技术摘要：
本公开的实施例公开了用于生成网络模型信息的方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：对预先训练的超网络进行多次采样，得到第一网络模型集合；基于该第一网络模型集合和演化算法，生成第二网络模型集合，其中，该演化算法的演化过程中加  全部
背景技术：
包括：对预先训练的超 网络进行多次采样，得到第一网络模型集合；基 于该第一网络模型集合和演化算法，生成第二网 络模型集合，其中，该演化算法的演化过程中加 入时延约束以使该第二网络模型集合中的网络 模型的时延满足预先设定的范围；基于该第二网 络模型集合中各个网络模型的时延和准确度，确 定帕累托曲线。该实施方式实现了在资源受限的 条件下，可以高效的确定出多个时延下的网络结 构。 CN 111582482 A CN 111582482 A 权　利　要　求　书 1/2 页 1.一种用于生成网络模型信息的方法，包括： 对预先训练的超网络进行多次单路径随机采样，得到第一网络模型集合； 基于所述第一网络模型集合和演化算法，生成第二网络模型集合，其中，所述演化算法 的演化过程中加入时延约束以使所述第二网络模型集合中的网络模型的时延满足预先设 定的范围； 基于所述第二网络模型集合中各个网络模型的时延和准确度，确定帕累托曲线。 2.根据权利要求1所述的方法，其中，所述方法还包括： 基于所述帕累托曲线和目标时延，确定相应的网络模型； 对所确定的网络模型进行训练，得到训练结束后的网络模型。 3.根据权利要求2所述的方法，其中，所述方法还包括： 响应于所述训练结束后的网络模型包括目标检测网络，可以利用所述训练结束后的网 络模型进行人脸识别。 4.根据权利要求1所述的方法，其中，所述对预先训练的超网络进行多次单路径随机采 样，得到第一网络模型集合，包括： 从所述预先训练的超网络对应的路径集合中，选取预设数目条路径，以及将所述预设 数目条路径所对应的网络作为所述第一网络模型集合。 5.根据权利要求1所述的方法，其中，所述网络模型的时延通过查询时延预测表得到。 6.根据权利要求1所述的方法，其中，所述基于所述第一网络模型集合和演化算法，生 成第二网络模型集合，包括： 对所述第一网络模型集合进行编码，以及将所述编码后的结果确定为演化算法的初始 父代种群； 基于对所述初始父代种群进行演化，生成子代种群； 将所述子代种群确定为第二网络模型集合。 7.根据权利要求6所述的方法，其中，所述基于对所述初始父代种群进行演化，生成子 代种群，包括： 对所述初始父代种群执行以下演化步骤： 对所述初始父代种群选取时延符合预设条件的网络，得到选取结果； 基于所述预先训练的超网络的权重，确定选取结果中各个子网络的权重； 基于所述权重，确定所述选取结果中各个网络的准确度； 基于准确度，对所述选取结果进行排序，得到网络序列； 基于排序结果进行演化，得到初始子代种群； 响应于演化次数等于预先设定的数目，生成子代种群； 响应于演化次数小于预先设定的数目，将初始子代种群和所述排序结果作为新的初始 父代种群，继续执行所述演化步骤。 8.一种用于生成网络模型信息的装置，包括： 采样单元，被配置成对预先训练的超网络进行多次采样，得到第一网络模型集合； 生成单元，被配置成基于所述第一网络模型集合和演化算法，生成第二网络模型集合， 其中，所述演化算法的演化过程中加入时延约束以使所述第二网络模型集合中的网络模型 的时延满足预先设定的范围； 2 CN 111582482 A 权　利　要　求　书 2/2 页 确定单元，被配置成基于所述第二网络模型集合中各个网络模型的时延和准确度，确 定帕累托曲线。 9.一种电子设备，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； 当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器 实现如权利要求1-7中任一所述的方法。 10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其中，所述程序被处理 器执行时实现如权利要求1-7中任一所述的方法。 3 CN 111582482 A 说　明　书 1/10 页 用于生成网络模型信息的方法、装置、设备和介质 技术领域 本公开的实施例涉及计算机技术领域，具体涉及用于生成网络模型信息的方法、 装置、设备和计算机可读介质。
技术实现要素：
目前，神经网络搜索存在的问题是在搜索过程中，无法较好的同时兼顾神经网络 的速度和准确度。需求一种在资源受限的情况下，可以高效、准确的搜索出多个时延下网络 结构的方法。