[发明专利]一种在机器学习中调整模型参数的方法及装置

说明书

本发明公开一种在机器学习中调整模型参数的方法及装置，包括：获取输入数据；所述输入数据中包括数据标签；判断所述数据标签的数据类型；根据所述数据类型，选取待训练的网络模型，并选取用于优化所述网络模型的损失函数；根据当前策略选取所述网络模型的模型参数；采用所述模型参数训练所述网络模型，并根据所述损失函数计算损失值；将所述损失值作为当前策略的奖励；根据所述奖励更新当前策略，并循环执行上述训练步骤，直至当前策略收敛。本发明提供的技术方案，能够有目标地对参数进行查找，从而缩短参数调整时间、提高工作效率。

技术领域

本发明涉及机器学习技术领域，尤其涉及一种在机器学习中调整模型参数的方法及装置。

背景技术

在机器学习中，超参数调整和网络架构设计一直是一个较为复杂的过程，其对于技术人员的理论知识和经验要求非常高。目前对于机器学习模型的超参数调整，通常都是直接在参数空间内进行搜索、尝试，而这种搜索、尝试过程并没有明确的目标，具有较大的随机性，从而导致系统尝试次数较多、获取理想参数的时间较长。

发明内容

本发明旨在提供一种在机器学习中调整模型参数的方法及装置，能够有目标地对参数进行查找，从而缩短参数调整时间、提高工作效率。

为达到上述目的，本发明采用的技术方案如下：

一种在机器学习中调整模型参数的方法，包括：

S1：获取输入数据；所述输入数据中包括数据标签；

S2：判断所述数据标签的数据类型；

S3：根据所述数据类型，选取待训练的网络模型，并选取用于优化所述网络模型的损失函数；

S4：根据当前策略选取所述网络模型的模型参数；

S5：采用所述模型参数训练所述网络模型，并根据所述损失函数计算损失值；将所述损失值作为当前策略的奖励；

S6：根据所述奖励更新当前策略，并循环执行步骤S4～S5，直至当前策略收敛。

进一步地，所述数据类型包括：连续型，类别型；当所述数据类型为连续型时，所述待训练的网络模型为回归网络模型，所述损失函数为回归损失函数；当所述数据类型为类别型时，所述待训练的网络模型为分类网络模型，所述损失函数为分类损失函数。

优选地，判断所述当前策略收敛的方法包括：在循环执行步骤S4～S5的过程中，相邻两次所述奖励不变。

一种在机器学习中调整模型参数的装置，包括：获取单元，用于获取输入数据；所述输入数据中包括数据标签；判断单元，用于判断所述数据标签的数据类型；第一选取单元，用于根据所述数据类型，选取待训练的网络模型，并选取用于优化所述网络模型的损失函数；第二选取单元，用于根据当前策略选取所述网络模型的模型参数；模型训练单元，用于采用所述模型参数训练所述网络模型，并根据所述损失函数计算损失值；将所述损失值作为当前策略的奖励；更新单元，用于根据所述奖励更新当前策略；所述更新单元、所述第二选取单元、所述模型训练单元依次循环地进行参数传递，直至当前策略收敛。

本发明实施例提供的在机器学习中调整模型参数的方法及装置，基于输入数据来确定网络模型和相应的损失函数，基于当前策略来选取模型参数，采用模型参数对网络模型进行训练后，将损失值作为当前策略的奖励，并根据奖励来更新当前策略。随着当前策略的循环更新，每次训练网络模型时采用的模型参数也不断调整，即系统能够自动根据策略来调整模型参数，使得对模型参数的获取具有目标性，有效解决了现有技术中对模型参数进行随机选取而造成的参数调整时间较长的问题。综上所述，本发明的技术方案能够有目标地对参数进行查找，从而缩短参数调整时间、提高工作效率。

附图说明

图1为本发明实施例的方法流程图；