(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210505507.7 (22)申请日 2022.05.10 (71)申请人 腾讯医疗健康 （深圳） 有限公司 地址 518000 广东省深圳市前海深港合作 区前湾一路1号A栋201室 (72)发明人 柳露艳　郑冶枫　 (74)专利代理 机构 北京派特恩知识产权代理有 限公司 1 1270 专利代理师 崔晓岚　吴素花 (51)Int.Cl. G06F 16/583(2019.01) G06V 10/25(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/764(2022.01)G06V 10/80(2022.01) G06K 9/62(2022.01) G06T 7/00(2017.01) G06T 7/11(2017.01) (54)发明名称 一种模型搜索方法、 装置、 设备及存储介质、 程序产品 (57)摘要 本申请提供了一种模型搜索方法、 装置、 设 备及存储介质、 程序产品； 本申请实施例可以应 用于云技术、 人工智能、 智慧交通、 车载、 医疗等 各种场景， 涉及人工智能技术； 该方法包括： 基于 搜索数据集， 从搜索空间中为目标超网络中的多 个网络单元分别搜索网络粒度的第一权值和算 子粒度的多个第二权值； 依据第一权值， 从目标 超网络的多个网络单元中提取至少两个目标网 络单元， 并利用至少两个目标网络单元连接得到 目标网络 结构； 基于多个第二权值和多个操作算 子， 生成目标网络结构的每个目标网络单元所对 应的目标算子； 利用目标算子和每个目标网络单 元， 构建得到目标搜索模 型， 完成模型搜索。 通过 本申请， 能够提高模型搜索的性能。 权利要求书4页 说明书21页 附图8页 CN 115114470 A 2022.09.27 CN 115114470 A 1.一种模型搜索方法， 其特 征在于， 所述方法包括： 基于搜索数据集， 从搜索空间中为目标超 网络中的多个网络单元分别 搜索网络粒度的 第一权值和算子粒度的多个第二权值； 其中， 所述网络粒度是对搜索模型 的外部结构产生 影响的权值粒度， 所述算子粒度是对搜索模型内部的算子产生影响的权值粒度， 所述 目标 超网络是由所有候选网络结构所构成的集 合； 依据所述第一权值， 从所述目标超网络的多个网络单元中提取至少两个目标网络单 元， 并利用至少两个所述目标网络单 元连接得到目标网络结构； 基于多个所述第 二权值和多个操作算子， 生成所述目标网络结构的每个所述目标网络 单元所对应的目标算子； 利用所述目标算子和每 个所述目标网络单 元， 构建得到目标搜索模型， 完成模型搜索。 2.根据权利要求1所述的方法， 其特征在于， 所述基于搜索数据集， 从搜索空间中为目 标超网络中的多个网络单元分别搜索网络粒度的第一权值和算子粒度的多个第二权值， 包 括： 基于所述搜索空间， 构建稀疏超网络； 所述目标超网络的深度和宽度大于所述稀疏超 网络的深度和宽度； 通过所述搜索数据集将所述稀疏超 网络进行迭代更新， 从所述搜索空间中确定候选空 间； 通过所述搜索数据集对所述目标超 网络进行迭代更新， 从所述候选空间中为所述目标 超网络的每个网络单元分别搜索 网络粒度的所述第一权值和 算子粒度的多个所述第二权 值。 3.根据权利要求2所述的方法， 其特征在于， 所述搜索数据集包括： 训练图像数据和验 证图像数据； 所述通过所述搜索数据集将所述稀疏超网络进行迭代更新， 从所述搜索空间 中确定候选空间， 包括： 基于所述训练图像数据， 对第 k轮迭代的第一初始超 网络的模型参数进行更新， 得到第 k轮迭代的第一临时超网络； 其中， k为正整数， 第1轮迭代的第一初始超网络为所述稀疏超 网络； 基于所述验证图像数据， 对第k轮迭代的第一临时超网络的每个网络单元的网络粒度 的权值进行 更新， 得到第k轮迭代的第一中间超网络； 基于所述验证图像数据， 对第k轮迭代的第一中间超网络的每个网络单元的算子粒度 的权值进行更新， 得到第k轮迭代的第一更新超网络， 并将第k轮迭代的第一更新超网络作 为第k+1轮迭代的第一初始超网络； 当将k达到M时， 基于第M轮迭代的第一更新超网络的每个网络单元的算子粒度的权值， 从所述搜索空间中确定所述 候选空间； M是第一迭代总次数。 4.根据权利要求3所述的方法， 其特征在于， 所述基于第M轮迭代的第一更新超网络的 每个网络单 元的算子粒度的权值， 从所述搜索空间中确定所述 候选空间， 包括： 针对所述搜索空间中的算子粒度的候选权值和第M轮迭代的第 一更新超 网络的每个网 络单元的算子粒度的权值进行差异计算， 得到 权值差异； 从所述搜索空间中， 将所述权值差异大于差异阈值的所述算子粒度的候选权值进行剔 除， 得到所述 候选空间。权　利　要　求　书 1/4 页 2 CN 115114470 A 25.根据权利要求3所述的方法， 其特征在于， 所述基于所述训练图像数据， 对第 k轮迭代 的第一初始超网络的模型参数进行 更新， 得到第k轮迭代的第一临时超网络， 包括： 通过第k轮迭代的第一初始超 网络， 对所述训练图像数据进行兴趣对象的区域分割， 得 到第一分割区域； 利用所述第 一分割区域， 以及所述兴趣对象在所述训练图像数据中的标注区域之间的 损失值， 对第k轮迭代的第一初始超网络的模型参数进行更新， 得到第k轮迭代的第一临时 超网络。 6.根据权利要求3所述的方法， 其特征在于， 所述基于所述验证图像数据， 对第 k轮迭代 的第一临时超网络的每个网络单元 的网络粒度的权值进行更新， 得到第k轮迭代的第一中 间超网络， 包括： 通过第k轮迭代的第一临时超 网络， 对所述验证图像数据进行兴趣对象的区域分割， 得 到第二分割区域； 利用所述第 二分割区域， 以及所述兴趣对象在所述验证图像数据中的标注区域之间的 损失值， 对第k轮迭代的第一临时超网络的每个网络单元的网络粒度的权值进 行更新， 得到 第k轮迭代的第一中间超网络 。 7.根据权利要求3所述的方法， 其特征在于， 所述基于所述验证图像数据， 对第 k轮迭代 的第一中间超网络的每个网络单元 的算子粒度的权值进行更新， 得到第k轮迭代的第一更 新超网络， 包括： 通过第k轮迭代的第一中间超 网络， 对所述验证图像数据进行兴趣对象的区域分割， 得 到第三分割区域； 利用所述第 三分割区域， 以及所述兴趣对象在所述验证图像数据中的标注区域之间的 损失值， 对第k轮迭代的第一中间超网络的每个网络单元的算子粒度的权值进 行更新， 得到 第k轮迭代的第一更新超网络 。 8.根据权利要求2至7任一项所述的方法， 其特征在于， 所述搜索数据集包括： 训练图像 数据和验证图像数据； 所述通过所述搜索数据集对所述 目标超网络进行迭代更新， 从所述 候选空间中为所述目标超网络的每个网络单元分别搜索 网络粒度的所述第一权值和 算子 粒度的多个所述第二权值， 包括： 基于所述训练图像数据， 对第 i轮迭代的第二初始超 网络的模型参数进行更新， 得到第 i轮迭代的第二临时超网络； i 为正整数， 第1轮迭代的第二初始超网络为目标超网络； 基于所述验证图像数据， 对第i轮迭代的第二临时超网络的每个网络单元的网络粒度 的权值进行 更新， 得到第i轮迭代的第二中间超网络； 基于所述验证图像数据， 对第i轮迭代的第二中间超网络的每个网络单元的算子粒度 的权值进行更新， 得到第i轮迭代的第二更新超网络， 并将第i轮迭代的第二更新超网络作 为第i+1轮迭代的第二初始更新网络； 当i达到N时， 将第N轮迭代 的第二更新超网络的每个网络单元网络粒度的权值确定为 所述第一权值， 将第N轮迭代的第二更新超网络的每个网络单元 的算子粒度的权值确定为 所述第二权值； N是第二迭代总次数。 9.根据权利要求1至7任一项所述的方法， 其特征在于， 所述基于搜索数据集， 从搜索空 间中为目标超网络中的多个网络单元分别搜索 网络粒度的第一权值和 算子粒度的多个第权　利　要　求　书 2/4 页 3 CN 115114470 A 3