计算;采用第二精度类型的数据进行反向传播计算,其中,上述第一精度类型和上述第二精度类型不同。
在一些实施例中,该第一精度类型或者第二精度类型为半精度类型。
在一些实施例中,该第一确定单元还被配置成包括:采用第二精度类型的数据进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的模型生成方法和装置,通过上述执行主体向至少两个处理器发送训练样本子集,处理器基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出;然后,上述执行主体基于所获取的实际输出,进行反向传播,确定预先指定的第一网络参数对应的第一梯度,最后根据该第一梯度更新该第一网络参数,从而,可以更新待训练模型的网络参数,以生成新的模型,技术效果至少可以包括:提供了一种新的模型生成方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一些实施例可以应用于其中的示例性***架构图;
图2是根据本公开的模型生成方法的一个实施例的流程图;
图3是根据本公开的模型生成方法的一个应用场景的示意图;
图4是根据本公开的模型生成方法的再一个实施例的流程图;
图5是根据本公开的模型生成装置的一个实施例的结构示意图;
图6是适于用来实现本公开实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的模型生成方法或模型生成装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104可以是用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如模型生成类应用、通话类应用、直播类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有通信功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
可选的,终端设备101、102、103可以包括一个或多个处理器。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上的模型生成类应用支持的后台服务器。服务器105可以将模型生成的一些参数(例如待训练模型的网络参数和训练样本数据等)发送给终端设备101、102、103。终端设备101、102、103可以利用各自的处理器进行计算,得到计算结果。然后,终端设备101、102、103可以计算结果发送给服务器105,服务器105可以根据接收到的计算结果更新待训练模型的网络参数。
需要说明的是,本公开实施例所提供的模型生成方法一般由服务器105执行,相应地,模型生成装置一般设置于服务器105中。可选的,本公开实施例所提供的模型生成方法也可以由终端设备101、102、103执行。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,其示出了模型生成方法的一个实施例的流程200。本实施例主要以该方法应用于有一定运算能力的电子设备中来举例说明,该电子设备可以是图1示出的服务器。该模型生成方法,包括以下步骤:
步骤201,向至少两个处理器中的处理器,发送训练样本集中的训练样本子集。
在本实施例中,模型生成方法的执行主体(例如图1所示的服务器)可以向至少两个处理器中的处理器,发送训练样本集中的训练样本子集。
在这里,上述处理器用于:基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出。
在本实施例中,上述处理器可以是中央处理器(Central Processing Unit,CPU),也可以是图形处理器(Graphics Processing Unit,GPU)。
在本实施例中,上述至少两个处理器可以位于一台计算机上,也可以位于多台计算机上。
在本实施例中,可以将训练样本集分为多个训练样本子集(mini-batch),待训练模型可以复制多份。在多个处理器的各个处理器上,均放置待训练模型的模型副本(modelreplica)。即,本实施例中可以基于数据并行方式,利用至少两个处理器对待训练模型进行训练。在多个处理器的各个处理器上,均放置训练样本子集。
作为示例,上述执行主体可以负责梯度平均、待训练模型的网络参数更新。不同处理器训练待训练模型的模型副本。基于训练样本子集训练,模型副本有独立性。不同处理器训练待训练模型的模型副本步骤:处理器训练样本子集,前向传播,计算实际输出。
在本实施例中,上述待训练模型可以是未经训练的神经网络或者未训练完成的神经网络。在这里,神经网络可以指人工神经网络。常见的神经网络例如包括深度神经网络(Deep Neural Network,DNN)、卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)等等。
可选的,待训练模型的网络结构可以预先设置,例如,需要设置神经网络包括哪些层,层与层之间的连接顺序关系,以及每层都包括哪些神经元,每个神经元对应的权重(weight)和偏置项(bias),每层的激活函数等等。待训练模型的网络结构可以通过各种网络参数表示,网络参数可以包括但不限于权重、偏置项等。
作为示例,当待训练模型为深度卷积神经网络时,由于深度卷积神经网络是一个多层的神经网络,因此需要确定深度卷积神经网络包括哪些层(例如,卷积层,池化层,全连接层,分类器等等),层与层之间的连接顺序关系,以及每个层都包括哪些网络参数(例如,权重、偏置项、卷积的步长)等等。其中,卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核,每个卷积核的大小,每个卷积核中的各个神经元的权重,每个卷积核对应的偏置项,相邻两次卷积之间的步长等等。
步骤202,对于至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出。
在本实施例中,上述执行主体可以对于该至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出。
步骤203,基于所获取的实际输出,进行反向传播,确定待训练模型中的预先指定的第一网络参数对应的第一梯度。
在本实施例中,上述执行主体可以基于所获取的实际输出,进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度。
在本实施例中,上述执行主体所获取的实际输出为至少两个。根据至少两个实际输出进行处理(例如求取平均值),可以得到处理后实际输出。上述执行主体可以根据待训练模型的目标输出和上述处理后实际输出,确定输出层误差。
在本实施例中,上述执行主体利用输出层误差值进行误差反向传播,进而调整待训练模型的网络参数,这个过程可以称为反向传播。作为示例,可以采用反向传播算法(Back Propagation Algorithm,BP算法)和梯度下降法(例如随机梯度下降算法)对上述待训练模型的网络参数进行调整。
在本实施例中,在进行误差反向传播的过程中,可以利用梯度下降法确定各个待更新层的权重改变程度和方向。在这里,梯度可以用于在神经网络训练过程中计算的方向和权重改变程度,从而以正确的方向和合适的量更新网络权重。
在本实施例中,由上述执行主体进行反向传播,确定更新第一网络参数用的第一梯度。在这里,第一网络参数可以预先指定。
可选的,可以对待训练模型的中的层进行定义,区分出第一待更新层和第二待更新层。第一待更新层中的网络参数,可以指定为第一网络参数;第二待更新层中的网络参数,可以指定为第二网络参数。
可选的,上述待处理模型可以包括批量归一化(Batch Normalization,BN)层。上述第一网络参数包括BN层中的网络参数。即预先指定BN层中的网络参数为第一网络参数。
作为示例,BN层的计算原理如下:接收输入数据;求输入数据的均值;求输入数据的方差;根据上述均值和上述方差,进行标准化,得到标准化数值(例如利用正态化的方式实现);利用预先训练的网络参数α和β,对标准化数值进行变换,得到输出数据。
需要说明的是,在训练完成的模型中,BN层通常对训练样本集全局对应的数据进行批量归一化处理。现有技术中如果使用多个处理器对待训练模型进行训练,则通常在单处理器上分别求取BN层的网络参数对应的梯度。发明人想到,如果不采用单处理器反向传播计算BN层的网络参数对应的梯度,而是采用由上述执行主体综合各个处理器的实际输出进行反向传播,得到BN层的网络参数对应的梯度,可以综合训练样本集的情况,进行BN层网络参数的更新。从而,可以更加贴合BN层的应用情况(对训练样本集全局对应的数据进行批量归一化处理),使得BN层网络参数的更新后的值更为准确,从而提高所训练的模型的准确度。根据发明人的应用实践,BN层的网络参数的梯度由上述执行主体反向传播得到的方式,可以将所训练的模型的准确度提升1.5%,这在人工智能领域,被公认为是很大的提升。
步骤204,根据第一梯度,更新第一网络参数。
在本实施例中,上述执行主体可以根据该第一梯度,更新该第一网络参数。
作为示例,可以通过以下方式更新网络参数:将学习率与当前网络参数值的乘积,确定为网络参数变量;然后,将待更新网络参数的当前网络参数值与上述网络参数变量的差值,确定为待更新网络参数的网络参数值。
在本实施例中,通过更新第一网络参数,可以实现模型的更新,即生成新的模型。
需要说明的是,在对基于神经网络的模型的训练过程中,现有技术中通常全部网络参数对应的梯度,均由处理器确定。本公开中,待训练模型的网络参数可以包括指定的第一网络参数,第一网络参数对应的梯度由上述执行主体确定,由此,技术效果至少可以包括:
第一,提供了一种新的模型生成方式。
第二,提高了模型训练速度。上述执行主体的计算资源也可以利用起来,进行一部分的反向传播计算,从而,提高了确定整体梯度的速度,从而,提高了模型训练速度。
第三,可以指定一些参数进行全局更新,例如BN层的网络参数,对第一网络参数计算全局梯度,相对于在各个处理器上计算梯度,可以提高所更新的第一网络参数的准确率。从而,可以提高所生成的模型的性能。
继续参见图3,图3是根据图2所示实施例的模型生成方法的应用场景的一个示意图。在图3的应用场景中:
首先,服务器301可以向处理器302发送训练样本集中的训练样本子集304,向处理器303发送训练样本集中的训练样本子集305,。在这里,处理器301用于:基于待训练模型和接收到的训练样本子集304,前向传播确定待训练模型的实际输出306。在这里,处理器302用于:基于待训练模型和接收到的训练样本子集305,前向传播确定待训练模型的实际输出307。
然后,服务器301可以获取实际输出306和实际输出307。
然后,服务器301可以基于所获取的实际输出306和实际输出307,进行反向传播,确定待训练模型中预先指定的第一网络参数(例如BN层中的网络参数)对应的第一梯度。
最后,服务器301可以根据该第一梯度,更新该第一网络参数。
本公开的上述实施例提供的方法,通过上述执行主体向至少两个处理器发送训练样本子集,处理器基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出;然后,上述执行主体基于所获取的实际输出,进行反向传播,确定预先指定的第一网络参数对应的第一梯度,最后根据该第一梯度更新该第一网络参数,从而,可以更新待训练模型的网络参数,以生成新的模型,技术效果至少可以包括:提供了一种新的模型生成方式。
进一步参考图4,其示出了模型生成方法的又一个实施例的流程400。该模型生成方法的流程400,包括以下步骤:
步骤401,向至少两个处理器中的处理器,发送训练样本集中的训练样本子集。
在本实施例中,模型生成方法的执行主体(例如图1所示的服务器)可以向至少两个处理器中的处理器,发送训练样本集中的训练样本子集。
在这里,处理器用于:基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出;基于该处理确定的实际输出,进行误差反向传播,确定待训练模型中预先指定的第二网络参数对应的第二梯度。
在一些实施例中,处理器还用于:采用第一精度类型的数据进行前向传播计算;采用第二精度类型的数据进行反向传播计算。
在这里,模型训练过程可以采用浮点型数据进行计算。浮点型数据按照精度的不同,可以分为以下几种类型:半精度类型,但精度类型和双精度类型。通常,16位的浮点数据可以属于半精度类型,32位的浮点数据可以属于单精度类型,64位的浮点数据可以属于双精度类型。
在这里,利用第一精度类型的数据进行计算,意味着参与计算的数据均为第一精度类型的,即参与计算的训练样本数据和待训练模型的网络参数,均是第一精度类型的。如果获取到的训练样本数据和待训练模型的网络参数不是第一精度类型的,可以转换为第一精度类型的,再进行前向传播计算。
在这里,利用第二精度类型的数据进行计算,意味着参与计算的数据均为第二精度类型的,即参与计算的实际输出和待训练模型的网络参数,均是第二精度类型的。如果获取到的实际输出和待训练模型的网络参数不是第二精度类型的,可以转换为第二精度类型的,再进行反向传播计算。
需要说明的是,将模型训练过程分为两部分,一部分采用较高精度的数据进行计算,另一部分采用较低精度的数据进行计算,可以既提高模型训练的速度,又保证模型训练的准确度。
在一些实施例中,该第一精度类型或者第二精度类型为半精度类型。即以下两种方式任一:
第一种,该第一精度类型为半精度类型,该第二精度类型为以下任一项:单精度类型和双精度类型。
第二种,该第二精度类型为半精度类型,该第一精度类型为以下任一项:单精度类型和双精度类型。
需要说明的是,现有技术中,通常认为:半精度类型的数据适于传输(传输速度快),而不适于计算(精度不够)。在本公开的一些实现方式中,发明人想到可以将模型训练分为两部分,然后利用半精度类型的数据进行一部分计算(前向传播或者反向传播),采用更高精度的数据进行另一部分的计算,从而克服了技术偏见(半精度类型的数据不适于计算),实现了:既能利用半精度类型的数据进行一部分计算,而提高计算速度;又能利用更高精度的数据进行另一部分计算,而保证模型训练的准确性。
步骤402,对于至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出。
在本实施例中,上述执行主体可以对于该至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出。
步骤403,基于所获取的实际输出,进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度。
在本实施例中,上述执行主体可以基于所获取的实际输出,进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度。
步骤404,根据第一梯度,更新第一网络参数。
在本实施例中,上述执行主体可以根据该第一梯度,更新该第一网络参数。
在一些实施例中,步骤404可以包括:采用第二精度类型的数据进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度。
步骤401、步骤402、步骤403和步骤404的相关实现细节和技术效果,请参考步骤201、步骤202、步骤203和步骤204中的描述,在此不再赘述。
步骤405,对于至少两个处理器中的处理器,获取该处理器确定第二梯度。
在本实施例中,上述执行主体可以对于该至少两个处理器中的处理器,获取该处理器确定的第二梯度。
可选的,由处理上述训练样本子集的处理器进行反向传播,确定第二梯度,再由上述执行主体综合上述第二梯度,确定更新第二网络参数用的第二梯度。
作为示例,上述处理器可以根据实际输出和目标输出计算输出层损失,根据输出层损失计算指定的第二网络参数对应的梯度。所有处理器输出第二梯度到上述执行主体。上述执行主体可以对接收到的第二网络参数的第二梯度求平均,根据平均操作得到的平均第二梯度,待训练模型进行网络参数更新。
步骤406,根据所获取的第二梯度,更新第二网络参数。
在本实施例中,上述执行主体可以根据所获取的第二梯度,更新该第二网络参数。
在本实施例中,通过更新第一网络参数和第二网络参数,可以实现模型的更新,即生成新的模型。
在一些实施例中,上述步骤406可以包括:采用第二精度类型的数据进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度。可选的,上述第二精度类型指示的精度可以高于上述第一精度类型指示的精度。由此,可以实现反向传播过程相对于前向传播采用更高的精度,从而提高了基于反向传播更新网络参数的准确性。
从图4中可以看出,与图2对应的实施例相比,本实施例中的模型生成方法的流程400突出了待训练模型的网络参数分为两种(第一网络参数和第二网络参数),第一网络参数对应的梯度由上述执行主体确定,第二网络参数对应的梯度由上述处理器确定的步骤。由此,本实施例描述的方案,技术效果至少可以包括:
第一,提供了一种新的模型生成方式。
第二,提供了更为全面的模型生成方法。
第三,提高了模型训练速度。在处理器进行反向传播计算的时候,上述执行主体的计算资源也可以利用起来,进行一部分的反向传播计算,从而,可以由上述执行主体和上述处理器同时进行反向传播计算,提高了确定整体梯度的速度,从而,提高了模型训练速度。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种模型生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的模型生成装置500包括:发送单元501、第一获取单元502、确定单元503和第一更新单元504。其中,发送单元,被配置成向至少两个处理器中的处理器,发送训练样本集中的训练样本子集,其中,处理器用于:基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出;第一获取单元,被配置成对于该至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出;确定单元,被配置成基于所获取的实际输出,进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度;第一更新单元,被配置成根据该第一梯度,更新该第一网络参数。
在本实施例中,模型生成装置500的发送单元501、第一获取单元502、确定单元503和第一更新单元504的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在一些实施例中,该第一网络参数包括批量归一化层中的网络参数。
在一些实施例中,该至少两个处理器中的处理器还用于:基于该处理器确定的实际输出,进行误差反向传播,确定待训练模型中预先指定的第二网络参数对应的第二梯度。
在一些实施例中,该装置还包括:第二获取单元(未示出),被配置成对于该至少两个处理器中的处理器,获取该处理器确定的第二梯度;第二更新单元(未示出),被配置成根据所获取的第二梯度,更新该第二网络参数。
在一些实施例中,处理器还用于:采用第一精度类型的数据进行前向传播计算;采用第二精度类型的数据进行反向传播计算,其中,上述第一精度类型和上述第二精度类型不同。
在一些实施例中,该第一精度类型或者第二精度类型为半精度类型。
在一些实施例中,该第一确定单元还被配置成包括:采用第二精度类型的数据进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度。
需要说明的是,本公开实施例提供的模型生成装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端或服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:向至少两个处理器中的处理器,发送训练样本集中的训练样本子集,其中,处理器用于:基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出;对于该至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出;基于所获取的实际输出,进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度;根据该第一梯度,更新该第一网络参数。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,发送单元还可以被描述为“发送训练样本集中的训练样本子集的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (16)
1.一种模型生成方法,包括:
向至少两个处理器中的处理器,发送训练样本集中的训练样本子集,其中,处理器用于:基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出;
对于所述至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出;
基于所获取的实际输出,进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度;
根据所述第一梯度,更新所述第一网络参数。
2.根据权利要求1所述的方法,其中,所述第一网络参数包括批量归一化层中的网络参数。
3.根据权利要求1所述的方法,其中,所述至少两个处理器中的处理器还用于:
基于该处理器确定的实际输出,进行误差反向传播,确定待训练模型中预先指定的第二网络参数对应的第二梯度。
4.根据权利要求3所述的方法,其中,所述方法还包括:
对于所述至少两个处理器中的处理器,获取该处理器确定的第二梯度;
根据所获取的第二梯度,更新所述第二网络参数。
5.根据权利要求1-4中任一项所述的方法,其中,处理器还用于:
采用第一精度类型的数据进行前向传播计算;
采用第二精度类型的数据进行反向传播计算,其中,上述第一精度类型和上述第二精度类型不同。
6.根据权利要求5所述的方法,其中,所述第一精度类型或者第二精度类型为半精度类型。
7.根据权利要求5所述的方法,其中,所述根据所述第一梯度,更新所述第一网络参数,包括:
采用第二精度类型的数据进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度。
8.一种模型生成装置,包括:
发送单元,被配置成向至少两个处理器中的处理器,发送训练样本集中的训练样本子集,其中,处理器用于:基于待训练模型和接收到的训练样本子集,前向传播确定待训练模型的实际输出;
第一获取单元,被配置成对于所述至少两个处理器中的处理器,获取该处理器确定的待训练模型的实际输出;
确定单元,被配置成基于所获取的实际输出,进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度;
第一更新单元,被配置成根据所述第一梯度,更新所述第一网络参数。
9.根据权利要求8所述的装置,其中,所述第一网络参数包括批量归一化层中的网络参数。
10.根据权利要求8所述的装置,其中,所述至少两个处理器中的处理器还用于:
基于该处理器确定的实际输出,进行误差反向传播,确定待训练模型中预先指定的第二网络参数对应的第二梯度。
11.根据权利要求10所述的装置,其中,所述装置还包括:
第二获取单元,被配置成对于所述至少两个处理器中的处理器,获取该处理器确定的第二梯度;
第二更新单元,被配置成根据所获取的第二梯度,更新所述第二网络参数。
12.根据权利要求8-11中任一项所述的装置,其中,处理器还用于:
采用第一精度类型的数据进行前向传播计算;
采用第二精度类型的数据进行反向传播计算,其中,上述第一精度类型和上述第二精度类型不同。
13.根据权利要求12所述的装置,其中,所述第一精度类型或者第二精度类型为半精度类型。
14.根据权利要求12所述的装置,其中,所述第一确定单元还被配置成包括:
采用第二精度类型的数据进行反向传播,确定待训练模型中预先指定的第一网络参数对应的第一梯度。
15.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。
16.一种计算机可读介质,其上存储有计算机程序,其中,所述程序被处理器执行时实现如权利要求1-7中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536493.5A CN109670579A (zh) | 2018-12-14 | 2018-12-14 | 模型生成方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536493.5A CN109670579A (zh) | 2018-12-14 | 2018-12-14 | 模型生成方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109670579A true CN109670579A (zh) | 2019-04-23 |
Family
ID=66144357
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811536493.5A Pending CN109670579A (zh) | 2018-12-14 | 2018-12-14 | 模型生成方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109670579A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112631775A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
CN112988366A (zh) * | 2019-12-12 | 2021-06-18 | 中科寒武纪科技股份有限公司 | 参数服务器、主从客户机、权值参数的处理方法及*** |
CN113435520A (zh) * | 2021-06-30 | 2021-09-24 | 深圳市商汤科技有限公司 | 神经网络的训练方法、装置、设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103150596A (zh) * | 2013-02-22 | 2013-06-12 | 百度在线网络技术(北京)有限公司 | 一种反向传播神经网络dnn的训练*** |
CN103996069A (zh) * | 2013-02-20 | 2014-08-20 | 百度在线网络技术(北京)有限公司 | 一种基于多gpu的bpnn训练方法和装置 |
CN104899641A (zh) * | 2015-05-25 | 2015-09-09 | 杭州朗和科技有限公司 | 深度神经网络学习方法、处理器和深度神经网络学习*** |
CN106650931A (zh) * | 2016-12-09 | 2017-05-10 | 曙光信息产业(北京)有限公司 | 混合精度深度学习算法 |
-
2018
- 2018-12-14 CN CN201811536493.5A patent/CN109670579A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996069A (zh) * | 2013-02-20 | 2014-08-20 | 百度在线网络技术(北京)有限公司 | 一种基于多gpu的bpnn训练方法和装置 |
CN103150596A (zh) * | 2013-02-22 | 2013-06-12 | 百度在线网络技术(北京)有限公司 | 一种反向传播神经网络dnn的训练*** |
CN104899641A (zh) * | 2015-05-25 | 2015-09-09 | 杭州朗和科技有限公司 | 深度神经网络学习方法、处理器和深度神经网络学习*** |
CN106650931A (zh) * | 2016-12-09 | 2017-05-10 | 曙光信息产业(北京)有限公司 | 混合精度深度学习算法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112988366A (zh) * | 2019-12-12 | 2021-06-18 | 中科寒武纪科技股份有限公司 | 参数服务器、主从客户机、权值参数的处理方法及*** |
CN112631775A (zh) * | 2020-12-24 | 2021-04-09 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
CN112631775B (zh) * | 2020-12-24 | 2024-06-18 | 北京百度网讯科技有限公司 | 模型训练方法、装置、电子设备和计算机可读存储介质 |
CN113435520A (zh) * | 2021-06-30 | 2021-09-24 | 深圳市商汤科技有限公司 | 神经网络的训练方法、装置、设备及计算机可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330715B (zh) | 选择图片广告素材的方法和装置 | |
CN109410253B (zh) | 用于生成信息的方法、装置、电子设备和计算机可读介质 | |
JP7287397B2 (ja) | 情報処理方法、情報処理装置及び情報処理プログラム | |
CN109829164B (zh) | 用于生成文本的方法和装置 | |
CN109961141A (zh) | 用于生成量化神经网络的方法和装置 | |
CN111523640A (zh) | 神经网络模型的训练方法和装置 | |
EP3688673A1 (en) | Neural architecture search | |
CN109670579A (zh) | 模型生成方法和装置 | |
CN109977905B (zh) | 用于处理眼底图像的方法和装置 | |
CN109165736A (zh) | 应用于卷积神经网络的信息处理方法和装置 | |
CN111340221A (zh) | 神经网络结构的采样方法和装置 | |
CN109598344A (zh) | 模型生成方法和装置 | |
CN110084317A (zh) | 用于识别图像的方法和装置 | |
CN111783810A (zh) | 用于确定用户的属性信息的方法和装置 | |
CN110288625A (zh) | 用于处理图像的方法和装置 | |
CN117238451A (zh) | 训练方案确定方法、装置、电子设备和存储介质 | |
CN110009101A (zh) | 用于生成量化神经网络的方法和装置 | |
CN110097004B (zh) | 面部表情识别方法和装置 | |
CN108595211A (zh) | 用于输出数据的方法和装置 | |
CN111008213A (zh) | 用于生成语言转换模型的方法和装置 | |
CN114240506A (zh) | 多任务模型的建模方法、推广内容处理方法及相关装置 | |
CN108509179B (zh) | 用于检测人脸的方法、用于生成模型的装置 | |
CN109840072A (zh) | 信息处理方法和装置 | |
CN111949860B (zh) | 用于生成相关度确定模型的方法和装置 | |
CN110782017B (zh) | 用于自适应调整学习率的方法和装置 |
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 |