CN111767989A - 神经网络的训练方法和装置 - Google Patents
神经网络的训练方法和装置 Download PDFInfo
- Publication number
- CN111767989A CN111767989A CN202010601427.2A CN202010601427A CN111767989A CN 111767989 A CN111767989 A CN 111767989A CN 202010601427 A CN202010601427 A CN 202010601427A CN 111767989 A CN111767989 A CN 111767989A
- Authority
- CN
- China
- Prior art keywords
- neural network
- learning rate
- attenuation
- training
- iteration
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 166
- 238000012549 training Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 title claims abstract description 100
- 230000008569 process Effects 0.000 claims abstract description 47
- 230000004044 response Effects 0.000 claims abstract description 24
- 238000004590 computer program Methods 0.000 claims description 7
- 230000002238 attenuated effect Effects 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 230000015654 memory Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 12
- 239000003795 chemical substances by application Substances 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
-
- 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)
- Image Analysis (AREA)
Abstract
本申请公开了神经网络的训练方法和装置，涉及人工智能、深度学习技术领域，可用于图像处理。具体实施方式包括：获取待训练的神经网络，启动对所述神经网络的训练，其中，对所述神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代；响应于达到训练中的任一预设迭代轮次，在所述不同主体，以至少两个衰减速度进行一轮次学习率的衰减过程，并以衰减得到的学习率进行迭代；响应于完成对所述神经网络的所述至少两轮次迭代，基于所述至少两轮次迭代后的神经网络，得到训练后的神经网络。本申请可以采用不同的衰减速度，实现了学习率的异步衰减，从而促进了训练过程中神经网络的收敛。并且，采用分布式的训练方式，提升了训练速度。
Description
技术领域
本申请实施例涉及计算机技术领域，具体涉及人工智能、深度学习技术领域，尤其涉及神经网络的训练方法和装置。
背景技术
学习率(Learning rate)是神经网络在深度学习过程中的重要参数，决定了神经网络的收敛情况。具体地，学习率越大，则神经网络的收敛速度越快。而学习率太大，则容易让学习率的梯度来回震荡，可能导致无法实现收敛。
为了克服上述问题，相关技术可以采用学习率衰减的方式，在训练过程中，逐渐减小学习率，从而有助于神经网络的收敛。
发明内容
提供了一种神经网络的训练方法、装置、电子设备以及存储介质。
根据第一方面，提供了一种神经网络的训练方法，包括：获取待训练的神经网络，启动对神经网络的训练，其中，对神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代；响应于达到训练中的任一预设迭代轮次，在不同主体，以至少两个衰减速度进行一轮次学习率的衰减过程，并以衰减得到的学习率进行迭代；响应于完成对神经网络的至少两轮次迭代，基于至少两轮次迭代后的神经网络，得到训练后的神经网络。
根据第二方面，提供了一种神经网络的训练装置，包括：网络获取单元，被配置成获取待训练的神经网络，启动对神经网络的训练，其中，对神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代；迭代单元，被配置成响应于达到训练中的任一预设迭代轮次，在不同主体，以至少两个衰减速度进行一轮次学习率的衰减过程，并以衰减得到的学习率进行迭代；确定单元，被配置成响应于完成对神经网络的至少两轮次迭代，基于至少两轮次迭代后的神经网络，得到训练后的神经网络。
根据第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如神经网络的训练方法中任一实施例的方法。
根据第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如神经网络的训练方法中任一实施例的方法。
根据本申请的方案，可以采用不同的衰减速度，实现了学习率的异步衰减，从而促进了训练过程中神经网络的收敛，提升了收敛速度。并且，采用分布式的训练方式，进一步提升了训练速度。在一些情况下，将该提升收敛速度的方案用于图像处理，可以提高对图像的处理速度。进一步地，有助于降低执行设备的延时，减少内存等计算资源的占用和消耗。
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，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请一些实施例可以应用于其中的示例性***架构图；
图2是根据本申请的神经网络的训练方法的一个实施例的流程图；
图3是根据本申请的神经网络的训练方法的一个应用场景的示意图；
图4是根据本申请的神经网络的训练方法的又一个实施例的流程图；
图5是根据本申请的神经网络的训练装置的一个实施例的结构示意图；
图6是用来实现本申请实施例的神经网络的训练方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本申请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申请。
图1示出了可以应用本申请的神经网络的训练方法或神经网络的训练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，例如视频类应用、直播应用、即时通信工具、邮箱客户端、社交平台软件等。
这里的终端设备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，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、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的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。
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提供支持的后台服务器。后台服务器可以对接收到的待训练的神经网络等数据进行分析等处理，并将处理结果(例如训练后的神经网络)反馈给终端设备。
需要说明的是，本申请实施例所提供的神经网络的训练方法可以由服务器105或者终端设备101、102、103执行，相应地，神经网络的训练装置可以设置于服务器105或者终端设备101、102、103中。
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。
继续参考图2，示出了根据本申请的神经网络的训练方法的一个实施例的流程200。该神经网络的训练方法，包括以下步骤：
步骤201，获取待训练的神经网络，启动对神经网络的训练，其中，对神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代。
在本实施例中，神经网络的训练方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以获取待训练的神经网络，并且启动对该神经网络的训练。这里的神经网络可以是各种用于检测图像的神经网络，比如用于对图像进行检测的深度神经网络，比如卷积神经网络、残差神经网络等等。训练过程可以分布于不同的主体完成，这里的主体指可以参与执行对神经网络的分布式训练的主体，比如电子设备。任意主体完成对神经网络的训练需要进行至少两个轮次的迭代。
步骤202，响应于达到训练中的任一预设迭代轮次，在不同主体，以至少两个衰减速度进行一轮次学习率的衰减过程，并以衰减得到的学习率进行迭代。
在本实施例中，上述执行主体可以响应于达到训练中的上述至少两轮次迭代中的预设迭代轮次，以至少两个衰减速度，进行一轮次学习率的衰减过程。这样，每个主体可以按照在该主体的这一轮次学习率衰减过程中，得到的每个学习率对神经网络进行迭代。也即，任意一个主体在每个衰减轮次，可以执行一次或者多次衰减，相应地，可以得到一个或者多个学习率。
步骤203，响应于完成对神经网络的至少两轮次迭代，基于上述至少两轮次迭代后的神经网络，得到训练后的神经网络。
在本实施例中，上述执行主体可以在完成了对神经网络的上述至少两轮次迭代的情况下，基于进行了上述至少两轮次迭代后的神经网络，得到训练后的神经网络。在实践中，上述执行主体可以采用各种方式基于至少两轮次迭代，得到训练后的神经网络。比如，上述执行主体可以直接将至少两轮次迭代后的神经网络，作为训练后的神经网络。
本申请的上述实施例提供的方法可以采用不同的衰减速度，实现了学习率的异步衰减，从而促进了训练过程中神经网络的收敛。并且，采用分布式的训练方式，提升了训练速度。
在本实施例的一些可选的实现方式中，待训练的神经网络的运算耗时小于预设时长；步骤202中的以衰减得到的学习率进行迭代，可以包括：以衰减得到的学习率进行反向传播，对反向传播的结果进行前向传播，其中，每个主体的每轮次衰减过程存在至少一次学习率的衰减。
在这些可选的实现方式中，待训练的神经网络可以是运算耗时小于预设时长的神经网络，也即运算速度较快(比如运算速度大于预设速度阈值)的神经网络。在一轮次衰减过程中，主体可以得到一个或多个学习率。也即，在每轮次衰减过程中，不同主体的学习率的衰减次数可以不尽相同。举例来说，在某一轮次衰减过程中，主体1号分别在第一时间点、第二时间点和第三时间点进行了三次衰减，主体2号在第二时间点进行了一次衰减。主体1号和主体2号在这一轮次的衰减过程中，学习率均衰减至数值A。
上述执行主体可以采用这些学习率进行反向传播，得到反向传播的结果。之后，上述执行主体还可以对该反向传播的结果进行前向传播，从而完成一轮次迭代。
这些实现方式可以选择运算速度快的神经网络进行训练，从而在一定程度上确保训练得到的神经网络的运算速度较快。同时，本申请利用反向传播和前向传播两种方式进行训练，可以提高训练后的神经网络的精度，进而得到高效且精度高的训练后的神经网络。
在本实施例的一些可选的实现方式中，上述方法还可以包括：对于每轮次迭代，汇总不同主体的学习率衰减的梯度；基于梯度，更新待训练的神经网络的参数。
在这些可选的实现方式中，上述执行主体可以对于每个主体，确定该主体在每一轮次衰减过程的每一次衰减的衰减梯度。并且上述执行主体可以基于汇总得到的梯度和学习率，更新待训练的神经网络中的参数。具体地，上述执行主体可以利用对每个主体在训练过程中采用的学习率以及汇总出的梯度，确定并更新该主体对应的神经网络的参数。不同主体利用反向传播在神经网络中所要更新的参数可以是不同或不尽相同的，从而实现分布式训练。需要说明的是，利用梯度和学习率确定神经网络的参数为本领域的已有技术手段，在此不再赘述。
这些实现方式可以采用不同主体参与分布式的训练，并汇总这些主体对应的衰减梯度，从而实现高效的训练和参数更新。
在本实施例的一些可选的实现方式中，不同主体包括至少两个电子设备中的多个处理器。
在这些可选的实现方式中，可以采用多机多卡的方式对神经网络进行训练，也即利用至少两个电子设备进行训练，且至少两个电子设备中存在电子设备设置有至少两个参与训练的处理器。
这些实现方式可以采用多机多卡的方式进行训练，从而进一步提高训练效率。
在本实施例的一些可选的实现方式中，在步骤201中的启动对神经网络的训练之后，上述方法还可以包括：响应于达到至少两轮次中预设迭代轮次以外的其它迭代轮次，在不同主体，以相同的学习率进行迭代。
在这些可选的实现方式中，上述执行主体可以仅仅在各个预设迭代轮次进行学习率的异步衰减，也即在不同的主体以不同的学习率进行迭代，并在其它迭代轮次在不同主体以相同的学习率进行迭代。
这些实现方式可以在预设迭代轮次以外的迭代轮次中，以衰减得到的学习率继续迭代，从而在多次迭代中采用衰减得到的学习率，以提高训练后的神经网络的经度。
继续参见图3，图3是根据本实施例的神经网络的训练方法的应用场景的一个示意图。在图3的应用场景中，执行主体301获取待训练的神经网络302，启动对神经网络302的训练，其中，对神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代。执行主体301响应于达到训练中的任一预设迭代轮次，在不同主体，以至少两个衰减速度进行一轮次学习率的衰减过程，并以衰减得到的学习率303进行迭代。执行主体301响应于完成对神经网络的至少两轮次迭代，基于至少两轮次迭代后的神经网络，得到训练后的神经网络304。
进一步参考图4，其示出了神经网络的训练方法的又一个实施例的流程400。该流程400，包括以下步骤：
步骤401，获取待训练的神经网络，启动对神经网络的训练，其中，对神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代。
在本实施例中，神经网络的训练方法运行于其上的执行主体(例如图1所示的服务器或终端设备)可以获取待训练的神经网络，并且启动对该神经网络的训练。这里的神经网络可以是各种用于检测图像的神经网络，比如用于对图像进行检测的深度神经网络，比如卷积神经网络、残差神经网络等等。训练过程可以分布于不同的主体完成，这里的主体指可以参与执行对神经网络的分布式训练的主体，比如电子设备。上述执行主体完成对神经网络的训练需要进行至少两个轮次的迭代。
步骤402，获取对于学习率的衰减过程设置的目标学习率数据，其中，每轮次衰减过程对应至少一轮次迭代。
在本实施例中，上述执行主体可以获取目标学习率数据。每个轮次的学习率衰减，可以在一个轮次的迭代中进行，也可以在连续的两个或多个轮次的迭代中进行。
具体地，目标学习率数据可以是一个轮次的衰减要达到的学习率本身，也可以是可以换算为要达到的学习率的数据，比如是相对于一个参考学习率(也即基线学习率)的比例。
步骤403，响应于达到训练中的任一预设迭代轮次，在不同主体，以任一预设迭代轮次对应的一轮衰减过程的目标学习率数据作为衰减的终止值，进行学习率的衰减过程，并以衰减得到的学习率进行迭代。
在本实施例中，上述执行主体可以响应于达到训练中的上述至少两轮次迭代中的预设迭代轮次，以至少两个衰减速度，进行一轮次学习率的衰减过程，并将目标学习率数据作为每轮次衰减的终止值。这样，每个主体可以按照在该主体的这一轮次学习率衰减过程中，得到的每个学习率对神经网络进行迭代。也即，任意一个主体在每个衰减轮次，可以有一次或者多次衰减，从而可以得到一个或者多个学习率。该轮次中最后一次衰减得到学习率，即是目标学习率数据对应的学习率。
步骤404，响应于完成对神经网络的至少两轮次迭代，基于至少两轮次迭代后的神经网络，得到训练后的神经网络。
在本实施例中，上述执行主体可以在完成了对神经网络的上述至少两轮次迭代的情况下，基于进行了上述至少两轮次迭代后的神经网络，得到训练后的神经网络。在实践中，上述执行主体可以采用各种方式基于至少两轮次迭代，得到训练后的神经网络。比如，上述执行主体可以直接将至少两轮次迭代后的神经网络，作为训练后的神经网络。
本实施例可以给每个衰减轮次设置目标值，从而在实现异步衰减的同时，让各个主体在每个衰减轮次最终达到相同的学习率。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种神经网络的训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征或效果。该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的神经网络的训练装置500包括：网络获取单元501、迭代单元502和确定单元503。其中，网络获取单元501，被配置成获取待训练的神经网络，启动对神经网络的训练，其中，对神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代；迭代单元502，被配置成响应于达到训练中的任一预设迭代轮次，在不同主体，以至少两个衰减速度进行一轮次学习率的衰减过程，并以衰减得到的学习率进行迭代；确定单元503，被配置成响应于完成对神经网络的至少两轮次迭代，基于至少两轮次迭代后的神经网络，得到训练后的神经网络。
在本实施例中，神经网络的训练装置500的网络获取单元501、迭代单元502和确定单元503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和步骤203的相关说明，在此不再赘述。
在本实施例的一些可选的实现方式中，装置还包括：数据获取单元，被配置成获取对于学习率的衰减过程设置的目标学习率数据，其中，每轮次衰减过程对应至少一轮次迭代；以及迭代单元，进一步被配置成按照如下方式执行以至少两个衰减速度进行一轮次学习率的衰减过程：以任一预设迭代轮次对应的一轮衰减过程的目标学习率数据作为衰减的终止值，进行学习率的衰减过程。
在本实施例的一些可选的实现方式中，待训练的神经网络的运算耗时小于预设时长；迭代单元，进一步被配置成按照如下方式执行以衰减得到的学习率进行迭代：以衰减得到的学习率进行反向传播，对反向传播的结果进行前向传播，其中，每个主体的每轮次衰减过程存在至少一次学习率的衰减。
在本实施例的一些可选的实现方式中，装置还包括：汇总单元，被配置成对于每轮次迭代，汇总不同主体的学习率衰减的梯度；更新单元，被配置成基于梯度，更新待训练的神经网络的参数。
在本实施例的一些可选的实现方式中，不同主体包括至少两个电子设备中的多个处理器。
在本实施例的一些可选的实现方式中，装置还包括：执行单元，被配置成在启动对神经网络的训练之后，响应于达到至少两轮次中预设迭代轮次以外的其它迭代轮次，在不同主体，以相同的学习率进行迭代。
根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。
如图6所示，是根据本申请实施例的神经网络的训练方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图6所示，该电子设备包括：一个或多个处理器601、存储器602，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示GUI的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图6中以一个处理器601为例。
存储器602即为本申请所提供的非瞬时计算机可读存储介质。其中，存储器存储有可由至少一个处理器执行的指令，以使至少一个处理器执行本申请所提供的神经网络的训练方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的神经网络的训练方法。
存储器602作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的神经网络的训练方法对应的程序指令/模块(例如，附图5所示的网络获取单元501、迭代单元502和确定单元503)。处理器601通过运行存储在存储器602中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的神经网络的训练方法。
存储器602可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据神经网络的训练电子设备的使用所创建的数据等。此外，存储器602可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器602可选包括相对于处理器601远程设置的存储器，这些远程存储器可以通过网络连接至神经网络的训练电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
神经网络的训练方法的电子设备还可以包括：输入装置603和输出装置604。处理器601、存储器602、输入装置603和输出装置604可以通过总线或者其他方式连接，图6中以通过总线连接为例。
输入装置603可接收输入的数字或字符信息，以及产生与神经网络的训练电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置604可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(LCD)、发光二极管(LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。
此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用ASIC(专用集成电路)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(PLD))，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。
为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。
附图中的流程图和框图，图示了按照本申请各种实施例的***、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。
描述于本申请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。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、迭代单元和确定单元。其中，这些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，网络获取单元还可以被描述为“获取待训练的神经网络，启动对神经网络的训练的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。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装置执行时，使得该装置：获取待训练的神经网络，启动对神经网络的训练，其中，对神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代；响应于达到训练中的任一预设迭代轮次，在不同主体，以至少两个衰减速度进行一轮次学习率的衰减过程，并以衰减得到的学习率进行迭代；响应于完成对神经网络的至少两轮次迭代，基于至少两轮次迭代后的神经网络，得到训练后的神经网络。
以上描述仅为本申请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，本申请中所涉及的发明范围，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发明构思的情况下，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。例如上述特征与本申请中公开的(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 (14)
1.一种神经网络的训练方法，所述方法包括：
获取待训练的神经网络，启动对所述神经网络的训练，其中，对所述神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代；
响应于达到训练中的任一预设迭代轮次，在所述不同主体，以至少两个衰减速度进行一轮次学习率的衰减过程，并以衰减得到的学习率进行迭代；
响应于完成对所述神经网络的所述至少两轮次迭代，基于所述至少两轮次迭代后的神经网络，得到训练后的神经网络。
2.根据权利要求1所述的方法，其中，所述方法还包括：
获取对于所述学习率的衰减过程设置的目标学习率数据，其中，每轮次衰减过程对应至少一轮次迭代；以及
所述以至少两个衰减速度进行一轮次学习率的衰减过程，包括：
以所述任一预设迭代轮次对应的一轮衰减过程的所述目标学习率数据作为衰减的终止值，进行学习率的衰减过程。
3.根据权利要求1所述的方法，其中，所述待训练的神经网络的运算耗时小于预设时长；
所述以衰减得到的学习率进行迭代，包括：
以衰减得到的学习率进行反向传播，对反向传播的结果进行前向传播，其中，每个主体的每轮次衰减过程存在至少一次学习率的衰减。
4.根据权利要求1所述的方法，其中，所述方法还包括：
对于每轮次迭代，汇总所述不同主体的学习率衰减的梯度；
基于所述梯度，更新所述待训练的神经网络的参数。
5.根据权利要求1-4之一所述的方法，其中，所述不同主体包括至少两个电子设备中的多个处理器。
6.根据权利要求1-4之一所述的方法，其中，在所述启动对所述神经网络的训练之后，所述方法还包括：
响应于达到所述至少两轮次中所述预设迭代轮次以外的其它迭代轮次，在所述不同主体，以相同的学习率进行迭代。
7.一种神经网络的训练装置，所述装置包括：
网络获取单元，被配置成获取待训练的神经网络，启动对所述神经网络的训练，其中，对所述神经网络的训练以分布式的方式在不同主体执行，且包括至少两轮次迭代；
迭代单元，被配置成响应于达到训练中的任一预设迭代轮次，在所述不同主体，以至少两个衰减速度进行一轮次学习率的衰减过程，并以衰减得到的学习率进行迭代；
确定单元，被配置成响应于完成对所述神经网络的所述至少两轮次迭代，基于所述至少两轮次迭代后的神经网络，得到训练后的神经网络。
8.根据权利要求7所述的装置，其中，所述装置还包括：
数据获取单元，被配置成获取对于所述学习率的衰减过程设置的目标学习率数据，其中，每轮次衰减过程对应至少一轮次迭代；以及
所述迭代单元，进一步被配置成按照如下方式执行所述以至少两个衰减速度进行一轮次学习率的衰减过程：
以所述任一预设迭代轮次对应的一轮衰减过程的所述目标学习率数据作为衰减的终止值，进行学习率的衰减过程。
9.根据权利要求7所述的装置，其中，所述待训练的神经网络的运算耗时小于预设时长；
所述迭代单元，进一步被配置成按照如下方式执行所述以衰减得到的学习率进行迭代：
以衰减得到的学习率进行反向传播，对反向传播的结果进行前向传播，其中，每个主体的每轮次衰减过程存在至少一次学习率的衰减。
10.根据权利要求7所述的装置，其中，所述装置还包括：
汇总单元，被配置成对于每轮次迭代，汇总所述不同主体的学习率衰减的梯度；
更新单元，被配置成基于所述梯度，更新所述待训练的神经网络的参数。
11.根据权利要求7-10之一所述的装置，其中，所述不同主体包括至少两个电子设备中的多个处理器。
12.根据权利要求7-10之一所述的装置，其中，所述装置还包括：
执行单元，被配置成在所述启动对所述神经网络的训练之后，响应于达到所述至少两轮次中所述预设迭代轮次以外的其它迭代轮次，在所述不同主体，以相同的学习率进行迭代。
13.一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
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1-6中任一所述的方法。
14.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-6中任一所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601427.2A CN111767989A (zh) | 2020-06-29 | 2020-06-29 | 神经网络的训练方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010601427.2A CN111767989A (zh) | 2020-06-29 | 2020-06-29 | 神经网络的训练方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111767989A true CN111767989A (zh) | 2020-10-13 |
Family
ID=72722554
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010601427.2A Pending CN111767989A (zh) | 2020-06-29 | 2020-06-29 | 神经网络的训练方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111767989A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780526A (zh) * | 2021-08-30 | 2021-12-10 | 北京的卢深视科技有限公司 | 网络训练的方法、电子设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108429753A (zh) * | 2018-03-16 | 2018-08-21 | 重庆邮电大学 | 一种快速特征匹配的工业网络DDoS入侵检测方法 |
| US20180240010A1 (en) * | 2017-02-19 | 2018-08-23 | Intel Corporation | Technologies for optimized machine learning training |
| CN110705691A (zh) * | 2019-09-24 | 2020-01-17 | 北京迈格威科技有限公司 | 神经网络训练方法、装置及计算机可读存储介质 |
| CN111028306A (zh) * | 2019-11-06 | 2020-04-17 | 杭州电子科技大学 | 基于AR2 U-Net神经网络的快速磁共振成像方法 |
| CN111260032A (zh) * | 2020-01-14 | 2020-06-09 | 北京迈格威科技有限公司 | 神经网络训练方法、图像处理方法及装置 |
-
2020
- 2020-06-29 CN CN202010601427.2A patent/CN111767989A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180240010A1 (en) * | 2017-02-19 | 2018-08-23 | Intel Corporation | Technologies for optimized machine learning training |
| CN108429753A (zh) * | 2018-03-16 | 2018-08-21 | 重庆邮电大学 | 一种快速特征匹配的工业网络DDoS入侵检测方法 |
| CN110705691A (zh) * | 2019-09-24 | 2020-01-17 | 北京迈格威科技有限公司 | 神经网络训练方法、装置及计算机可读存储介质 |
| CN111028306A (zh) * | 2019-11-06 | 2020-04-17 | 杭州电子科技大学 | 基于AR2 U-Net神经网络的快速磁共振成像方法 |
| CN111260032A (zh) * | 2020-01-14 | 2020-06-09 | 北京迈格威科技有限公司 | 神经网络训练方法、图像处理方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| HIROSHI NINOMIYA: "Dynamic sample size selection based quasi-Newton training for highly nonlinear function approximation using multilayer neural networks", IEEE, 9 January 2014 (2014-01-09) * |
| 刘吉;孙仁诚;乔松林;: "深度学习在医学图像识别中的应用研究", 青岛大学学报(自然科学版), no. 01, 15 February 2018 (2018-02-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113780526A (zh) * | 2021-08-30 | 2021-12-10 | 北京的卢深视科技有限公司 | 网络训练的方法、电子设备及存储介质 |
| CN113780526B (zh) * | 2021-08-30 | 2022-08-05 | 合肥的卢深视科技有限公司 | 人脸识别网络训练的方法、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111753997B (zh) | 分布式训练方法、***、设备及存储介质 | |
| CN111461290B (zh) | 模型参数更新方法及装置 | |
| CN111582477B (zh) | 神经网络模型的训练方法和装置 | |
| CN111582374A (zh) | 超参数搜索方法、装置、设备以及存储介质 | |
| CN111753964A (zh) | 神经网络的训练方法和装置 | |
| CN113238943A (zh) | 持续集成测试的方法和装置 | |
| CN111563593A (zh) | 神经网络模型的训练方法和装置 | |
| CN114492788A (zh) | 训练深度学习模型的方法和装置、电子设备及存储介质 | |
| CN111680597A (zh) | 人脸识别模型处理方法、装置、设备和存储介质 | |
| CN111339187A (zh) | 基于智能合约的数据处理方法、装置、设备和存储介质 | |
| CN112561059B (zh) | 用于模型蒸馏的方法和装置 | |
| CN112580723B (zh) | 多模型融合方法、装置、电子设备和存储介质 | |
| CN112085103B (zh) | 基于历史行为的数据增强方法、装置、设备以及存储介质 | |
| KR20220003444A (ko) | 옵티마이저 학습 방법, 장치, 전자 기기 및 판독 가능 기록 매체 | |
| CN111767989A (zh) | 神经网络的训练方法和装置 | |
| CN112529181A (zh) | 用于模型蒸馏的方法和装置 | |
| CN112382292A (zh) | 基于语音的控制方法和装置 | |
| CN111767990A (zh) | 神经网络的处理方法和装置 | |
| CN115879469B (zh) | 文本数据处理方法、模型训练方法、装置及介质 | |
| CN111667428A (zh) | 基于自动搜索的噪声生成方法和装置 | |
| CN111738325A (zh) | 图像识别方法、装置、设备以及存储介质 | |
| CN111177479A (zh) | 获取关系网络图中节点的特征向量的方法以及装置 | |
| CN111160552A (zh) | 负采样处理方法、装置、设备和计算机存储介质 | |
| CN112752323B (zh) | 热点接入状态的改变方法和装置 | |
| CN112735601B (zh) | 利用蓝牙确定传染病密接人群的测试方法、装置及设备 |
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 |