阅读说明：本技术 用于训练超网络的方法和装置 (Method and apparatus for training a hyper-network ) 是由 希滕 张刚 温圣召 于 2020-04-09 设计创作，主要内容包括：本公开涉及人工智能领域,具体公开了用于训练超网络的方法和装置。该方法包括：初始化待训练的超网络并复制初始化后的超网络得到第一超网络和第二超网络；依次执行多次迭代操作；迭代操作包括：对第一超网络进行采样得到第一子网络序列,对第一子网络序列进行乱序得到第二子网络序列；基于第一超网络训练第一子网络序列,基于第一子网络序列和第二子网络序列的训练结果分别对第一超网络和第二超网络进行拟更新；响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围,将拟更新后的第一超网络作为新的第一超网络,将拟更新后的第二超网络作为新的第二超网络,执行下一次迭代操作。该方法提升了超网络的精度。(The disclosure relates to the field of artificial intelligence, and particularly discloses a method and a device for training a hyper-network. The method comprises the following steps: initializing a hyper-network to be trained and copying the initialized hyper-network to obtain a first hyper-network and a second hyper-network; performing a plurality of iterative operations in sequence; the iterative operation comprises: sampling a first super network to obtain a first sub network sequence, and performing disorder on the first sub network sequence to obtain a second sub network sequence; training a first sub-network sequence based on the first super-network, and respectively performing quasi-updating on the first super-network and a second super-network based on the training results of the first sub-network sequence and the second sub-network sequence; and in response to the fact that the difference between the performances of the first hyper-network to be updated and the second hyper-network to be updated does not exceed the preset range, taking the first hyper-network to be updated as a new first hyper-network, taking the second hyper-network to be updated as a new second hyper-network, and executing the next iteration operation. The method improves the precision of the super network.)

用于训练超网络的方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及人工智能技术领域，尤其涉及用于训练超网络的方法和装置。

背景技术

深度神经网络在很多领域取得了重要的成果。深度神经网络模型的结构对其性能具有直接的影响。传统的神经网络模型的结构是专家根据经验设计的，需要丰富的专家知识，网络结构的设计成本较高。

NAS(Neural Architecture Search，网络结构自动搜索)是用算法代替繁琐的人工操作，自动搜索出最佳的神经网络架构。目前的一种方法中，通过预先构建包含所有可能的模型结构的超网络，对超网络进行训练。然后在实际深度学习任务中，从超网络中通过NAS搜索出合适的子网络作为执行该深度学习任务的神经网络模型。

然而，由于超网络中的所有网络结构是共存的，训练超网络过程中存在着互斥的问题。超网络训练过程为了兼顾所有的网络结构性能都较优，会导致网络性结构的性能都与独立训练的网络的性能有较大的差距。

发明内容

本公开的实施例提出了用于训练超网络的方法和装置、电子设备和计算机可读介质。

第一方面，本公开的实施例提供了一种用于训练超网络的方法，包括：初始化待训练的超网络并对初始化后的超网络进行复制得到相同的第一超网络和第二超网络；通过依次执行多次迭代操作对待训练的超网络进行训练；其中，迭代操作包括：对第一超网络进行采样得到第一子网络序列，对第一子网络序列进行乱序处理得到第二子网络序列；基于第一超网络训练第一子网络序列，基于第一子网络序列的训练结果对第一超网络进行拟更新；基于第二超网络训练第二子网络序列，基于第二子网络序列的训练结果对第二超网络进行拟更新；响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围，将拟更新后的第一超网络作为新的第一超网络，将拟更新后的第二超网络作为新的第二超网络，执行下一次迭代操作。

在一些实施例中，上述迭代操作还包括：确定拟更新后的第一超网络的性能关于拟更新后的第一超网络的参数的第一分布；确定拟更新后的第二超网络的性能关于拟更新后的第二超网络的参数的第二分布；响应于确定第一分布与第二分布之间的距离小于预设的距离阈值，确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围。

在一些实施例中，上述迭代操作还包括：响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异超过预设的范围，执行下一次迭代操作并在下一次迭代操作中重新对第一超网络进行采样得到新的第一子网络序列。

在一些实施例中，上述迭代操作还包括：响应于确定当前的第一超网络满足预设的收敛条件，停止执行迭代操作，确定当前的第一超网络为训练完成的超网络。

在一些实施例中，上述方法还包括：根据待处理的媒体数据的类型，基于训练完成的超网络进行模型结构搜索，搜索出用于处理对应类型的数据的子网络，以利用搜索出的子网络对待处理的媒体数据进行处理。

第二方面，本公开的实施例提供了一种用于训练超网络的装置，包括：初始化单元，被配置为初始化待训练的超网络并对初始化后的超网络进行复制得到相同的第一超网络和第二超网络；训练单元，被配置为通过依次执行多次迭代操作对待训练的超网络进行训练；其中，迭代操作包括：对第一超网络进行采样得到第一子网络序列，对第一子网络序列进行乱序处理得到第二子网络序列；基于第一超网络训练第一子网络序列，基于第一子网络序列的训练结果对第一超网络进行拟更新；基于第二超网络训练第二子网络序列，基于第二子网络序列的训练结果对第二超网络进行拟更新；响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围，将拟更新后的第一超网络作为新的第一超网络，将拟更新后的第二超网络作为新的第二超网络，执行下一次迭代操作。

在一些实施例中，上述训练单元执行的迭代操作还包括：确定拟更新后的第一超网络的性能关于拟更新后的第一超网络的参数的第一分布；确定拟更新后的第二超网络的性能关于拟更新后的第二超网络的参数的第二分布；响应于确定第一分布与第二分布之间的距离小于预设的距离阈值，确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围。

在一些实施例中，上述训练单元执行的迭代操作还包括：响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异超过预设的范围，执行下一次迭代操作并在下一次迭代操作中重新对第一超网络进行采样得到新的第一子网络序列。

在一些实施例中，上述训练单元执行的迭代操作还包括：响应于确定当前的第一超网络满足预设的收敛条件，停止执行迭代操作，确定当前的第一超网络为训练完成的超网络。

在一些实施例中，上述装置还包括：搜索单元，被配置为根据待处理的媒体数据的类型，基于训练完成的超网络进行模型结构搜索，搜索出用于处理对应类型的数据的子网络，以利用搜索出的子网络对待处理的媒体数据进行处理。

第三方面，本公开的实施例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第一方面提供的用于训练超网络的方法。

第四方面，本公开的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，程序被处理器执行时实现第一方面提供的用于训练超网络的方法。

本公开的上述实施例的用于训练超网络的方法和装置，首先初始化待训练的超网络并对初始化后的超网络进行复制得到相同的第一超网络和第二超网络；然后通过依次执行多次迭代操作对待训练的超网络进行训练，其中，迭代操作包括：对第一超网络进行采样得到第一子网络序列，对第一子网络序列进行乱序处理得到第二子网络序列；基于第一超网络训练第一子网络序列，基于第一子网络序列的训练结果对第一超网络进行拟更新；基于第二超网络训练第二子网络序列，基于第二子网络序列的训练结果对第二超网络进行拟更新；响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围，将拟更新后的第一超网络作为新的第一超网络，将拟更新后的第二超网络作为新的第二超网络，执行下一次迭代操作。该方法和装置训练得到的超网络精度更高，从训练得到的超网络中采样出的子网络与独立训练相同结构的网络的性能一致，由此在基于超网络自动搜索模型结构时可以快速搜索出性能良好的子网络。

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是本公开的实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于训练超网络的方法的一个实施例的流程图；

图3是根据本公开的用于训练超网络的方法的另一个实施例的流程图；

图4是本公开的用于训练超网络的装置的一个实施例的结构示意图；

图5是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

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用于训练超网络的方法或用于训练超网络的装置的示例性系统架构100。

如图1所示，系统架构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。

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可以是用户端设备，其上可以安装有各种客户端应用。例如，图像处理类应用、信息分析类应用、语音助手类应用、购物类应用、金融类应用等。

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可以是运行各种服务的服务器，例如运行基于图像或语音数据的目标跟踪、语音处理服务的服务器。服务器105可以从终端设备101、102、103获取深度学习任务数据、或者从数据库获取深度学习任务数据来构建训练样本，对用于执行深度学习任务的神经网络的模型结构进行自动搜索和优化。

在本公开的实施例的应用场景中，服务器105可以通过超网络来实现神经网络的模型结构的自动搜索。服务器105可以基于获取到的深度学习任务数据，例如图像、文本、语音等媒体数据，来训练超网络，在超网络训练完成后，服务器105可以通过模型结构自动搜索从超网络中采样出子网络结构来执行相应的任务。

服务器105还可以是为终端设备101、102、103上安装的应用提供后端支持的后端服务器。例如，服务器105可以接收终端设备101、102、103发送的待处理的数据，使用神经网络模型对数据进行处理，并将处理结果返回至终端设备101、102、103。

在实际场景中，终端设备101、102、103可以向服务器105发送与语音交互、文本分类、图像识别、关键点检测等任务相关的深度学习任务请求。服务器105上可以运行已针对相应的深度学习任务训练得到的神经网络模型，利用该神经网络模型来处理信息。

需要说明的是，本公开的实施例所提供的用于训练超网络的方法一般由服务器105执行，相应地，用于训练超网络的装置一般设置于服务器105中。

在一些场景中，服务器105可以从数据库、存储器或其他设备获取超网络训练所需要的源数据(例如训练样本、待训练的超网络)，这时，示例性系统架构100可以不存在终端设备101、102、103和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105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105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。

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，其示出了根据本公开的用于训练超网络的方法的一个实施例的流程200。该用于训练超网络的方法，包括以下步骤：

步骤201，初始化待训练的超网络并对初始化后的超网络进行复制得到相同的第一超网络和第二超网络。

在本实施例中，用于训练超网络的方法的执行主体可以首先获取待训练的超网络。该待训练的超网络可以是预先构建的。超网络的每一层可以包含网络结构搜索空间中的多个网络结构单元。在这里，网络结构单元可以由单个网络层形成，例如单个卷积层、循环神经网络中的单个循环单元，也可以由多个网络层组合形成，例如由卷积层、批量归一化层、非线性层连接形成的卷积块(block)。超网络中，每个网络结构单元可以与其上一层和下一层的所有网络结构单元连接。训练过程中通过多轮迭代操作优化超网络中的参数，包括权重参数、偏置参数、卷积核，等等。

可以随机初始化待训练的超网络的参数，或者将待训练的超网络的参数初始化为设定的值。可选地，待训练的超网络可以是基于样本数据预训练的超网络，则可以获取经过预训练的超网络的参数作为待训练的超网络的参数初始化结果。

可以对参数初始化后的超网络进行复制，得到结构、参数完全相同的第一超网络和第二超网络。之后，可以通过步骤202对第一超网络和第二超网络进行迭代训练。

步骤202，通过依次执行多次迭代操作对待训练的超网络进行训练。

可以通过训练第一超网络和第二超网络来执行待训练的超网络的训练操作。

具体地，迭代操作包括以下步骤2021、步骤2022、步骤2023和步骤2024。

首先，在步骤2021中，对第一超网络进行采样得到第一子网络序列，对第一子网络序列进行乱序处理得到第二子网络序列。

可以从第一超网络中采样出多个子网络构成第一子网络序列。具体可以采用随机采样的方法从第一超网络中提取出多个网络层，并提取出这些网络层间的连接关系，并从第一超网络尚中获取采样出的子网络的参数。

或者，可以采用经过训练的循环神经网络从第一超网络中采样出第一子网络序列。该循环神经网络可以预先基于超网络和深度学习训练数据训练。该循环神经网络将第一超网络的编码作为输入，输出采样得到的第一子网络的编码或第一子网络序列的编码。在每一次迭代操作中，循环神经网络可以采样出多个第一子网络，依次排列形成第一子网络序列。

可以对第一子网络序列中的第一子网络进行乱序，得到第二子网络序列。即第一子网络序列与第二子网络序列所包含的子网络相同，但二者中子网络的排列顺序不相同。

需要说明的是，在不同的迭代操作中采样出的第一子网络序列可以各不相同，每一次迭代操作开始时，都对第一超网络重新进行采样获得新的第一子网络序列。

然后，在步骤2022中，基于第一超网络训练第一子网络序列，基于第一子网络序列的训练结果对第一超网络进行拟更新。

在本实施例中，可以基于第一超网络训练第一子网络序列。具体地，可以根据第一超网络的当前参数初始化第一子网络序列，基于第一子网络序列中各子网络对应的深度学习任务的训练数据，采用有监督或无监督的方式训练子网络。在子网络训练过程中可以通过迭代调整子网络的参数不断优化各子网络。完成第一子网络序列的训练之后，利用测试数据获得训练后的第一子网络序列的性能信息。基于第一子网络序列的性能信息进行反向传播以确定用于对第一超网络进行拟更新的参数。其中，第一子网络序列的性能信息可以基于其中各个子网络的性能的综合统计结果获得。

上述用于对第一超网络进行拟更新的参数是基于第一子网络序列的性能信息反向传播获得的，具体地，可以基于第一子网络序列的误差、硬件延时、内存占用率等性能指标构建损失函数，计算损失函数关于第一超网络的各个参数的梯度，按照预设的梯度下降率(学习率)计算拟更新后的第一超网络的参数。

接着，在步骤2023中，基于第二超网络训练第二子网络序列，基于第二子网络序列的训练结果对第二超网络进行拟更新。

与第一子网络序列类似地，可以基于第二超网络对第二子网络序列进行训练。具体地，可以根据第二超网络的当前参数初始化第二子网络序列的参数，并利用第二子网络序列中各子网络对应的深度学习任务的训练数据，采用有监督或无监督的方式训练初始化后的各个子网络。在子网络训练过程中可以通过迭代调整子网络的参数不断优化各子网络。完成第二子网络序列的训练之后，利用测试数据获得训练后的第二子网络序列的性能信息。基于第二子网络序列的性能信息进行反向传播以确定用于对第二超网络进行拟更新的参数。其中，第二子网络序列的性能信息可以基于其中各个子网络的性能的综合统计结果获得。

具体地，可以基于第二子网络序列的误差、硬件延时、内存占用率等性能指标构建损失函数。而后可以计算损失函数关于第二超网络的各个参数的梯度，按照预设的梯度下降率(学习率)计算拟更新后的第二超网络的参数。

需要说明的是，在步骤2023中，根据第一子网络序列和第二子网络序列的训练结果对第一超网络和第二超网络执行拟更新操作，这时第一超网络和第二超网络的参数尚未被更新。可以基于后续步骤进一步判断是否将拟更新后的第一超网络和第二超网络作为当前迭代操作中更新后的第一超网络和第二超网络。

在步骤2024中，响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围，将拟更新后的第一超网络作为新的第一超网络，将拟更新后的第二超网络作为新的第二超网络，执行下一次迭代操作。

在本实施例中，可以测试拟更新后的第一超网络和拟更新后的第二超网络的性能。具体可以分别从第一超网络和第二超网络分别采样出测试用的子网络序列，确定采样出的子网络序列的性能作为对应的第一超网络的性能和对应的第二超网络的性能。

然后，可以比对第一超网络的性能和第二超网络的性能，若二者之间的差异不超过预设的范围，例如第一超网络中采样出的准确率超过阈值的子网络的数量占比与第二超网络中采样出的准确率超过阈值的子网络的数量占比之间的差距小于预设的百分比，或者第一超网络中采样出的子网络的准确率分布与第二超网络采样出的子网络的准确率分布之间的差异不超过预设的分布距离，可以确定第一超网络和第二超网络的性能之间的差异不超过预设的范围。这时，可以对第一超网络和第二超网络进行更新，将拟更新后的第一超网络作为当前迭代操作中更新后的第一超网络，将拟更新后的第二超网络作为当前迭代操作中更新后的第二超网络，然后基于更新后的第一超网络和更新后的第二超网络返回步骤2021，继续执行下一次迭代操作。

上述实施例的超网络的训练方法，通过在每次迭代操作中基于子网络的训练结果确定第一超网络和第二超网络的拟更新参数，并基于第一超网络和第二超网络的性能之间的差异确定是否利用拟更新参数更新第一超网络和第二超网络，能够逐步优化第一超网络和第二超网络的参数，并且在拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围时更新第一超网络和第二超网络，能够确保训练得到的第一超网络对子网络序列中子网络的顺序不敏感，由此降低了训练过程中第一超网络所包含的不同子网络的参数之间的依赖性，可以提升第一超网络中提取出的子网络的性能与独立训练的网络的性能之间的一致性，从而提升了超网络的准确性。

在一些实施例中，上述迭代操作还可以包括：确定拟更新后的第一超网络的性能关于拟更新后的第一超网络的参数的第一分布，确定拟更新后的第二超网络的性能关于拟更新后的第二超网络的参数的第二分布，以及响应于确定第一分布与第二分布之间的距离小于预设的距离阈值，确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围。

也即，在步骤2024之前，可以对拟更新后的第一超网络和拟更新后的第二超网络的参数的分布进行比对，基于二者的参数分布之间的相似性来确定二者的性能之间的差异。

具体地，拟更新后的第一超网络的性能关于拟更新后的第一超网络的参数的第一分布可以是拟更新后的第一超网络的准确率、在特定运行环境下的延时、内存占用率等性能指标关于拟更新后的第一超网络的参数的概率分布；相应地，拟更新后的第二超网络的性能关于拟更新后的第二超网络的参数的第二分布可以是拟更新后的第二超网络的准确率、在特定运行环境下的延时、内存占用率等性能指标关于拟更新后的第二超网络的参数的概率分布。

可以采用KL距离(Kullback-Leibler Divergence)计算上述第一分布和第二分布之间的分布距离。若第一分布和第二分布之间的分布距离小于预设的距离阈值，可以确定拟更新后的第一超网络和拟更新后的第二超网络的性能之间的差异不超过预设的范围。反之，若第一分布和第二分布之间的分布距离不小于预设的距离阈值，可以确定拟更新后的第一超网络和拟更新后的第二超网络的性能之间的差异超过预设的范围。

由于神经网络的性能与参数的分布有紧密的依赖关系，参数的分布的变化可能带来神经网络性能的突变，结构相同、参数的分布相似的不同神经网络的性能是相似的。通过对拟更新后的第一超网络和拟更新后的第二超网络的参数分布进行比对，可以更准确地确定二者的性能差异，从而基于参数分布的差异来确定是否在迭代操作中更新第一超网络和第二超网络的参数，能够得到更准确的超网络训练结果。

进一步地，上述步骤202中的迭代操作还可以包括：响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异超过预设的范围，执行下一次迭代操作并在下一次迭代操作中重新对第一超网络进行采样得到新的第一子网络序列。

若拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异超过预设的范围，则确定用于对第一超网络拟更新的参数对子网络序列中子网络的顺序敏感，由此更新参数后的第一超网络中采样出的子网络与独立训练的相同结构的神经网络的性能差异会较大，因此，在这种情况下可以不对当前迭代操作中的第一超网络的参数进行更新，保持上一次迭代操作后第一超网络和第二超网络的参数不变，执行下一次迭代操作。并且，在下一次迭代操作中重新采样出新的第一子网络序列。这样，可以确保训练得到的第一超网络的性能不会因子网络序列中的子网络的顺序的变化而发生较大变动，则训练得到的第一超网络的参数针对不同的子网络都可以达到较好的性能，因而从训练得到的第一超网络中采样出的子网络的性能与对与该子网络结构相同的神经网络独立训练后达到的性能一致。

在一些实施例中，上述步骤202中的迭代操作还包括：响应于确定当前的第一超网络满足预设的收敛条件，停止执行迭代操作，确定当前的第一超网络为训练完成的超网络。

上述预设的收敛条件可以包括但不限于以下至少一项：第一超网络的参数在最近的若干次迭代中发生了更新且更新率低于预设的更新率阈值，第一超网络的迭代次数达到预设的次数阈值，第一超网络的精度达到预设的精度阈值。当第一超网络在多次迭代操作后收敛时，可以停止迭代，将最后一次迭代操作中得到的第一超网络作为训练完成超网络。反之，若在当前迭代操作后第一超网络不满足与上述预设的条件，则继续执行下一次迭代操作。

继续参考图3，其示出了根据本公开的超网络的训练方法的另一个实施例的流程示意图。如图3所示，本实施例的超网络的训练方法的流程300，包括以下步骤：

步骤301，初始化待训练的超网络并对初始化后的超网络进行复制得到相同的第一超网络和第二超网络；

步骤302，通过依次执行多次迭代操作对待训练的超网络进行训练。

迭代操作包括以下步骤3021、步骤3022、步骤3023以及步骤3024：

步骤3021，对第一超网络进行采样得到第一子网络序列，对第一子网络序列进行乱序处理得到第二子网络序列。

步骤3022，基于第一超网络训练第一子网络序列，基于第一子网络序列的训练结果对第一超网络进行拟更新。

步骤3023，基于第二超网络训练第二子网络序列，基于第二子网络序列的训练结果对第二超网络进行拟更新。

步骤3024，响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围，将拟更新后的第一超网络作为新的第一超网络，将拟更新后的第二超网络作为新的第二超网络，执行下一次迭代操作。

本实施例的步骤301、步骤302以及步骤3021、步骤3022、步骤3023、步骤3024分别与前述实施例的步骤201、步骤202以及步骤2021、步骤2022、步骤2023、步骤2024一致，步骤301、步骤302以及步骤3021、步骤3022、步骤3023、步骤3024的具体实施方式可参考前述实施例中对应步骤的描述此处不再赘述。

在本实施例中，超网络的训练方法的流程300还包括：

步骤303，根据待处理的媒体数据的类型，基于训练完成的超网络进行模型结构搜索，搜索出用于处理对应类型的数据的子网络，以利用搜索出的子网络对待处理的媒体数据进行处理。

可以获取待处理的媒体数据，媒体数据可以是图像、文本、音频、视频等格式的数据。媒体数据的类型可以根据其数据格式确定。可选地，媒体数据的类型可以是预先基于对应的深度学习任务的任务参数配置的，其中任务参数可以包括任务类型、任务的目标、任务所需处理的数据量等中的一项或多项。例如图像识别任务对应的媒体数据类型为图像识别类、文本翻译任务对应的媒体数据类型为文本翻译类。

在本实施例中，可以根据待处理的媒体数据的类型，利用训练完成的超网络搜索出用于处理该类型的媒体数据的子网络的结构。具体地，可以将媒体数据的类型输入预先训练的网络结构采样器，利用网络结构采样器对训练完成的超网络进行结构采样。该采样器可以实现为循环神经网络、卷积神经网络，等等。

从训练完成的超网络中搜索出子网络结构之后，可以利用搜索出的子网络对待处理的媒体数据进行处理，得到处理结果。搜索出的子网络继承了超网络中的对应参数，无需再经过训练。并且该子网络能够达到与独立训练相同的网络结构一致的性能。因而，上述训练完成的超网络可适用于快速搜索出处理各种类型的媒体数据的网络结构，且针对不同类型的深度学习任务均可达到良好的性能。

基于现有技术的超网络训练方法，需在超网络训练完成后采样出子网络，并针对子网络与独立训练的相同结构的网络的性能之间的一致性进行评估，因此评估超网络与独立训练的网络结构的性能之间的一致性的时间成本较高，导致在基于超网络进行网络结构自动搜索时无法快速搜索出性能较好的子网络，不利于高效地搜索网络结构。而本实施例由于在超网络训练过程中考虑不同子网络的顺序对超网络性能的影响，训练出采样出的子网络可达到与独立训练的网络结构的性能一致的超网络，从而在基于超网络进行网络结构自动搜索时可以高效地搜索出性能良好的子网络，提升了网络结构自动搜索的效率，从而在执行深度学习任务时可以灵活地且快速地搜索出适合的网络结构，提升了基于超网络执行深度学习任务的灵活性和实时性。

请参考图4，作为对上述用于训练超网络的方法的实现，本公开提供了一种用于训练超网络的装置的一个实施例，该装置实施例与图2和图3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4所示，本实施例的用于训练超网络的装置400包括初始化单元401和训练单元402。其中，初始化单元401被配置为初始化待训练的超网络并对初始化后的超网络进行复制得到相同的第一超网络和第二超网络；训练单元402被配置为通过依次执行多次迭代操作对待训练的超网络进行训练；其中，迭代操作包括：对第一超网络进行采样得到第一子网络序列，对第一子网络序列进行乱序处理得到第二子网络序列；基于第一超网络训练第一子网络序列，基于第一子网络序列的训练结果对第一超网络进行拟更新；基于第二超网络训练第二子网络序列，基于第二子网络序列的训练结果对第二超网络进行拟更新；响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围，将拟更新后的第一超网络作为新的第一超网络，将拟更新后的第二超网络作为新的第二超网络，执行下一次迭代操作。

在一些实施例中，上述训练单元402执行的迭代操作还包括：确定拟更新后的第一超网络的性能关于拟更新后的第一超网络的参数的第一分布；确定拟更新后的第二超网络的性能关于拟更新后的第二超网络的参数的第二分布；响应于确定第一分布与第二分布之间的距离小于预设的距离阈值，确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围。

在一些实施例中，上述训练单元402执行的迭代操作还包括：响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异超过预设的范围，执行下一次迭代操作并在下一次迭代操作中重新对第一超网络进行采样得到新的第一子网络序列。

在一些实施例中，上述训练单元402执行的迭代操作还包括：响应于确定当前的第一超网络满足预设的收敛条件，停止执行迭代操作，确定当前的第一超网络为训练完成的超网络。

在一些实施例中，上述装置还包括：搜索单元，被配置为根据待处理的媒体数据的类型，基于训练完成的超网络进行模型结构搜索，搜索出用于处理对应类型的数据的子网络，以利用搜索出的子网络对待处理的媒体数据进行处理。

上述装置400中的各单元与参考图2和图3描述的方法中的步骤相对应。由此，上文针对用于训练超网络的方法描述的操作、特征及所能达到的技术效果同样适用于装置400及其中包含的单元，在此不再赘述。

下面参考图5，其示出了适于用来实现本公开的实施例的电子设备(例如图1所示的服务器)500的结构示意图。图5示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图5所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：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506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，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。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

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509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描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、或半导体的系统、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。在本公开的实施例中，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系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，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系统、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：初始化待训练的超网络并对初始化后的超网络进行复制得到相同的第一超网络和第二超网络；通过依次执行多次迭代操作对待训练的超网络进行训练；其中，迭代操作包括：对第一超网络进行采样得到第一子网络序列，对第一子网络序列进行乱序处理得到第二子网络序列；基于第一超网络训练第一子网络序列，基于第一子网络序列的训练结果对第一超网络进行拟更新；基于第二超网络训练第二子网络序列，基于第二子网络序列的训练结果对第二超网络进行拟更新；响应于确定拟更新后的第一超网络与拟更新后的第二超网络的性能之间的差异不超过预设的范围，将拟更新后的第一超网络作为新的第一超网络，将拟更新后的第二超网络作为新的第二超网络，执行下一次迭代操作。

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实施例的操作的计算机程序代码，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系统、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系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的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：一种处理器包括初始化单元和训练单元。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，初始化单元还可以被描述为“初始化待训练的超网络并对初始化后的超网络进行复制得到相同的第一超网络和第二超网络的单元”。

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。