1.本技术实施例涉及视觉程序生成领域，具体而言，涉及一种模块化的参数化视觉程序归纳算法、设备、介质及产品。
背景技术：2.使用程序语言来描述视觉内容有诸多好处，一方面其模拟了人类描述世界的过程，使用机器语言对所看到的视觉内容进行程序化描述；另一方面生成的程序内容可以用于自动化设计工具(如cad等)自动生成所需要的模型。
3.然而，目前针对视觉内容程序生成的技术均为基于非参数化的程序生成，其无法应用于复杂的视觉场景。具体地，一方面复杂的视觉场景需要更加复杂的视觉建模模型；另一方面，复杂的视觉场景需要更加复杂的程序描述，而复杂的程序描述会导致程序搜索空间爆炸。如何同时解决搜索空间爆炸、视觉程序归纳以及参数化程序生成是目前亟待解决的问题。
技术实现要素：4.本技术实施例在于提供一种模块化的参数化视觉程序归纳算法、设备、介质及产品，旨在同时解决搜索空间爆炸、视觉程序归纳以及参数化程序生成的问题。
5.本技术实施例第一方面提供一种模块化的参数化视觉程序归纳算法，包括：
6.构建模块化含参模型，所述模块化含参模型由多个含参子模型组成，不同的所述含参子模型包含不同种类的参数，所述参数用于描述数据的各种属性；
7.基于层次化蒙特卡洛树搜索算法和基础训练数据集，生成增广训练数据集；
8.基于所述训练数据集对所述模块化含参模型进行训练并优化，得到优化后的模块化含参模型，所述优化后的模块化含参模型由优化后的含参子模型组成。
9.可选地，一种模块化的参数化视觉程序归纳算法，还包括：
10.将待处理数据输入所述优化后的模块化含参模型；
11.所述优化后的模块化含参模型联合所述层次化蒙特卡洛树搜索算法对所述待处理数据进行处理，输出结果程序表达。
12.可选地，构建模块化含参模型，包括：
13.基于目标领域的不同种类的元函数，构建所述含参子模型，所述含参子模型定义为对应所述不同种类的参数的子神经网络；
14.将对应于每个所述不同种类的参数的含参子模型组成所述模块化含参模型，所述模块化含参模型为针对所述目标领域的所述含参子模型的集合。
15.可选地，所述优化后的模块化含参模型联合所述层次化蒙特卡洛树搜索算法对所述待处理数据进行处理，输出结果程序表达，包括：
16.所述优化后的模块化含参模型中基于不同种类的所述优化后的含参子模型，对所述待处理数据进行程序表达；
17.基于所述层次化蒙特卡洛树搜索算法，所述优化后的模块化含参模型搜索所述程序表达中符合所述待处理数据的程序表达作为目标程序表达；
18.所述优化后的模块化含参模型将所述目标程序表达整合为结果程序表达进行输出。
19.可选地，所述子神经网络，具体为：
[0020][0021]
其中，f为所述元函数，θ为所述参数，为所述子神经网络，为当前输入状态-目标输出状态的组合，θ则表示所述子神经网络在下的参数预测，此时对应的所述元函数为f(
·
|θ)；
[0022]
所述含参子模型的集合，具体为其中，表示所述目标领域内的所述元函数集合,fi表示所述元函数集合中第i个元函数。
[0023]
可选地，在构建模块化含参模型后，基于层次化蒙特卡洛树搜索算法和基础训练数据集，生成增广训练数据集，包括：
[0024]
所述含参子模型基于对应的所述不同种类的参数，对所述层次化蒙特卡洛树搜索算法提供搜索指引；
[0025]
所述层次化蒙特卡洛树搜索算法基于所述搜索指引，对所述基础训练数据集进行增广，得到所述增广训练数据集；
[0026]
所述层次化蒙特卡洛树搜索算法对所述含参子模型的组合方式进行增广，得到增广含参子模型组合。
[0027]
可选地，所述层次化蒙特卡洛树搜索算法基于所述搜索指引，对所述基础训练数据集进行增广，得到所述增广训练数据集，具体为：
[0028][0029][0030][0031]
其中，为在输入输出为时程序的概率；为输入输出为时对应的函数概率；为输入输出为时对应的参数概率；d(
·
)为所述目标领域中对应的距离度量函数，用于在构建时筛选可以缩小目标距离的所述元函数fi；argmin用于在构建所述子神经网络时选择可以最小化到目标距离的θ。
[0032]
可选地，生成训练数据集后，基于所述训练数据集对所述模块化含参模型进行训练并优化，得到优化后的模块化含参模型，包括：
[0033]
所述层次化蒙特卡洛树搜索算法基于所述搜索指引，依次搜索合适的增广含参子模型组合；
[0034]
将所述增广训练数据集输入所述合适的增广含参子模型组合，进行建模，并计算
损失函数值；
[0035]
基于所述损失函数值，对所述合适的增广含参子模型组合中的所述含参子模型对应的所述参数进行优化，得到优化后的含参子模型；
[0036]
将所述优化后的含参子模型组合成所述优化后的模块化含参模型。
[0037]
本技术实施例第二方面提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现本技术实施例所提出的一种模块化的参数化视觉程序归纳算法中的步骤。
[0038]
本技术实施例第三方面提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时以实现本技术实施例所提出的一种模块化的参数化视觉程序归纳算法中的步骤。
[0039]
本技术实施例第四方面提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时以实现本技术实施例所提出的一种模块化的参数化视觉程序归纳算法中的步骤。
[0040]
有益效果：
[0041]
本技术提供一种模块化的参数化视觉程序归纳算法、设备、介质及产品，通过构建模块化含参模型，并在层次化蒙特卡洛树搜索算法的配合下进行训练得到优化后的模块化含参模型，将待处理数据输入优化后的模块化含参模型，联合层次化蒙特卡洛树搜索算法对所述待处理数据进行处理，输出结果程序表达，具有以下优点：
[0042]
(1)通过构建并训练优化模块化含参模型，所含不同种类的参数及参数函数可以用于复杂的视觉场景，且对不同种类参数的高效表达可以处理多种场景下的各种模型生成合适的程序表达，泛化能力强。
[0043]
(2)通过联合层次化蒙特卡洛树搜索算法，在模块化含参模型的训练阶段增广模型训练数据，提升模型的训练效率，在测试阶段作为高效的搜索算法，解决了复杂的程序表达导致程序搜索空间爆炸的问题。
附图说明
[0044]
为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0045]
图1是本技术一实施例提出的模块化含参模型训练方法流程图；
[0046]
图2是本技术一实施例提出的一种模块化的参数化视觉程序归纳算法使用流程图。
具体实施方式
[0047]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0048]
相关技术中，针对视觉内容程序生成的技术均为基于非参数化的程序生成，其无法应用于复杂的视觉场景。具体地，一方面复杂的视觉场景需要更加复杂的视觉建模模型；另一方面，复杂的视觉场景需要更加复杂的程序描述，而复杂的程序描述会导致程序搜索空间爆炸。如何同时解决搜索空间爆炸、视觉程序归纳以及参数化程序生成是目前亟待解决的问题。
[0049]
有鉴于此，本技术实施例提出一种模块化的参数化视觉程序归纳算法，通过构建模块化含参模型，并在层次化蒙特卡洛树搜索算法的配合下进行训练得到优化后的模块化含参模型，将待处理数据输入优化后的模块化含参模型，联合层次化蒙特卡洛树搜索算法对所述待处理数据进行处理，输出合适的结果程序表达。
[0050]
首先对模块化的参数化视觉程序归纳算法中的模块化含参模型进行构建和训练。图1示出了模块化含参模型训练方法流程图，如图1所示，本技术实施例提供的模块化含参模型训练方法具体步骤如下：
[0051]
s101、构建模块化含参模型。
[0052]
具体实施时，首先确定多个不同种类的参数，所述参数用于描述数据的各种属性。不同种类的参数涉及尽可能多的领域与方向，用于表征各种类型的待处理数据可能的属性。例如，用于描述杯子底面半径的参数、用于描述瓶子高度的参数，用于描述箱子面积的参数等。
[0053]
随后针对每个所述不同种类的参数，以及目标领域的不同元函数(例如，cad领域的不同绘图指令)，构建对应于每个所述不同种类的参数的含参子模型，所述含参子模型定义为对应所述不同种类的参数的子神经网络。每个含参子模型中对应包含特定种类的子函数，每个子函数对应一种类型的参数，使得不同的含参子模型可以对应一种数据的属性，从而使每个含参子模型可以独立运作。
[0054]
所述子神经网络，具体为：
[0055][0056]
其中，f为所述元函数，θ为所述参数，为所述子神经网络，为当前输入状态-目标输出状态的组合，θ则表示所述子神经网络在下的参数预测，此时对应的所述元函数为f(
·
|θ)；
[0057]
所述含参子模型的集合，具体为其中，表示所述目标领域内的所述元函数集合,fi表示所述元函数集合中第i个元函数。
[0058]
将对应于每个所述不同种类的参数的含参子模型组成所述模块化含参模型。所述模块化含参模型为针对所述目标领域的所述含参子模型的集合，由多个含参子模型组成，不同的所述含参子模型包含不同种类的参数。
[0059]
s102、基于层次化蒙特卡洛树搜索算法和基础数据集，生成增广训练数据集。
[0060]
具体实施时，所述含参子模型基于对应的所述不同种类的参数，对所述层次化蒙特卡洛树搜索算法提供搜索指引。具体地，含参子模型中不同种类的参数为层次化蒙特卡洛树搜索算法提供先验知识作为搜索指引，缩小层次化蒙特卡洛树搜索算法的搜索空间。
[0061]
所述层次化蒙特卡洛树搜索算法基于所述搜索指引，排除掉与基础训练数据集中
的目标数据无关的数据，对基础训练数据集进行搜索空间的定向的增广，得到增广训练数据集。同时，所述层次化蒙特卡洛树搜索算法对所述含参子模型的组合方式进行增广，得到增广含参子模型组合。
[0062]
其中，所述蒙特卡洛树搜索算法(mcts)为一种基于树结构的、在搜索空间巨大是仍然有效的搜索方法，是使用随机数(或更常见的伪随机数)来解决很多计算问题的方法。将所求解的问题同一定的概率模型相联系，用电子计算机实现统计模拟或抽样，以获得问题的近似解。将蒙特卡洛搜索树集中在更值得搜索的分枝上，如果某个着法不错，蒙特卡罗树会将其拓展的很深，反之就不去拓展。本技术通过对原始的蒙特卡洛树进行场景限定，得到可以应用于该模块化含参模型的层次化蒙特卡洛树搜索算法。通过该层次化蒙特卡洛树搜索算法基于搜索指引排除掉与基础训练数据集中的目标数据无关的数据，从而减少含参子模型对于训练数据的依赖。
[0063]
具体地，本技术实施例基于以下方法对基础训练数据集进行搜索空间的定向的增广，得到增广训练数据集：
[0064][0065][0066][0067]
其中，为在输入输出为时程序的概率；为输入输出为时对应的函数概率；为输入输出为时对应的参数概率；d(
·
)为所述目标领域中对应的距离度量函数，用于在构建时筛选可以缩小目标距离的所述元函数fi；argmin用于在构建所述子神经网络时选择可以最小化到目标距离的θ。
[0068]
s103、基于增广训练数据集对模块化含参模型进行训练并优化，得到优化后的模块化含参模型。
[0069]
具体实施时，所述层次化蒙特卡洛树搜索算法基于所述搜索指引，依次搜索合适的增广含参子模型组合(包括合适的子函数和合适的函数参数)。
[0070]
将所述增广训练数据集输入所述合适的增广含参子模型组合，进行建模，并计算损失函数值；随后基于所述损失函数值，对所述合适的增广含参子模型组合中的所述含参子模型对应的所述参数进行优化，得到优化后的含参子模型。
[0071]
将所述优化后的含参子模型组合成所述优化后的模块化含参模型。
[0072]
通过层次化构建蒙特卡洛搜索树，可以高效地遍历函数空间，且基于搜索指引，排除掉与基础训练数据集中的目标数据无关的数据，使层次化构建蒙特卡洛搜索树在搜索过程中可以缩小搜索空间，从而解决程序多样化建模的问题，有效解决训练过程中因程序表达的多样性给模型学习带来的额外挑战。
[0073]
在构建并优化模块化含参模型，得到优化后的模块化含参模型之后，进入测试阶段，图2示出了一种模块化的参数化视觉程序归纳算法使用流程图，如图2所示，具体步骤如下：
[0074]
s201、将待处理数据输入优化后的模块化含参模型。
[0075]
具体实施时，将待处理数据输入优化后的模块化含参模型，其中，待处理数据可以为图像数据、3d模型数据等类型的视觉数据，本技术在此不作具体限制。
[0076]
s202、优化后的模块化含参模型中基于不同种类的优化后的含参子模型，对待处理数据进行程序表达。
[0077]
具体实施时，基于优化后的含参子模型中所含的不同种类的参数所对应的属性，尝试对所输入的待处理数据的这些属性进行程序表达。例如，若参数a用于描述数据的杯子底面半径，则包含该参数a的含参子模型对待处理数据尝试输出关于杯子底面半径的程序表达。
[0078]
s203、基于层次化蒙特卡洛树搜索算法，优化后的模块化含参模型搜索程序表达中符合待处理数据的程序表达作为目标程序表达。
[0079]
由于优化后的模块化含参模型中所含的各种含参子模型所表征的属性可能与待处理数据相关，也可能无关，因此，为有效缩小搜索空间以及程序多样性建模的问题，层次化蒙特卡洛树搜索算法会将所有含参子模型得到的程序表达进行高效的遍历，搜索出与待处理数据相关的程序表达，作为待处理数据的目标程序表达；而与待处理数据无关的程序表达会在函数空间中被排除。
[0080]
s204、优化后的模块化含参模型将目标程序表达整合为结果程序表达进行输出。
[0081]
具体实施时，将基于层次化蒙特卡洛树搜索算法高效搜索到的符合待处理数据的所有目标程序表达整合为结果程序表达，作为算法的输出。
[0082]
下面结合具体实例对上述的一种模块化的参数化视觉程序归纳算法进行详细阐述。
[0083]
优化后的模块化含参模型含有对应于不同种类参数的含参子模型，不同种类的参数涉及尽可能多的领域与方向，用于表征各种类型的待处理数据可能的属性，例如包括对应于描述杯子底面半径的参数a的含参子模型a、对应于描述瓶子高度的参数b的含参子模型b、对应于描述箱子面积的参数c的含参子模型c、用于描述曝光值的参数d的含参子模型d、用于描述植物色温的参数e的含参子模型e、用于描述花朵色度的参数f的含参子模型f，用于描述墙的高度的参数g的含参子模型g等众多不不同种类的含参子模型。
[0084]
将一张园林建筑图片输入该优化后的模块化含参模型，基于优化后的含参子模型中所含的不同种类的参数所对应的属性，尝试对所输入的风景图片的这些属性进行程序表达，如含参子模型a尝试对该风景图片中的杯子底面半径进行程序表达，含参子模型b尝试对该风景图片中瓶子的高度进行程序表达，含参子模型c尝试对该风景图片中箱子面积进行程序表达，含参子模型d尝试对该风景图片中曝光值进行程序表达，含参子模型e尝试对该风景图片中植物色温进行程序表达，其他含参子模型以此类推。
[0085]
层次化蒙特卡洛树搜索算法会对所有含参子模型得到的程序表达进行组合并高效的遍历，搜索出与该园林建筑图片中信息相关的程序表达，如植物色温、花朵色度、曝光值等等对应的含参子模型所输出的程序表达作为目标程序表达；而与该园林建筑图片中信息无关的程序表达，如杯子底面半径、瓶子高度、箱子面积等等对应的含参子模型所输出的程序表达作为无效程序表达在函数空间中排除。
[0086]
优化后的模块化含参模型将目标程序表达整合为结果程序表达，作为算法的输
出，得到一组有该模块化的参数化视觉程序归纳算法输出的关于该园林建筑图片的结果程序表达。该结果程序表达可以作为程序语言直接用于绘图软件(如cad等)，将该结果程序表达输入绘图软件中，可以自动生成所需要的模型或图片。
[0087]
本技术实施例提供一种模块化的参数化视觉程序归纳算法、设备、介质及产品，通过构建模块化含参模型，并在层次化蒙特卡洛树搜索算法的配合下进行训练得到优化后的模块化含参模型，将待处理数据输入优化后的模块化含参模型，联合层次化蒙特卡洛树搜索算法对所述待处理数据进行处理，输出结果程序表达，具有以下优点：
[0088]
(1)通过构建并训练优化模块化含参模型，所含不同种类的参数及参数函数可以用于复杂的视觉场景，且对不同种类参数的高效表达可以处理多种场景下的各种模型生成合适的程序表达，泛化性强。
[0089]
(2)通过联合层次化蒙特卡洛树搜索算法，在模块化含参模型的训练阶段增广模型训练数据，提升模型的训练效率，在测试阶段作为高效的搜索算法，解决了复杂的程序表达导致程序搜索空间爆炸的问题。
[0090]
基于同一发明构思，本技术实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现本技术实施例所提出的一种模块化的参数化视觉程序归纳算法中的步骤。
[0091]
本技术提供的又一实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时以实现本技术实施例所提出的一种模块化的参数化视觉程序归纳算法中的步骤。
[0092]
本技术提供的又一实施例中，还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时以实现本技术实施例所提出的一种模块化的参数化视觉程序归纳算法中的步骤。
[0093]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid state disk(ssd))等。
[0094]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备
所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0095]
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0096]
以上对本技术所提供的技术方案进行了详细介绍，本文中应用了具体个例对本技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本技术，本说明书内容不应理解为对本技术的限制。同时，对于本领域的一般技术人员，依据本技术，在具体实施方式及应用范围上均会有不同形式的改变之处，这里无需也无法对所有的实施方式予以穷举，而由此所引伸出的显而易见的变化或变动仍处于本技术的保护范围之中。
技术特征：1.一种模块化的参数化视觉程序归纳算法，其特征在于，包括：构建模块化含参模型，所述模块化含参模型由多个含参子模型组成，不同的所述含参子模型包含不同种类的参数，所述参数用于描述数据的各种属性；基于层次化蒙特卡洛树搜索算法和基础训练数据集，生成增广训练数据集；基于所述增广训练数据集对所述模块化含参模型进行训练并优化，得到优化后的模块化含参模型，所述优化后的模块化含参模型由优化后的含参子模型组成。2.根据权利要求1所述的一种模块化的参数化视觉程序归纳算法，其特征在于，还包括：将待处理数据输入所述优化后的模块化含参模型；所述优化后的模块化含参模型联合所述层次化蒙特卡洛树搜索算法对所述待处理数据进行处理，输出结果程序表达。3.根据权利要求1所述的一种模块化的参数化视觉程序归纳算法，其特征在于，构建模块化含参模型，包括：基于目标领域的不同种类的元函数，构建所述含参子模型，所述含参子模型定义为对应所述不同种类的参数的子神经网络；将对应于每个所述不同种类的参数的含参子模型组成所述模块化含参模型，所述模块化含参模型为针对所述目标领域的所述含参子模型的集合。4.根据权利要求2所述的一种模块化的参数化视觉程序归纳算法，其特征在于，所述优化后的模块化含参模型联合所述层次化蒙特卡洛树搜索算法对所述待处理数据进行处理，输出结果程序表达，包括：所述优化后的模块化含参模型中基于不同种类的所述优化后的含参子模型，对所述待处理数据进行程序表达；基于所述层次化蒙特卡洛树搜索算法，所述优化后的模块化含参模型搜索所述程序表达中符合所述待处理数据的程序表达作为目标程序表达；所述优化后的模块化含参模型将所述目标程序表达整合为结果程序表达进行输出。5.根据权利要求3所述的一种模块化的参数化视觉程序归纳算法，其特征在于，所述子神经网络，具体为：其中，f为所述元函数，θ为所述参数，为所述子神经网络，为当前输入状态-目标输出状态的组合，θ则表示所述子神经网络在下的参数预测，此时对应的所述元函数为f(
·
|θ)；所述含参子模型的集合，具体为其中，表示所述目标领域内的所述元函数集合,f
i
表示所述元函数集合中第i个元函数。6.根据权利要求3所述的一种模块化的参数化视觉程序归纳算法，其特征在于，在构建模块化含参模型后，基于层次化蒙特卡洛树搜索算法和基础训练数据集，生成增广训练数据集，包括：所述含参子模型基于对应的所述不同种类的参数，对所述层次化蒙特卡洛树搜索算法
提供搜索指引；所述层次化蒙特卡洛树搜索算法基于所述搜索指引，对所述基础训练数据集进行增广，得到所述增广训练数据集；所述层次化蒙特卡洛树搜索算法对所述含参子模型的组合方式进行增广，得到增广含参子模型组合。7.根据权利要求6所述的一种模块化的参数化视觉程序归纳算法，其特征在于，所述层次化蒙特卡洛树搜索算法基于所述搜索指引，对所述基础训练数据集进行增广，得到所述增广训练数据集，具体为：增广训练数据集，具体为：增广训练数据集，具体为：其中，为在输入输出为时程序的概率；为输入输出为时对应的函数概率；为输入输出为时对应的参数概率；d(
·
)为所述目标领域中对应的距离度量函数，用于在构建时筛选可以缩小目标距离的所述元函数f
i
；argmin用于在构建所述子神经网络时选择可以最小化到目标距离的θ。8.根据权利要求6所述的一种模块化的参数化视觉程序归纳算法，其特征在于，生成所述增广训练数据集后，基于所述增广训练数据集对所述模块化含参模型进行训练并优化，得到优化后的模块化含参模型，包括：所述层次化蒙特卡洛树搜索算法基于所述搜索指引，依次搜索合适的增广含参子模型组合；将所述增广训练数据集输入所述合适的增广含参子模型组合，进行建模，并计算损失函数值；基于所述损失函数值，对所述合适的增广含参子模型组合中的所述含参子模型对应的所述参数进行优化，得到优化后的含参子模型；将所述优化后的含参子模型组合成所述优化后的模块化含参模型。9.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1-6中任一所述的一种模块化的参数化视觉程序归纳算法中的步骤。10.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-6中任一所述的一种模块化的参数化视觉程序归纳算法中的步骤。11.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-6中任一所述的一种模块化的参数化视觉程序归纳算法中的步骤。
技术总结本申请涉及视觉程序生成领域，提供了一种模块化的参数化视觉程序归纳算法、设备、介质及产品。通过构建模块化含参模型，并在层次化蒙特卡洛树搜索算法的配合下进行训练得到优化后的模块化含参模型，将待处理数据输入优化后的模块化含参模型，联合层次化蒙特卡洛树搜索算法对所述待处理数据进行处理，输出结果程序表达。本申请的模块化的参数化视觉程序归纳算法可以用于复杂的视觉场景，且泛化能力强；通过联合层次化蒙特卡洛树搜索算法，在模块化含参模型的训练阶段增广模型训练数据，提升模型的训练效率，在测试阶段作为高效的搜索算法，解决了复杂的程序表达导致程序搜索空间爆炸的问题。炸的问题。炸的问题。
技术研发人员：朱文武 王鑫 段续光
受保护的技术使用者：清华大学
技术研发日：2022.07.18
技术公布日：2022/11/1
