网络搜索方法、装置、存储介质及电子设备与流程

本发明涉及计算机，尤其涉及一种网络搜索方法、装置、存储介质及电子设备。

背景技术：

1、目前，神经网络结构搜索方法(neural architecture search，nas)已被广泛应用，所谓的神经网络结构搜索是自动机器学习中的热点问题之一，可通过设计经济高效的搜索方法，自动获得泛化能力强、硬件友好的神经网络结构；但现有技术通常是基于图像数据展开的，无法对适配于表格数据的网络结构进行搜索。基于此，如何对适配于表格数据的网络结构进行网络搜索成为一个研究热点。

技术实现思路

1、有鉴于此，本发明实施例提供了一种网络搜索方法、装置、存储介质及电子设备，以解决相关技术无法对适配于表格数据的网络结构进行网络搜索的问题；也就是说，本发明实施例可对适配于表格数据的网络结构进行网络搜索，从而实现在目标超网结构模型中选取出较优的目标子网结构模型，以通过目标子网结构模型对目标表格数据进行数据预测，以提高数据预测的精确性。

2、根据本发明的一方面，提供了一种网络搜索方法，所述方法包括：

3、获取训练表格数据，所述训练表格数据包括训练表格中的至少一个表格样本，且一个表格样本包括至少一个表格特征；

4、确定所述训练表格数据对应的拼接指示信息，并采用所述训练表格数据和所述拼接指示信息，对初始超网结构模型进行模型训练，得到模型训练后的初始超网结构模型，以基于所述模型训练后的初始超网结构模型，获取目标超网结构模型，所述目标超网结构模型包括多个待选取子网结构模型；

5、从所述目标超网结构模型中选取出目标子网结构模型，所述目标子网结构模型的模型指标优于所述多个待选取子网结构模型中其他子网结构模型的模型指标，且所述目标子网结构模型用于对待预测的目标表格数据进行数据预测。

6、根据本发明的另一方面，提供了一种网络搜索装置，所述装置包括：

7、获取单元，用于获取训练表格数据，所述训练表格数据包括训练表格中的至少一个表格样本，且一个表格样本包括至少一个表格特征；

8、处理单元，用于确定所述训练表格数据对应的拼接指示信息，并采用所述训练表格数据和所述拼接指示信息，对初始超网结构模型进行模型训练，得到模型训练后的初始超网结构模型，以基于所述模型训练后的初始超网结构模型，获取目标超网结构模型，所述目标超网结构模型包括多个待选取子网结构模型；

9、所述处理单元，还用于从所述目标超网结构模型中选取出目标子网结构模型，所述目标子网结构模型的模型指标优于所述多个待选取子网结构模型中其他子网结构模型的模型指标，且所述目标子网结构模型用于对待预测的目标表格数据进行数据预测。

10、根据本发明的另一方面，提供了一种电子设备，所述电子设备包括处理器、以及存储程序的存储器，其中，所述程序包括指令，所述指令在由所述处理器执行时使所述处理器执行上述所提及的方法。

11、根据本发明的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使计算机执行上述所提及的方法。

12、本发明实施例可在获取到训练表格数据后，确定训练表格数据对应的拼接指示信息，并采用训练表格数据和拼接指示信息，对初始超网结构模型进行模型训练，得到模型训练后的初始超网结构模型，以基于模型训练后的初始超网结构模型，获取目标超网结构模型，目标超网结构模型包括多个待选取子网结构模型；然后，可从目标超网结构模型中选取出目标子网结构模型，目标子网结构模型的模型指标优于多个待选取子网结构模型中其他子网结构模型的模型指标，且目标子网结构模型用于对待预测的目标表格数据进行数据预测。可见，本发明实施例可对适配于表格数据的网络结构进行网络搜索，从而实现在目标超网结构模型中选取出较优的目标子网结构模型，以通过目标子网结构模型对目标表格数据进行数据预测，以提高数据预测的精确性。

技术特征：

1.一种网络搜索方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，一个超网结构模型包括嵌入搜索模块，一个超网结构模型对应至少一个搜索参数，所述至少一个搜索参数包括嵌入搜索模块参数，且所述嵌入搜索模块参数的取值用于指示：嵌入搜索模块的神经元个数；所述采用所述训练表格数据和所述拼接指示信息，对初始超网结构模型进行模型训练，得到模型训练后的初始超网结构模型，包括：

3.根据权利要求2所述的方法，一个超网结构模型还包括至少一个标准搜索模块，且所述至少一个搜索参数还包括第一标准搜索模块参数，所述第一标准搜索模块参数的取值用于指示：网络结构中标准搜索模块的数量；所述方法还包括：

4.根据权利要求3所述的方法，其特征在于，所述至少一个搜索参数还包括：所述第一标准搜索模块参数的采样值所指示的各个标准搜索模块的第二标准搜索模块参数，一个第二标准搜索模块参数的取值用于指示：相应标准搜索模块的神经元个数；所述基于所述嵌入搜索参数采样结果和所述第一标准搜索模块参数的采样值，从所述初始超网结构模型中确定出训练子网结构模型，包括：

5.根据权利要求4所述的方法，其特征在于，所述基于所述各个标准搜索模块对应第二标准搜索模块参数的采样值，分别确定所述各个标准搜索模块的标准搜索参数采样结果，包括：

6.根据权利要求4所述的方法，其特征在于，一个超网结构模型还包括嵌入模块，所述至少一个搜索参数还包括嵌入参数，所述嵌入参数的取值用于指示：嵌入模块中的嵌入个数；所述方法还包括：

7.根据权利要求1-6任一项所述的方法，其特征在于，一个超网结构模型包括至少一个标准搜索模块，一个超网结构模型对应至少一个搜索参数，所述至少一个搜索参数包括第一标准搜索模块参数，所述第一标准搜索模块参数的取值用于指示：网络结构中标准搜索模块的数量；所述训练表格数据是通过对所述初始超网结构模型中选取出的训练子网结构模型进行模型训练，以实现对所述初始超网结构模型进行模型训练的，所述训练子网结构模型的确定方式还包括：

8.根据权利要求1-6任一项所述的方法，其特征在于，一个超网结构模型包括分类搜索模块，所述训练表格数据是通过对所述初始超网结构模型中选取出的训练子网结构模型进行模型训练，以实现对所述初始超网结构模型进行模型训练的，所述训练子网结构模型的确定方式还包括：

9.根据权利要求1-6任一项所述的方法，其特征在于，一个超网结构模型对应至少一个搜索参数；所述从所述目标超网结构模型中选取出目标子网结构模型，包括：

10.一种网络搜索装置，其特征在于，所述装置包括：

11.一种电子设备，其特征在于，包括：

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使计算机执行根据权利要求1-9中任一项所述的方法。

技术总结
本发明提供一种网络搜索方法、装置、存储介质及电子设备，其中，该方法包括：获取训练表格数据；确定训练表格数据对应的拼接指示信息，并采用训练表格数据和拼接指示信息，对初始超网结构模型进行模型训练，得到模型训练后的初始超网结构模型，以基于模型训练后的初始超网结构模型，获取目标超网结构模型，目标超网结构模型包括多个待选取子网结构模型；从目标超网结构模型中选取出目标子网结构模型，目标子网结构模型的模型指标优于多个待选取子网结构模型中其他子网结构模型的模型指标，且目标子网结构模型用于对待预测的目标表格数据进行数据预测。本发明实施例可对适配于表格数据的网络结构进行网络搜索，从而得到目标子网结构模型。

技术研发人员：张凯昱,杨青
受保护的技术使用者：度小满科技(北京)有限公司
技术研发日：
技术公布日：2024/1/15