基于神经网络的信息处理方法和设备的制作流程

本公开涉及计算机数据处理领域。本公开的实施例公开了基于神经网络的信息处理方法和装置、电子设备和计算机可读介质。该基于神经网络的信息处理方法包括：获取输入信息；基于输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，其中，参数存储器是预先基于主神经网络的全连接层构建的；基于参数存储器中的各参数的概率分布，确定主神经网络的全连接层关于输入信息的参数组合模式；基于全连接层关于输入信息的参数组合模式，更新主神经网络的全连接层，并基于更新全连接层之后的主神经网络对输入信息进行处理，得到所与输入信息对应的输出信息。该方法实现了基于输入信息的主神经网络的参数的自动动态调整。

权利要求书

1.一种基于神经网络的信息处理方法，包括：

获取输入信息；

基于所述输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，其中，所述参

数存储器是预先基于主神经网络的全连接层构建的；

基于所述参数存储器中的各参数的概率分布，确定所述主神经网络的全连接层关于所述输入信息的参数组合模式；

基于所述全连接层关于所述输入信息的参数组合模式，更新所述主神经网络的全连接层，并基于更新全连接层之后的主神经网络对所述输入信息进行处理，得到所与所述输入信息对应的输出信息。

2.根据权利要求1所述的方法，其中，所述方法还包括：

利用主神经网络的特征提取层对所述输入信息进行特征提取，得到所述输入信息的抽象表示；以及

所述基于所述输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，包括：

基于所述输入信息的抽象表示，采用元神经网络预测参数存储器中的各参数的概率分布；

所述基于更新全连接层之后的主神经网络对所述输入信息进行处理，包括：

基于更新后的全连接层对所述输入信息的抽象表示进行处理。

3.根据权利要求2所述的方法，其中，所述基于所述输入信息的抽象表示，采用元神经网络预测参数存储器中的各参数的概率分布，包括：

将所述输入信息的抽象表示作为所述元神经网络的动态参数，利用包含所述动态参数的元神经网络预测参数存储器中的各参数的概率分布。

4.根据权利要求1所述的方法，其中，所述基于所述参数存储器中的各参数的概率分布，确定所述主神经网络的全连接层关于所述输入信息的参数组合模式，包括：

将所述概率分布中的概率值作为所述全连接层中的对应参数所表征的权重系数，基于所述权重系数对所述主神经网络的全连接层的上一层的各节点进行加权求和之后做非线性变换，得到所述主神经网络的全连接层关于所述输入信息的参数组合模式。

5.根据权利要求1-4任一项所述的方法，其中，所述主神经网络是基于与所述输入信息同类型的样本信息预先训练得到的。

6.一种基于神经网络的信息处理装置，包括：

获取单元，被配置为获取输入信息；

预测单元，被配置为基于所述输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，其中，所述参数存储器是预先基于主神经网络的全连接层构建的；

确定单元，被配置为基于所述参数存储器中的各参数的概率分布，确定所述主神经网络的全连接层关于所述输入信息的参数组合模式；

处理单元，被配置为基于所述全连接层关于所述输入信息的参数组合模式，更新所述主神经网络的全连接层，并基于更新全连接层之后的主神经网络对所述输入信息进行处理，得到所与所述输入信息对应的输出信息。

7.根据权利要求6所述的装置，其中，所述装置还包括：

提取单元，被配置为利用主神经网络的特征提取层对所述输入信息进行特征提取，得到所述输入信息的抽象表示；以及

所述预测单元进一步被配置为：

基于所述输入信息的抽象表示，采用元神经网络预测参数存储器中的各参数的概率分布；

所述处理单元进一步被配置为：

基于更新后的全连接层对所述输入信息的抽象表示进行处理。

8.根据权利要求7所述的装置，其中，所述预测单元进一步被配置为：

将所述输入信息的抽象表示作为所述元神经网络的动态参数，利用包含所述动态参数的元神经网络预测参数存储器中的各参数的概率分布。

9.根据权利要求6所述的装置，其中，所述确定单元进一步被配置为按照如下方式确定所述主神经网络的全连接层关于所述输入信息的参数组合模式：

将所述概率分布中的概率值作为所述全连接层中的对应参数所表征的权重系数，基于所述权重系数对所述主神经网络的全连接层的上一层的各节点进行加权求和之后做非线性变换，得到所述主神经网络的全连接层关于所述输入信息的参数组合模式。

10.根据权利要求6-9任一项所述的装置，其中，所述主神经网络是基于与所述输入信息同类型的样本信息预先训练得到的。

11.一种电子设备，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，使得所述一个或多个处理器实现如权利要求1-5中任一所述的方法。

12.一种计算机可读介质，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1-5中任一所述的方法。

技术说明书

基于神经网络的信息处理方法和装置

技术领域

本公开的实施例涉及计算机技术领域，具体涉及计算机数据处理技术领域，尤其涉及基于神经网络的信息处理方法和装置。

背景技术

复杂决策系统的目标通常需要由多个策略来完成。神经网络可以用于对复杂决策系统建模来表达其中各子系统之间的非线性关系。但是，复杂决策系统通常包含多种不同的策略，如果只使用一个具有固定参数的神经网络建模，无法在同一个网络中学习得到多种不同的参数组合方式。也即，复杂决策系统的输入通常是变化的，使用同一个神经网络无法实现不同输入的情况下的策略调整。

目前的方案是使用混合专家网络(Mixture of Expert，MOE)，设置不同的专家网络对不同的策略建模，然后使用同一个门控矩阵从不同的专家网络中进行选择。

技术内容

本公开的实施例提出了基于神经网络的信息处理方法和装置、电子设备和计算机可读介质。

第一方面，本公开的实施例提供了一种基于神经网络的信息处理方法，包括：获取输入信息；基于输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，其中，参数存储器是预先基于主神经网络的全连接层构建的；基于参数存储器中的各参数的概率分布，确定主神经网络的全连接层关于输入信息的参数组合模式；基于全连接层关于输入信息的参数

组合模式，更新主神经网络的全连接层，并基于更新全连接层之后的主神经网络对输入信息进行处理，得到所与输入信息对应的输出信息。

在一些实施例中，上述方法还包括：利用主神经网络的特征提取层对输入信息进行特征提取，得到输入信息的抽象表示；以及上述基于输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，包括：基于输入信息的抽象表示，采用元神经网络预测参数存储器中的各参数的概率分布；上述基于更新全连接层之后的主神经网络对输入信息进行处理，包括：基于更新后的全连接层对输入信息的抽象表示进行处理。

在一些实施例中，上述基于输入信息的抽象表示，采用元神经网络预测参数存储器中的各参数的概率分布，包括：将输入信息的抽象表示作为元神经网络的动态参数，利用包含动态参数的元神经网络预测参数存储器中的各参数的概率分布。

在一些实施例中，上述基于参数存储器中的各参数的概率分布，确定主神经网络的全连接层关于输入信息的参数组合模式，包括：将概率分布中的概率值作为全连接层中的对应参数所表征的权重系数，基于权重系数对主神经网络的全连接层的上一层的各节点进行加权求和之后做非线性变换，得到主神经网络的全连接层关于输入信息的参数组合模式。

在一些实施例中，上述主神经网络是基于与输入信息同类型的样本信息预先训练得到的。

第二方面，本公开的实施例提供了一种基于神经网络的信息处理装置，包括：获取单元，被配置为获取输入信息；预测单元，被配置为基于输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，其中，参数存储器是预先基于主神经网络的全连接层构建的；确定单元，被配置为基于参数存储器中的各参数的概率分布，确定主神经网络的全连接层关于输入信息的参数组合模式；处理单元，被配置为基于全连接层关于输入信息的参数组合模式，更新主神经网络的全连接层，并基于更新全连接层之后的主神经网络对输入信息进行处理，得到所与输入信息对应的输出信息。

在一些实施例中，上述装置还包括：提取单元，被配置为利用主神经网络的特征提取层对输入信息进行特征提取，得到输入信息的抽象表示；以及上述预测单元进一步被配置为：基于输入信息的抽象表示，采用元神经网络预测参数存储器中的各参数的概率分布；上述处理单

元进一步被配置为：基于更新后的全连接层对输入信息的抽象表示进行处理。

在一些实施例中，上述预测单元进一步被配置为：将输入信息的抽象表示作为元神经网络的动态参数，利用包含动态参数的元神经网络预测参数存储器中的各参数的概率分布。

在一些实施例中，上述确定单元进一步被配置为按照如下方式确定主神经网络的全连接层关于输入信息的参数组合模式：将概率分布中的概率值作为全连接层中的对应参数所表征的权重系数，基于权重系数对主神经网络的全连接层的上一层的各节点进行加权求和之后做非线性变换，得到主神经网络的全连接层关于输入信息的参数组合模式。

在一些实施例中，上述主神经网络是基于与输入信息同类型的样本信息预先训练得到的。

第三方面，本公开的实施例提供了一种电子设备，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，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现如第一方面提供的基于神经网络的信息处理方法。

第四方面，本公开的实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现第一方面提供的基于神经网络的信息处理方法。

本公开的上述实施例的基于神经网络的信息处理方法和装置、电子设备及计算机可读介质，通过获取输入信息，随后基于输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，其中，参数存储器是预先基于主神经网络的全连接层构建的，然后基于参数存储器中的各参数的概率分布，确定主神经网络的全连接层关于输入信息的参数组合模式，根据参数组合模式调整主神经网络的全连接层的参数，之后基于调整全连接层的参数之后的主神经网络对输入信息进行处理，得到所与输入信息对应的输出信息，实现了基于输入信息的主神经网络的参数的自动动态调整，可以针对不同的输入使用不同的参数组合模式来执行神经网络的信息处理任务，解决了单一策略的模型表达能力差的问题，针对复杂任务可以达到良好的处理效果。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本公开的其它特征、目的和优点将会变得更明显：

图1是本公开的实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的基于神经网络的信息处理方法的一个实施例的流程图；

图3是根据本公开的基于神经网络的信息处理方法的另一个实施例的流程图；

图4是根据本公开的基于神经网络的信息处理方法所使用的算法原理示意图；

图5是本公开的基于神经网络的信息处理装置的一个实施例的结构示意图；

图6是适于用来实现本公开实施例的电子设备的计算机系统的结构示意图。

具体实施方式

下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释相关技术，而非对该技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关技术相关的部分。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了可以应用本公开的基于神经网络的信息处理方法或基于神经网络的信息处理装置的示例性系统架构100。

如图1所示，系统架构100可以包括如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。

终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。例如，图像处理类应用、信息分析类应用、语音助手类应用、购物类应用、金融类应用等。

终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是各种电子设备，包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

服务器105可以是提供各种服务的服务器，例如为终端设备101、102、103上安装的应用提供后端支持的后端服务器。例如，服务器105可以接收终端设备101、102、103发送的待处理的信息，使用基于神经网络的模型执行信息处理任务，并将处理结果返回至终端设备101、102、103。

在一些具体的示例中，终端设备101、102、103可以向服务器105发送与语音识别、文本分类、对话行为分类、图像识别等任务相关的信息处理请求。服务器105上可以运行已针对相应的任务训练得到的神经网络模型，利用该神经网络模型来处理信息。

需要说明的是，本公开的实施例所提供的基于神经网络的信息处理方法一般由服务器105执行，相应地，基于神经网络的信息处理装置一般设置于服务器105中。

还需要指出的是，在一些场景中，服务器105可以从数据库、存储器或其他设备获取待处理的信息，这时，示例性系统架构100可以不存在终端设备101、102、103和网络104。

需要说明的是，服务器105可以是硬件，也可以是软件。当服务器105为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器105为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块)，也可以实现成单个软件或软件模块。在此不做具体限定。

应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。

继续参考图2，其示出了根据本公开的基于神经网络的信息处理方法的一个实施例的流程200。该基于神经网络的信息处理方法，包括以下步骤：

步骤201，获取输入信息。

在本实施例中，上述基于神经网络的信息处理方法的执行主体可以首先从发出信息处理请求的电子设备获取待处理的信息作为输入信息，或者可以从数据库或存储器中读取待处理的信息作为输入信息。该输入信息是待输入至主神经网络、利用主神经网络执行处理任务的信息，可以包括文本、图像、或音视频等数据。

在实践中，上述执行主体可以是用于执行指定的信息处理任务的设备。在这里，指定的信息处理任务可以例如为语音识别、语音合成、语义分析、图像识别、目标跟踪、行为意图分析、趋势预测等可以使用神经网络模型建模的任务。输入信息可以是指定的信息处理任务的处理对象，例如在语音识别任务中，输入信息为语音信号，在图像识别任务中，输入信息为图像。

步骤202，基于输入信息，采用元神经网络预测参数存储器中的各参数的概率分布。

其中，参数存储器是预先基于主神经网络的全连接层构建的。主神经网络是用于执行信息处理任务的多层神经网络，可以包括特征提取层和全连接层。其中特征提取层用于提取输入主神经网络的数据的特征，全连接层依照一定的策略将特征提取层提取出的特征综合起来，从而将提取出的不同维度的特征整合。

上述执行主体可以预先基于主神经网络的全连接层的参数构建参数存储器。参数存储器包括主神经网络的全连接层的所有参数。在一些可选的实现方式中，参数存储器可以是二维的参数矩阵，矩阵中每个元素对应全连接层的一个参数。

可以基于输入信息，采用主神经网络之外的元神经网络来预测主神经网络的全连接层中各参

数的概率分布，即利用元神经网络来预测主神经网络中的全连接层对应于当前的输入信息的各参数的取值。

在本实施例中，元神经网络可以对输入信息进行预处理，例如提取特征之后，对输入信息进行预处理之后，元神经网络输出参数存储器中的各参数的概率分布。

元神经网络可以预先经过训练。在训练元神经网络时可以获取针对不同的输入信息动态调整的全连接层参数来构建样本集，基于样本集、采用有监督或无监督的学习方式训练元神经网络。

步骤203，基于参数存储器中的各参数的概率分布，确定主神经网络的全连接层关于输入信息的参数组合模式。

全连接层的参数是其上一层的各个节点的权重，全连接层的每个节点通过将上一层的多个节点加权求和来整合上一层的数据。通常全连接层的上一层的节点数量和全连接层的节点数量较多，因此全连接层的参数数量较多。在本实施例中，全连接层的参数的取值(即对应于全连接层的上一层的各个节点的权重)随输入信息动态变化。由此，全连接层的参数的不同组合模式可以表征主神经网络在对特征提取层提取出的特征进行进一步处理得到最后结果时所采用的不同的策略模式。在这里，参数组合模式是指全连接层的上一层各节点与其在全连接层中对应的权重的组合。具体来说，全连接层的上一层包括m个节点x1、x2、…、xm，全连接层包括n个节点y1、y2、…、yn，则全连接层至少包括m×n个参数，表示为二维参数矩阵Wm×n，参数组合模式为二维参数矩阵Wm×n的不同取值与对应的上一层节点和本层节点的组合。

例如，以全连接层的上一层包含3个节点x1、x2、x3，全连接层包括两个节点y1、y2为例，全连接层的参数表示为w11、w12、w13，w21、w22、w23，全连接层的参数组合模式为：y1＝w11×x1+w12×x2+w13×x3，y2＝w21×x1+w22×x2+w23×x3。

在本实施例中，可以将元神经网络输出的概率分布中各参数对应的概率值作为参数存储器中各参数的取值，与该参数对应的节点组合起来生成全连接层关于当前输入信息的参数组合模式。也即，根据预测出的概率分布，对上述参数矩阵Wm×n中的参数赋值，将Y＝Wm×nX作

为关于输入信息的参数组合模式，其中，Y＝{y1、y2、…、yn}，X＝{x1、x2、…、xm}。

在本实施例的一些可选的实现方式中，可以将概率分布中的概率值作为全连接层中的对应参数所表征的权重系数，基于权重系数对主神经网络的全连接层的上一层的各节点进行加权求和之后做非线性变换，得到主神经网络的全连接层关于输入信息的参数组合模式。

具体地，在将元神经网络输出的概率分布中各参数对应的概率值作为参数存储器中各参数(即全连接层的各权重系数)的取值，对全连接层的上一层节点利用对应的权重系数加权求和后，还可以做非线性变换，例如采用sigmoid，tanh、Relu等激活函数做非线性变换，使得全连接层的输出是可导的，这样可以确保可对全连接层的输出求导，从而确保主神经网络可以利用梯度下降法来迭代训练。

步骤204，基于全连接层关于输入信息的参数组合模式，更新主神经网络的全连接层，并基于更新全连接层之后的主神经网络对输入信息进行处理，得到所与输入信息对应的输出信息。

可以将步骤203确定出的主神经网络的全连接层关于输入信息的参数组合模式作为更新后的全连接层的策略模式。利用该更新后的全连接层的策略模式处理特征提取层的输出，得到特征的整合结果。然后可以在主神经网络中对特征整合结果进行分类，计算其分别属于每一个预定类别的概率，得到输入信息对应的输出信息；或者可以在主神经网络中对特征整合结果进行回归，得到输入信息对应的输出信息。

由于在确定参数存储器中各参数的概率分布时利用了获取到的输入信息，所以，本公开的上述实施例可以基于不同的输入信息生成全连接层参数的不同概率分布，由此实现了主神经网络的参数随输入信息的变换动态更新。通过动态地基于输入信息调整主神经网络的参数，能够使主神经网络更适应输入信息的变化，提升主神经网络对输入信息进行处理的处理效果。并且，上述针对输入信息动态调整参数的信息处理方法能够使得主神经网络提供多种策略逻辑的信息处理模式，从而解决了单一策略的模型表达能力差的问题，针对复杂任务可以达到良好的处理效果。

在本实施例的一些可选的实现方式中，上述主神经网络可以基于与输入信息同类型的样本信

息预先训练得到。可以首先确定主神经网络所执行的任务类型，例如语音识别、图像识别，然后根据任务类型确定相应的输入信息的数据类型和输出信息的数据类型。例如在语音识别任务中，输入信息是语音数据，输出信息是文本数据，则可以获取语音类的样本数据来构建用于训练主神经网络的样本集。还可以获取语音类的样本数据对应的文本类标注信息作为样本集的标注信息。这样，在训练完成后，主神经网络可以对与训练过程中输入的样本信息同类型的输入信息进行信息处理。

在本实施例的另一些可选的实现方式中，上述主神经网络还可以是利用与输入信息不同类型的样本信息预先训练得到的。这时，可以通过上述实施例的基于神经网络的信息处理方法，动态地调整主神经网络的参数，使其适应于对不同于训练过程中所使用的样本信息的类型的输入信息的处理。

继续参考图3，其示出了根据本公开的基于神经网络的信息处理方法的另一个实施例的流程图。如图3所示，本实施例的基于神经网络的信息处理方法的流程300，包括以下步骤：

步骤301，获取输入信息。

本实施例的步骤301与前述实施例的步骤201相同，步骤301的具体实现方式可以参考前述步骤201的描述，此处不再赘述。

步骤302，利用主神经网络的特征提取层对输入信息进行特征提取，得到输入信息的抽象表示。

在利用元神经网络预测参数存储器中各参数的概率分布之前，可以首先对输入信息进行特征提取，将输入信息转换为对应的抽象表示。

主神经网络可以例如是卷积神经网络，其中特征提取层可以包括卷积层、反卷积层、池化层中的至少一种。在实践中，特征提取层通常包括多个层，每层包括多个节点，可以将特征提取层中每一层的输出组合起来作为输入信息的抽象表示，或者可以将特征提取层中最后一层的输出作为输入信息的抽象表示。

步骤303，基于输入信息的抽象表示，采用元神经网络预测参数存储器中的各参数的概率分布。

在本实施例中，元神经网络可以基于步骤302得到的输入信息的抽象表示来预测参数存储器中各参数的概率分布。其中，参数存储器可以是预先基于主神经网络的全连接层的参数构建的。参数存储器包括主神经网络的全连接层的所有参数。在一些可选的实现方式中，参数存储器可以是二维的参数矩阵，矩阵中每个元素对应全连接层的一个参数。

可选地，可以将输入信息的抽象表示作为元神经网络的动态参数，利用包含动态参数的元神经网络预测参数存储器中的各参数的概率分布。

将输入信息表示为xi，特征提取层提取出的输入信息的抽象表示为F(xi)，主神经网络中的全连接层Zi可以表示为：

Zi＝WTF(xi)+b (1)

其中W∈RH×C表示全连接层的参数，H×C表示全连接层的参数所属参数空间的尺寸，b表示全连接层的偏差。

可以构建元神经网络GW(F((xi)，θG)来预测主神经网络中全连接层的参数的概率分布，θG表示元神经网络的参数，该元神经网络GW(F(xi)，θG)预测得出的概率分布可以作为全连接层中各对应参数的参数值。则公式(1)改写为：

Zi＝GW(F(xi),θG)TF(xi)+b (2)

参数存储器可以表示为一个二维矩阵M∈RK×(H×C)，其中，K×(H×C)表示二维矩阵的尺寸。则可以将元神经网络表示为：

GW(F(xi),θG)＝ψ(MTQ(F(xi),θQ)) (3)

其中，ψ是非线性变换函数，例如激活函数identity、Relu、sigmoid、tanh，等等；

Q(F(xi)，θQ)是一个神经网络模型，其中θQ表示该神经网络模型的参数，该神经网络模型可以是多层感知器模型、卷积神经网络模型或循环神经网络模型。

可以利用上述公式(3)来计算参数矩阵M中各参数的概率分布。

步骤304，基于参数存储器中的各参数的概率分布，确定主神经网络的全连接层关于输入信息的参数组合模式。

本实施例的步骤304与前述实施例的步骤203一致，步骤304的具体实现方式可以参考前述对步骤203的描述，此处不再赘述。

步骤305，基于全连接层关于输入信息的参数组合模式，更新主神经网络的全连接层，并基于更新后的全连接层对输入信息的抽象表示进行处理，得到所与输入信息对应的输出信息。

在确定出主神经网络的全连接层关于输入信息的参数组合模式之后，可以将该参数组合模式作为更新后的全连接层的参数组合模式，或者说将该参数组合模式作为更新后的全连接层对特征提取层的输出进行计算的策略模式，利用更新后的全连接层的策略模式对步骤302中得到的输入信息的抽象表示进行计算，具体可以利用步骤303得到的参数的概率分布作为全连接层的对应权重参数的值，基于权重参数对输入信息的抽象表示进行加权求和之后，做非线性变换，例如采用Relu、softmax、sigmoid等函数做非线性变换，并对非线性变换的结果进行分类或回归，得到输入信息的处理结果，即得到与输入信息对应的输出信息。

本实施例中对输入信息进行特征提取得到输入信息的抽象表示，能够提取出输入信息的有效特征，使得元神经网络利用输入信息的抽象表示来预测参数存储器中的参数的概率分布时能够高效地得出较为准确的预测结果。由于元神经网路不需要对输入信息进行特征提取，有效提升了元神经网络的预测速度，从而提升了主神经网络中全连接层的参数动态更新速度，进而提升了信息处理效率。

继续参考图4，其示出了根据本公开的基于神经网络的信息处理方法所使用的算法原理示意图。如图4所示，在第(1)步中，首先在主神经网络中将输入信息x转换为对应的抽象表示

F(x)；然后在第(2)步中，将输入信息x的抽象表示F(x)传输至元神经网络G，利用多层感知器

Q预测参数矩阵M中各参参数的概率分布，并与参数矩阵M整合得到主神经网络中的参数组合模式，其中多层感知器Q将输入信息x的抽象表示F(x)作为动态参数；之后在第(3)步中，将参数组合模式应用至主神经网络的全连接层得到全连接层的参数W(x)；在第(4)步中基于全连接层对输入信息的抽象F(x)进一步处理得到输出信息Ly。

从图4可以看出，本公开的上述实施例的方法中，在主神经网络的基础上增加了元神经网络和参数存储器来实现对已训练完成的主神经网络参数的动态调整，实施方式较为简单，不会增加过多的计算量。该方法可动态地根据输入信息设置多种逻辑模式，能够解决单一模型无法表达复杂系统的逻辑模式的问题。

进一步参考图5，作为对上述基于神经网络的信息处理方法的实现，本公开提供了一种基于神经网络的信息处理装置的一个实施例，该装置实施例与图2和图3所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的基于神经网络的信息处理装置500包括：获取单元501、预测单元502、确定单元503以及处理单元504。其中，获取单元501被配置为获取输入信息；预测单元502被配置为基于输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，其中，参数存储器是预先基于主神经网络的全连接层构建的；确定单元503被配置为基于参数存储器中的各参数的概率分布，确定主神经网络的全连接层关于输入信息的参数组合模式；处理单元504被配置为基于全连接层关于输入信息的参数组合模式，更新主神经网络的全连接层，并基于更新全连接层之后的主神经网络对输入信息进行处理，得到所与输入信息对应的输出信息。

在一些实施例中，上述装置还包括：提取单元，被配置为利用主神经网络的特征提取层对输入信息进行特征提取，得到输入信息的抽象表示；以及上述预测单元502进一步被配置为：基于输入信息的抽象表示，采用元神经网络预测参数存储器中的各参数的概率分布；上述处理单元504进一步被配置为：基于更新后的全连接层对输入信息的抽象表示进行处理。

在一些实施例中，上述预测单元502进一步被配置为：将输入信息的抽象表示作为元神经网络的动态参数，利用包含动态参数的元神经网络预测参数存储器中的各参数的概率分布。

在一些实施例中，上述确定单元503进一步被配置为按照如下方式确定主神经网络的全连接层关于输入信息的参数组合模式：将概率分布中的概率值作为全连接层中的对应参数所表征的权重系数，基于权重系数对主神经网络的全连接层的上一层的各节点进行加权求和之后做非线性变换，得到主神经网络的全连接层关于输入信息的参数组合模式。

在一些实施例中，上述主神经网络是基于与输入信息同类型的样本信息预先训练得到的。

应当理解，装置500中记载的诸单元与参考图2和图3描述的方法中的各个步骤相对应。由此，上文针对基于神经网络的信息处理方法描述的操作和特征同样适用于装置500及其中包含的单元，在此不再赘述。

本公开的上述实施例的基于神经网络的信息处理装置500，通过获取单元获取输入信息，随后预测单元基于输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，其中，参数存储器是预先基于主神经网络的全连接层构建的，然后确定单元基于参数存储器中的各参数的概率分布，确定主神经网络的全连接层关于输入信息的参数组合模式，根据参数组合模式调整主神经网络的全连接层的参数，之后处理单元基于调整全连接层的参数之后的主神经网络对输入信息进行处理，得到所与输入信息对应的输出信息，实现了基于输入信息的主神经网络的参数的动态调整，可以针对不同的输入使用不同的参数组合模式来执行神经网络的信息处理任务，解决了单一策略的模型表达能力差的问题，针对复杂任务可以达到良好的处理效果。

下面参考图6，其示出了适于用来实现本公开的实施例的电子设备(例如图1所示的服务

器)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计

算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计

算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电

子设备执行时，使得该电子设备：获取输入信息；基于输入信息，采用元神经网络预测参数存储器中的各参数的概率分布，其中，参数存储器是预先基于主神经网络的全连接层构建的；基于参数存储器中的各参数的概率分布，确定主神经网络的全连接层关于输入信息的参数组合模式；基于全连接层关于输入信息的参数组合模式，更新主神经网络的全连接层，并基于更新全连接层之后的主神经网络对输入信息进行处理，得到所与输入信息对应的输出信息。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开的实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、预测单元、确定单元和处理单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“获取输入信息的单元”。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的技术范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述技术构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。