本申請公開了一種模型種群的性能檢測方法、裝置及可讀存儲介質與設備。其方法包括：在對模型種群的網絡結構的搜索過程中，確定搜索得到的所述模型種群的平均精度和所述模型種群的模型精度的標準差；基于所述模型種群的平均精度和所述模型種群的模型精度的標準差，確定所述模型種群的質量參數；基于所述模型種群的質量參數，檢測所述模型種群是否滿足預設的質量要求條件。本申請通過使用基于模型種群的平均精度或者模型種群的模型精度的標準差確定的模型種群質量參數，進行模型種群的性能檢測，能夠有效地提高模型種群的性能檢測的準確性。

技術領域

本發明涉及處理器技術領域，具體涉及一種模型種群的性能檢測方法、裝置及可讀存儲介質與設備。

背景技術

人工智能(Artificial Intelligence)是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術學科。AI技術可以應用于機器人、語言識別、圖像識別、自然語言處理和專家系統等各種領域中，使用非常方便。

現有的AI技術中，大多需要基于神經網絡模型進行深度學習來實現。而神經網絡模型的網絡結構的搜索是深度學習任務中的首要問題?，F有技術中，通常采用進化算法實現網絡結構搜索。具體地，可以基于一個網絡結構原型生成一組網絡結構，作為初始模型種群。然后采用進化算法利用數據集對初始模型種群中的每個網絡結構進行搜索后，得到更新后的模型種群?，F有技術中，通過觀測搜索得到的模型種群的平均精度或精度方差來評估模型種群的性能，如與上一進化周期相比，精度不再升高或者方差不再下降，則認為搜索得到的該模型種群收斂，此時對應的模型種群性能最優，可以作為目標模型種群，不再進行搜索。此時，可以進一步基于性能最優的目標模型種群，從中獲取精度最高的網絡結構，作為搜索得到的目標網絡結構。

但是，現有技術中，僅通過觀測模型種群的平均精度或者精度方差來評測模型種群的收斂不夠全面，并不能評判性能最優的模型種群。特別是在搜索過程中，使用了參數共享，如果僅僅評測平均精度，則無法判斷精度收益來源于參數共享還是優化模型。因此，現有模型種群的性能檢測方案準確性較差。

發明內容

為了解決上述技術問題，提出了本申請的一種模型種群的性能檢測方法、裝置及可讀存儲介質與設備。

根據本申請的一個方面，提供了一種模型種群的性能檢測方法，包括：

在對模型種群的網絡結構的搜索過程中，確定搜索得到的所述模型種群的平均精度和所述模型種群的模型精度的標準差；

基于所述模型種群的平均精度和所述模型種群的模型精度的標準差，確定所述模型種群的質量參數；

基于所述模型種群的質量參數，檢測所述模型種群是否滿足預設的質量要求條件。

根據本申請的另一個方面，提供了一種模型種群的性能檢測裝置，包括：

確定模塊，用于在對模型種群的網絡結構的搜索過程中，確定搜索得到的所述模型種群的平均精度和所述模型種群的模型精度的標準差；

所述確定模塊，還用于基于所述模型種群的平均精度和所述模型種群的模型精度的標準差，確定所述模型種群的質量參數；

檢測模塊，用于基于所述模型種群的質量參數，檢測所述模型種群是否滿足預設的質量要求條件。

根據本申請的另一個方面，提供了一種計算機可讀存儲介質，所述存儲介質存儲有計算機程序，所述計算機程序用于執行上述任一所述的方法。

根據本申請的另一個方面，提供了一種電子設備，所述電子設備包括：處理器；用于存儲所述處理器可執行指令的存儲器；所述處理器，用于執行上述任一所述的方法。