CN114548353B 模型训练方法、电子设备及存储介质 （共达地创新技术(深圳)有限公司）

区前湾一路1号A栋201室(入驻深圳市型作为第二主干网络与第二分支网络拼接得到所述第二拼接网络进行微调并测试以确定目标2将每个所述目标子网络模型作为第一主干网络，与第一分支网络拼接对多个所述第一拼接网络和所述第二拼接网络进行微调并测试，以确定目标网络模随机关断所述超网络的通道和/或层，并利用所述开源数据集对剩下的网络训练一批重复执行所述随机关断所述预设的超网络的通道和/或层，并利用所述开源数据集对基于预设采样算法，从所述超网络模型中选取满足预设模型约束条件的子网络模型，确定所述子网络模型的运算量是否小于预设运算量阈值，以若所述子网络模型的运算量小于所述预设运算量阈值，且根据主流网络模型的数量确定需要确定的目标子网根据测试集对所述采集到的多个子网络模型进行测试，得到所述多根据所述多个子网络模型的准确率对所述多个子网络模型进行排序3根据所述类型，从公开的开源网络模型集中选择至少一个与将所述主干网络和所述分支网络拼接，并在用户提供的场景数据进行迁移学习训练，4[0002]神经网络结构搜索(NeuralArchitectureSearch，NAS)是自动机器学习[0010]对多个所述第一拼接网络和所述第二拼接网络进行微调并测试以确定目标网络5[0017]对多个所述第一拼接网络和所述第二拼接网络进行微调并测试以确定目标网络[0035]图4是本申请实施例提供的一种从超网络模型中选取满足预设模型约束条件的子[0036]图5是本申请实施例提供的一种获取多个基于开源数据训练的主流网络模型的示6[0043]目前，神经网络结构搜索(NeuralArchitectureSearch，NAS)是自动机器学习[0052]示例性的，开源数据集还可以为关于CV(计算机视觉)任务或NLP(自然语言处理)7一个全新的网络结构，根据开源数据集对全新的网络结构进行训练，即进行训练一批经过随机断掉宽度的通道和/或深度的层后，得到的新的网络结构变为深度为3层，宽度依[0061]重复执行所述随机关断所述预设的超网络的通道和/或层，并利用所述开源数据8[0069]在本申请的实施例中，可以获取上述通过超网络模型训练方法得到的超网络模(Evolutionaryalgorithm)和基于梯度的采样算法(Gradient-basedmethod)中的至少一[0078]S2023、若所述子网络模型的运算量小于所述预设运算量阈值或者所述子网络模[0079]具体地，从所述超网络模型中预设数量个子网络模型中随机选取一个子网络模量是否小于预设运算量(FLOPS)阈值，以及选取的子网络模型的模型参数量是否小于预设9[0092]根据多个子网络模型对测试数据的测试评估结果对所述多个子网络模型进行排比进行分配，如重要程度高的测试得分占比为60重要程度低的测试得分占比为40最动物识别测试得分占比为40若A子网络模型人物识别测试得分为100分，动物识别测试中选择多个关于检测的开源网络模型，比如人物检测的网络模型和动物检测的网络模型，提示用户通过语音发布需求信息，通过对用户的语音进行识别以获取用户的模型需求信且参数共享，每个所述第二主干网络后拼接的第二分支网络的网络结构相同且参数不共是从开源数据中获取的，因此需要配置不同的分支网络参数将主干网络结构的参数固定。用户数据上对分支网络参数比如头部网络(head)或颈部网分配，如重要程度高的测试得分占比为60重要程度低的测试得分占比为40最后得出[0148]非易失性存储介质可存储操作系统和计算机程序。该计用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列[0161]在一些实施例中，所述处理器在实现获取多个基于开源数据训练的主流网络模