CN109858614B - 神经网络训练方法及装置、电子设备和存储介质 - Google Patents
神经网络训练方法及装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN109858614B CN109858614B CN201910100328.3A CN201910100328A CN109858614B CN 109858614 B CN109858614 B CN 109858614B CN 201910100328 A CN201910100328 A CN 201910100328A CN 109858614 B CN109858614 B CN 109858614B
- Authority
- CN
- China
- Prior art keywords
- neural network
- training
- images
- state
- loss
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本公开涉及一种神经网络训练方法及装置、电子设备和存储介质,所述方法包括:将训练集中的多个第一图像输入第一神经网络,获得多个第一处理结果,其中,每个第一处理结果至少包括第一特征;根据特征库中与多个第一图像对应的第二特征和所述第一特征,训练第一神经网络,其中,针对任意一个第一图像,特征库中包括对应于第一图像的多个第二特征,多个第二特征分别基于不同训练状态下的第二神经网络的处理得到;第二神经网络的层级数多于第一神经网络的层级数。本公开实施例可实现第一神经网络在训练过程中,尽可能的根据第二特征来模仿第二神经网络训练过程不同阶段下特征优化的过程,进而使第一神经网络的性能与第二神经网络更加相近。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及一种神经网络训练方法及装置、电子设备和存储介质。
背景技术
相关技术中,深度学习(Deep Learning)因其计算复杂度或参数冗余,在一些场景和设备上限制了相应的网络部署,需要借助网络压缩、优化加速、异构计算等方法突破瓶颈。网络压缩算法能够有效降低参数冗余,从而减少存储占用、通信带宽和计算复杂度,有助于深度学习的应用部署。
发明内容
本公开提出了一种神经网络训练技术方案。
根据本公开的一方面,提供了一种神经网络训练方法,包括:将训练集中的多个第一图像输入第一神经网络,获得多个第一处理结果,其中,每个第一处理结果至少包括第一特征;根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,其中,针对任意一个第一图像,特征库中包括对应于所述第一图像的多个第二特征,所述多个第二特征分别基于不同训练状态下的第二神经网络的处理得到;所述第二神经网络的层级数多于第一神经网络的层级数。
在一种可能的实现方式中,所述特征库中包括基于各个训练状态下的第二神经网络的处理得到第二特征;其中,根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,包括:根据特征库中与所述多个第一图像对应的,基于各个训练状态下的第二神经网络的处理得到第二特征,训练所述第一神经网络。
在一种可能的实现方式中,各个训练状态下的第二神经网络分别对应有特征库,针对任意一个第一图像,各个训练状态的特征库中包括的对应于所述第一图像的第二特征不同;其中,根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,包括:基于各个训练状态下的第二神经网络的处理得到第二特征,分别得到各个训练状态的特征库;根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络。
在一种可能的实现方式中,第二神经网络的训练过程包括S个训练状态,其中,S为大于1的整数;其中,将训练集中的多个第一图像输入第一神经网络,获得多个第一处理结果,包括:将训练集中的多个第一图像分别输入第s个状态的第一神经网络中处理,获得多个第一处理结果,其中,所述第s个状态为预设的S个训练状态中的一个,且1≤s<S;所述根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,包括:根据第s个状态的特征库中与所述多个第一图像对应的第二特征,以及多个第一处理结果,确定所述第一神经网络在第s个状态下的第一损失;根据所述第一损失对所述第一神经网络进行训练,并将训练后的第一神经网络确定为第s+1个状态的第一神经网络;将在第S个状态下训练后的第一神经网络确定为最终的第一神经网络。
在一种可能的实现方式中,每个第一处理结果还包括第一预测结果,其中,根据第s个状态的特征库中与所述多个第一图像对应的第二特征以及多个第一处理结果,确定所述第一神经网络在第s个状态下的第一损失,包括:根据多个第二特征及多个第一特征,确定第一子损失;根据多个第一预测结果及所述多个第一图像的标注结果,确定第二子损失;根据所述第一子损失及所述第二子损失,确定所述第一神经网络在第s个状态下的第一损失。
在一种可能的实现方式中,所述方法还包括:将训练集中的多个第二图像分别输入第s个状态的第二神经网络中处理,获得多个第二预测结果;根据所述第二预测结果及所述多个第二图像的标注结果,确定所述第二神经网络在第s个状态下的第二损失;根据所述第二损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第s+1个状态的第二神经网络;将所述多个第二图像分别输入第s个状态下的第二神经网络中处理,获得第三特征;利用第三特征更新第s-1个状态的特征库,得到第s个状态的特征库,其中,所述第s个状态的特征库中至少包括与训练集中的多个第二图像对应的第三特征,所述第三特征是通过将所述多个第二图像分别输入第s个状态下的第二神经网络中处理得到的。
在一种可能的实现方式中,利用所述第三特征更新第s-1个状态的特征库,得到第s个状态的特征库,包括:在s大于1的情况下,利用所述第三特征替换第s-1个状态的特征库中与所述多个第二图像对应的特征,得到第s个状态的特征库。
在一种可能的实现方式中,利用所述第三特征更新第s-1个状态的特征库,得到第s个状态的特征库,包括:在s等于1的情况下,利用所述第三特征替换初始特征库中与所述多个第二图像对应的初始特征,得到第1个状态下的特征库。
在一种可能的实现方式中,所述多个第二图像为所述训练集的M个训练图像中的N个图像,N<M,其中,所述方法还包括:在第s个状态下,从所述M个训练图像中选取N个图像作为第二图像;从存储有所述M个训练图像的数据队列中去除所述N个图像,并将所述N个图像存储到所述数据队列的后端,其中,所述数据队列前端的M-N个数据被选中的第一概率大于所述数据队列后端的-N个数据被选中的第二概率。
在一种可能的实现方式中,所述多个第一图像为所述训练集的M个训练图像中的P个图像,P<M,其中,所述方法还包括:在第s个状态下,从所述M个训练图像中选取P个图像作为第二图像。
在一种可能的实现方式中,根据所述第一损失对所述第一神经网络进行训练,包括:根据所述第一损失,调整所述第一神经网络的网络参数;在所述第一损失满足训练条件的情况下,确定训练后的第一神经网络。
根据本公开的一方面,提供了一种图像处理方法,包括:将待处理图像输入到第一神经网络进行处理,获取图像处理数据;其中,所述第一神经网络是通过上述神经网络训练方法训练得到的。
根据本公开的一方面,提供了一种神经网络训练装置,包括:处理结果获取模块,用于将训练集中的多个第一图像输入第一神经网络,获得多个第一处理结果,其中,每个第一处理结果至少包括第一特征;网络训练模块,用于根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,其中,针对任意一个第一图像,特征库中包括对应于所述第一图像的多个第二特征,所述多个第二特征分别基于不同训练状态下的第二神经网络的处理得到;所述第二神经网络的层级数多于第一神经网络的层级数。
在一种可能的实现方式中,所述特征库中包括基于各个训练状态下的第二神经网络的处理得到第二特征;其中,所述网络训练模块包括:第一训练子模块,用于根据特征库中与所述多个第一图像对应的,基于各个训练状态下的第二神经网络的处理得到第二特征,训练所述第一神经网络。
在一种可能的实现方式中,各个训练状态下的第二神经网络分别对应有特征库,针对任意一个第一图像,各个训练状态的特征库中包括的对应于所述第一图像的第二特征不同;其中,所述网络训练模块包括:特征库获取子模块,用于基于各个训练状态下的第二神经网络的处理得到第二特征,分别得到各个训练状态的特征库;第二训练子模块,根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络。
在一种可能的实现方式中,第二神经网络的训练过程包括S个训练状态,其中,S为大于1的整数;其中,所述处理结果获取模块包括:处理结果获取子模块,用于将训练集中的多个第一图像分别输入第s个状态的第一神经网络中处理,获得多个第一处理结果,其中,所述第s个状态为预设的S个训练状态中的一个,且1≤s<S;所述第二训练子模块包括:第一损失确定子模块,用于根据第s个状态的特征库中与所述多个第一图像对应的第二特征,以及多个第一处理结果,确定所述第一神经网络在第s个状态下的第一损失;中间网络确定子模块,用于根据所述第一损失对所述第一神经网络进行训练,并将训练后的第一神经网络确定为第s+1个状态的第一神经网络;最终网络确定子模块,用于将在第S个状态下训练后的第一神经网络确定为最终的第一神经网络。
在一种可能的实现方式中,每个第一处理结果还包括第一预测结果,其中,第一损失确定子模块包括:第一子损失确定子模块,用于根据多个第二特征及多个第一特征,确定第一子损失;第二子损失确定子模块,用于根据多个第一预测结果及所述多个第一图像的标注结果,确定第二子损失;第一损失计算子模块,用于根据所述第一子损失及所述第二子损失,确定所述第一神经网络在第s个状态下的第一损失。
在一种可能的实现方式中,所述装置还包括:第二预测结果获取模块,用于将训练集中的多个第二图像分别输入第s个状态的第二神经网络中处理,获得多个第二预测结果;第二损失确定模块,用于根据所述第二预测结果及所述多个第二图像的标注结果,确定所述第二神经网络在第s个状态下的第二损失;第二网络训练模块,用于根据所述第二损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第s+1个状态的第二神经网络;第三特征获取模块,用于将所述多个第二图像分别输入第s个状态下的第二神经网络中处理,获得第三特征;特征库确定模块,用于利用第三特征更新第s-1个状态的特征库,得到第s个状态的特征库,其中,所述第s个状态的特征库中至少包括与训练集中的多个第二图像对应的第三特征,所述第三特征是通过将所述多个第二图像分别输入第s个状态下的第二神经网络中处理得到的。
在一种可能的实现方式中,特征库确定模块包括:第一特征替换子模块,用于在s大于1的情况下,利用所述第三特征替换第s-1个状态的特征库中与所述多个第二图像对应的特征,得到第s个状态的特征库。
在一种可能的实现方式中,特征库确定模块包括:第二特征替换子模块,用于在s等于1的情况下,利用所述第三特征替换初始特征库中与所述多个第二图像对应的初始特征,得到第1个状态下的特征库。
在一种可能的实现方式中,所述多个第二图像为所述训练集的M个训练图像中的N个图像,N<M,其中,所述装置还包括:第一图像确定模块,用于在第s个状态下,从所述M个训练图像中选取N个图像作为第二图像;队列更新模块,用于从存储有所述M个训练图像的数据队列中去除所述N个图像,并将所述N个图像存储到所述数据队列的后端,其中,所述数据队列前端的M-N个数据被选中的第一概率大于所述数据队列后端的-N个数据被选中的第二概率。
在一种可能的实现方式中,所述多个第一图像为所述训练集的M个训练图像中的P个图像,P<M,其中,所述装置还包括:第二图像确定模块,用于在第s个状态下,从所述M个训练图像中选取P个图像作为第二图像。
在一种可能的实现方式中,所述中间网络确定子模块,包括:网络参数调整子模块,用于根据所述第一损失,调整所述第一神经网络的网络参数;
第一神经网络确定子模块,用于在所述第一损失满足训练条件的情况下,确定训练后的第一神经网络。
根据本公开的一方面,提供了一种图像处理装置,包括:图像处理数据获取模块,用于将待处理图像输入到第一神经网络进行处理,获取图像处理数据;其中,所述第一神经网络是通过上述神经网络训练方法训练得到的。
根据本公开的一方面,提供了一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为:执行上述方法。
根据本公开的一方面,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,所述计算机程序指令被处理器执行时实现上述方法。
在本公开实施例中,通过在第二神经网络的训练过程中的不同阶段所提取到的第二特征,来训练第一神经网络,使得第一神经网络在训练过程中,尽可能的根据第二特征来模仿第二神经网络训练过程不同阶段下特征优化的过程,进而使第一神经网络的性能与第二神经网络更加相近。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,而非限制本公开。
根据下面参考附图对示例性实施例的详细说明,本公开的其它特征及方面将变得清楚。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本公开的实施例,并与说明书一起用于说明本公开的技术方案。
图1示出根据本公开实施例的神经网络训练方法的流程图。
图2示出根据本公开实施例的神经网络训练方法的流程图。
图3示出根据本公开实施例的神经网络训练方法的步骤S220的流程图。
图4示出根据本公开实施例的神经网络训练方法的流程图。
图5示出根据一示例性实施例示出的一种神经网络训练方法的应用场景的示意图。
图6示出根据本公开实施例的神经网络训练装置的框图。
图7是根据示例性实施例示出的一种电子设备的框图。
图8是根据示例性实施例示出的一种电子设备的框图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中术语“至少一种”表示多种中的任意一种或多种中的至少两种的任意组合,例如,包括A、B、C中的至少一种,可以表示包括从A、B和C构成的集合中选择的任意一个或多个元素。
另外,为了更好地说明本公开,在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解,没有某些具体细节,本公开同样可以实施。在一些实例中,对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述,以便于凸显本公开的主旨。
图1示出根据本公开实施例的神经网络训练方法的流程图。该神经网络训练方法可以由终端设备或其它处理设备执行,其中,终端设备可以为用户设备(User Equipment,UE)、移动设备、用户终端、终端、蜂窝电话、无绳电话、个人数字处理(Personal DigitalAssistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等。在一些可能的实现方式中,该神经网络方法可以通过处理器调用存储器中存储的计算机可读指令的方式来实现。
如图1所示,所述方法包括:
步骤S110,将训练集中的多个第一图像输入第一神经网络,获得多个第一处理结果。其中,每个第一处理结果至少包括第一特征。
其中,第一图像可以是由图像采集设备(例如摄像头)采集的某一区域(例如商场入口、道路路口等)的场景图像,也可以是直接输入的已保存的图像或者视频帧。第一处理结果可以理解为第一神经网络的输出,举例来说,第一处理结果可以包括第一神经网络网络结构的中间层的输出,例如,第一特征,也可以包括第一神经网络网络结构的结果层的输出,例如,第一图像的预测结果(下称第一预测结果)。
在一种可能的实现方式中,输入至第一神经网络的第一图像可以使用音频数据或文本数据代替,具体的数据类型可以根据第一神经网络的使用场景来选择,本实现方式在此不作限定。
步骤S120,根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络。
其中,针对任意一个第一图像,特征库中包括对应于所述第一图像的多个第二特征,所述多个第二特征分别基于不同训练状态下的第二神经网络的处理得到;所述第二神经网络的层级数多于第一神经网络的层级数。
其中,特征库中可以包括处于不同训练状态下的第二神经网络得到的第二特征,本实现方式训练所述第一神经网络过程中,可以通过预设的训练状态标识选取第二特征。在另外的实现方式中,特征库可以根据第二神经网络的训练状态实时更新,以保证特征库中的第二特征是通过处于最新训练状态的第二神经网络处理得到。
在一种可能的实现方式中,该神经网络训练方法可以利用第二神经网络预先提取到的特征来训练第一神经网络,以使这第一神经网络与第二神经网络应用性能更加相近。
在一种可能的实现方式中,所述第一神经网络和第二神经网络的网络结构和参数量不同,例如,第一神经网络可以是应用于移动终端、层级数较少、网络结构的较为简单且参数量较小的神经网络,第二神经网络可以应用于服务器端、层级数较多、网络结构较为复杂且参数量较大的神经网络。
在一种可能的实现方式中,所述第一神经网络用于预测待处理数据的类别,可以应用到人脸识别、广告预测、文本识别、量化评估等具体的使用场景中。其中,第一神经网络可以是学生网络(或学生模型),第二神经网络用于训练该学生网络的教师网络(或教师模型),学生网络的性能与教师网络相近。
在本公开的实施例中,通过在第二神经网络的训练过程中的不同阶段所提取到的第二特征,来训练第一神经网络,使得第一神经网络在训练过程中,尽可能的根据第二特征来模仿第二神经网络训练过程不同阶段下特征优化的过程,进而使第一神经网络的性能与第二神经网络更加相近。
在一种可能的实现方式中,所述特征库中包括基于各个训练状态下的第二神经网络的处理得到第二特征;其中,根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,包括:根据特征库中与所述多个第一图像对应的,基于各个训练状态下的第二神经网络的处理得到第二特征,训练所述第一神经网络。
本实现方式中,特征库中包括了各个训练状态下的第二神经网络的处理得到第二特征,不同训练状态下的第二特征通过不同的训练状态标识进行标记。在第一神经网络的训练过程中,分别根据训练状态标识从特征库获取训练状态下得到的第二特征,进而根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络。
在一种可能的实现方式中,各个训练状态下的第二神经网络分别对应有特征库,针对任意一个第一图像,各个训练状态的特征库中包括的对应于所述第一图像的第二特征不同;其中,根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,包括:基于各个训练状态下的第二神经网络的处理得到第二特征,分别得到各个训练状态的特征库;根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络。
本实现方式中,各个训练状态的特征库中包括的对应于所述第一图像的第二特征不同。所述特征库中包括了对应于第一神经网络的不同训练状态的多组第二特征。在第一神经网络的训练过程中,可以分别从不同训练状态下的特征库获取第二特征,进而根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络。
在一种可能的实现方式中,第二神经网络的训练过程包括S个训练状态,其中,S为大于1的整数。如图2所示,所述神经网络训练方法包括:
步骤S210,将训练集中的多个第一图像分别输入第s个状态的第一神经网络中处理,获得多个第一处理结果,其中,所述第s个状态为预设的S个训练状态中的一个,且1≤s<S。
在一种可能的实现方式中,所述训练集中包括大量的、符合数学分布的第一图像,以利用该训练集训练得到具备良好性能的第一神经网络;在本实现方式中,可以对第一神经网络训练多次,每一次的训练都可以提升第一神经网络的状态(或性能);便于描述,可以将神经网络训练方法中对第一神经网络当前的训练次数可以设定为s(1≤s<S),其中,第一神经网络的初始状态可以设定为第1状态,训练过s-1次后,第一神经网络的当前状态可以设定为第s个状态,第一神经网络的最终状态可以设定为第S个状态。每一次训练过程中,多个第一图像是可以从训练集中随机提取得到,并将多个第一图像作为第一神经网络的训练样本,获得与第一图像同等数量的第一处理结果,其中,每个第一图像都对应于一个第一处理结果。
在一种可能的实现方式中,所述第一处理结果包括第一神经网络架构中任意一层输出的处理结果,例如,第一处理结果可以包括由第一神经网络架构中的预设卷积层输出的第一特征。
步骤S220,根据第s个状态的特征库中与所述多个第一图像对应的第二特征以及多个第一处理结果,确定所述第一神经网络在第s个状态下的第一损失。
其中,所述第s个状态的特征库中至少包括与训练集中的多个第二图像对应的第三特征,所述第三特征是通过将所述多个第二图像分别输入第s个状态下的第二神经网络中处理得到的。所述特征库中包括了对应于第一神经网络的不同训练状态的多组第二特征,每一组第二特征可以对应有一个训练状态,同时,每一组第二特征的训练状态可以由与其对应的状态标识来标识。
在一种可能的实现方式中,所述多个第二图像可以是从训练集中随机提取到的,即可以理解为第一神经网络和第二神经网络所使用的训练样本是相同的。
在一种可能的实现方式中,第二特征可以在第二神经网络的训练过程中产生。与第一神经网络训练过程类似,本实施例也会对第二神经网络训练多次,每一次训练都会提升第二神经网络的状态(或性能),便于描述,在该神经网络训练方法中对第二神经网络的训练次数可以设定为s(1≤s<S),其中,第二神经网络的初始状态可以设定为第1状态,训练过s-1次后,第二神经网络的当前状态可以设定为第s状态,第二神经网络的最终状态可以设定为第S状态;每一次训练过程中,可以将从训练集中随机提取预设数量的第二图像,作为第二神经网络在该训练过程的训练样本,每一次训练过程结束后都会得到第s+1个状态的第二神经网络。
在一种可能的实现方式中,该用于训练第s个状态的第一神经网络所用到的第二特征,即第s+1个状态的第二神经网络针对第s个状态的第二图像提取得到的。
在一种可能的实现方式中,所述第一损失可用于表示第s个状态下第一神经网络提取到的特征与第二神经网络提取到的特征之间的差距,该第一损失可以用于调整第s个状态的第一神经网络中的网络参数,直至该第一损失满足预设的收敛条件,即得到第s+1个状态的第一神经网络。
在一种可能的实现方式中,可以利用L1范数或L2范数来获得该第一损失。以L1范数为示例,通过如下公式获得第一神经网络的第一损失:
在公式(1)中,Lmimic表示第一损失,s表示第一神经网络的训练次数,ms表示第s次训练时所使用的第一图像的数量,xk表示第s次训练时所使用的第k个第一图像(1≤k≤ms),fs(xk)表示将第一图像xk输入第s个状态的第一神经网络时输出的第一特征,Fs(xk)表示将第一图像xk输入第s个状态的第二神经网络时输出的特征,即s个状态的特征库中与第一图像xk对应的第二特征。
步骤S230,根据所述第一损失对所述第一神经网络进行训练,并将训练后的第一神经网络确定为第s+1个状态的第一神经网络。
在一种可能的实现方式中,所述方法中步骤S130包括:根据所述第一损失,调整所述第一神经网络的网络参数;在所述第一损失满足训练条件的情况下,确定训练后的第一神经网络。
其中,网络参数包括超参数(hyper parameters)和普通参数(parameters),本实施例的第一神经网络中被调整的网络参数,可以是普通参数。训练条件可以根据开发人员对第一神经网络的性能需求进行设定。例如,训练条件可以是第一神经网络的识别准确率不低于95%。在另外的实现方式中,还可以将第一神经网络的训练次数或者训练第一神经网络的所需数据量的大小作为第一神经网络的训练条件。
在一种可能的实现方式中,步骤S110至步骤S130可重复执行多次,直至第一神经网络的第一损失满足训练条件。
步骤S240,将在第S个状态下训练后的第一神经网络确定为最终的第一神经网络。
在一种可能的实现方式中,最终的第一神经网络可以是符合预设训练条件的神经网络。该第一神经网络可以应用到例如人脸识别、广告预测、文本识别、量化评估等具体的使用场景中。
图3示出根据本公开实施例的神经网络训练方法的步骤S220的流程图。如图3所示,所述方法中步骤S220包括:
步骤S221,根据多个第二特征及多个第一特征,确定第一子损失。
在一种可能的实现方式中,神经网络训练方法还可以利用训练样本的标注结果提高神经网络的性能。其中,第一子损失可以理解为步骤S120中所述的第一损失,本实施例利用L1范数或L2范数来获得该第一子损失。
在一种可能的实现方式中,可以根据每一个状态下第一神经网络产生的多个第二特征计算第一子损失,这样的好处在于,不仅仅极大提升了训练速度,收敛过程大大加快,而且还能提升的网络性能。
步骤S222,根据多个第一预测结果及所述多个第一图像的标注结果,确定第二子损失。
在一种可能的实现方式中,每个第一处理结果还包括第一预测结果,该第一预测结果可以由第一神经网络的全连接层输出,即第一神经网络的最终的输出结果,作为示例,第一预测结果可以是一组概率值。标注结果用于表示第一图像的类别,该标注结果可以由工作人员预先完成,并存储于训练集中。
在一种可能的实现方式中,所述第二子损失用于表示第一预测结果(预测类别)和标注结果(真实类别)之间的差距。
步骤S223,根据所述第一子损失及所述第二子损失,确定所述第一神经网络在第s个状态下的第一损失。
在一种可能的实现方式中,第一损失的确定方式可以有多种,例如,可以将第一子损失确定为第一损失,也可以将第一子损失和第二子损失的加权和确定为第一损失,本实现方式对此不做限定。
在一种可能的实现方式中,可以利用L1范数或L2范数来获得该第一子损失,利用交叉熵分类损失来获得第二子损失。以L1范数和交叉熵分类损失为示例,可以通过如下公式获得第一神经网络的在本实施方式中的第一损失:
在公式(2)中,Ltotal表示第一损失,Lmimic表示第一子损失,Lclassification表示第二子损失,s表示第一神经网络的训练次数,ms表示第s次训练时所使用的第一图像的数量,xk表示第一神经网络在进行第s次训练时所使用的第k个第一图像,k表示xk在ms个第一图像中的序号,fs(xk)表示将第一图像xk输入第s个状态的第一神经网络时输出的第一特征,Fs(xk)表示将第一图像xk输入第s个状态的第二神经网络时输出的特征,即s个状态的特征库中与所述多个第一图像对应的第二特征,yk表示xk的标注结果(真实类别),表示xk的第一预测结果(预测类别);a、b分别表示第一子损失和第二子损失的权重。
应当理解,本领域技术人员可以根据实际情况设定第一子损失和第二子损失的权重,本公开对此不作限制。
在本公开的实施例中,在利用第二特征训练第一神经网络的前提下,还将第一图像的标注结果加入到了第一神经网络的训练过程中,不仅加快了第一神经网络的收敛速度,而且提高了第一神经网络的性能。
图4示出根据本公开实施例的神经网络训练方法的流程图。如图4所示,所述方法还包括:
步骤S410,将训练集中的多个第二图像分别输入第s个状态的第二神经网络中处理,获得多个第二预测结果。
在一种可能的实现方式中,可以通过该神经网络训练方法并行训练第二神经网络和第一神经网络,以节省两者训练过程中所消耗的时间。本实施例中对第二神经网络训练过程中各个状态的定义,可以参照上述实施方式的描述。
在一种可能的实现方式中,所述多个第二图像可以是第二神经网络的每一次训练过程中的训练样本,本实施例中,第二图像也可以是从训练集中随机提取到的,因此可以理解为第一神经网络和第二神经网络所使用的训练样本是相同的。第二预测结果可以由第二神经网络的全连接层输出,即第二神经网络的最终的输出结果,与第二预测结果类似,第二预测结果也可以是一组概率值。
在一些可能的实现方式中,每一次输入神经网络的第一图像和第二图像的数量可以根据神经网络的网络结果复杂度而定,作为示例,当第一神经网络的网络结构比第二神经网络的网络结构简单时,每一次输入神经网络第一图像可以少于第二神经网络。
步骤S420,根据所述第二预测结果及所述多个第二图像的标注结果,确定所述第二神经网络在第s个状态下的第二损失。
在一种可能的实现方式中,可以利用有监督学习的方式训练所述第二神经网络,其中,标注结果用于表示第二图像的类别,所述第二损失用于表示第s个状态的第二神经网络得到的第二预测结果(预测类别)与标注结果(真实类别)之间的差距,并根据该第二损失调整第s个状态的第二神经网络中的网络参数,直至该第二损失满足预设的收敛条件,即得到第s+1个状态的第二神经网络。
在一种可能的实现方式中,可以利用交叉熵分类损失来获得该第二损失。本公开对第二损失的具体表示方式不作限制。
步骤S430,根据所述第二损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第s+1个状态的第二神经网络。
在一种可能的实现方式中,所述方法中步骤S430包括:根据所述第二损失,调整所述第二神经网络的网络参数;在所述第二损失满足训练条件的情况下,确定训练后的第二神经网络。
步骤S440,将所述多个第二图像分别输入第s个状态下的第二神经网络中处理,获得所述第三特征。
在一种可能的实现方式中,所述第三特征是通过将所述多个第二图像分别输入第s个状态下的第二神经网络中处理得到的。该第三特征用于更新第s-1个状态特征库中的第二特征。
在一种可能的实现方式中,第三特征可以在第二神经网络的训练过程获得,在该种实现方式中,每一个状态的训练过程都会用到多个第二图像,每一个第二图像对应有一个用于处理第二图像的前向传播子过程,该前向传播子过程可以理解为,将第二图像输入至第二神经网络并得到处理结果的过程;因此,本实施方式可以将前向传播子过程中对应于第二图像的处理结果作为第三特征。
步骤S450,利用所述第三特征更新第s-1个状态的特征库,得到第s个状态的特征库。
本实施例中的第三特征可以是对每一个训练过程中,第二神经网络的输出结果的总称,具体而言,第三特征可以包括多个第三子特征,每一个第三子特征都是由第二神经网络针对与其对应的第二图像提取得到的。
本实施例中,特征库中包括了多个第二图像,以及对应于各个图像的最新状态的特征,在训练的每个阶段,都会可以对特征库中的部分图像对应的特征进行更新。本实施例中对特征库与第三特征的描述请参照上述实施例。
在一种可能的实现方式中,所述方法中步骤S450包括:在s大于1的情况下,利用所述第三特征替换第s-1个状态的特征库中与所述多个第二图像对应的特征,得到第s个状态的特征库。
在一种可能的实现方式中,所述方法中步骤S450包括:在s等于1的情况下,利用所述第三特征替换初始特征库中与所述多个第二图像对应的初始特征,得到第1个状态下的特征库。其中,所述第s个状态的特征库中至少包括与训练集中的多个第二图像对应的第三特征,所述第三特征是通过将所述多个第二图像分别输入第s个状态下的第二神经网络中处理得到的。
本实施例中的第三特征可以是每一个训练过程中,对第二神经网络的输出结果的总称。例如,第三特征可以包括多个第三子特征,每一个第三子特征都是由第二神经网络针对与其对应的第二图像提取得到的。
在一种可能的实现方式中,在s等于1的情况下,第1个状态的第二神经网络还未形成之前,特征库处于初始化状态,处于初始化状态的特征库中包括了多个第二图像对应的初始特征。在第1个状态的第二神经网络形成,且基于第1个状态的第二神经网络提取到第三特征之后,会利用第三特征替换特征库中的部分初始特征,已完成更新操作。
在一种可能的实现方式中,步骤S310至步骤S350会重复执行多次,直至第二神经网络的第二损失满足训练条件。
在一种可能的实现方式中,所述多个第二图像为所述训练集的M个训练图像中的N个图像,N<M,所述方法还包括:在第s个状态下,从所述M个训练图像中选取N个图像作为第二图像;从存储有所述M个训练图像的数据队列中去除所述N个图像,并将所述N个图像存储到所述数据队列的后端。其中,所述数据队列前端的M-N个图像被选中的第一概率大于所述数据队列后端的N个数据被选中的第二概率。
在一种可能的实现方式,可以利用队列的数据结构存储特征库中的训练图像以及与训练图像相对应的特征,并基于队列先进先出的属性将特征库中过早的特征被及时更新,这样设置的好处在于,可以将特征库中过早的特征被及时更新,进而利用该特征训练得到性能更好的第一神经网络。
在一种可能的实现方式中,所述多个第一图像为所述训练集的M个训练图像中的P个图像,P<M,所述方法还包括:在第s个状态下,从所述M个训练图像中选取P个图像作为第二图像。
其中,第s个状态选中的P个图像与第s-1个状态选中的P个图像不同。
在一种可能的实现方式中,如图4所示,步骤S410-步骤S450以及步骤S210-步骤S230可重复执行多次,直至第一神经网络的第一损失满足训练条件。
应用示例
以下结合一个示例性应用场景,给出根据本公开实施例的应用示例,以便于理解神经网络训练方法的流程。本领域技术人员应理解,以下应用示例仅仅是出于便于理解本公开实施例的目的,不应视为对本公开实施例的限制。
图5示出根据一示例性实施例示出的一种神经网络训练方法的应用场景的示意图。在该应用示例中,如图5所示,可以对小模型42和大模型43进行并行训练。
在该应用示例中,小模型42(第一神经网络)是学生网络(或学生模型),和大模型43(第二神经网络)是用于训练该学生网络的教师网络(或教师模型)。该应用示例中,训练小模型和大模型所使用的训练集41是相同的,基于此训练集会对小模型和大模型训练多次,每一次都可以提升小模型和大模型的状态(或性能)。
针对每一次训练(每个训练状态),首先可从训练集41随机提取第一预设数量的训练样本输入至大模型43中得到大模型的预测类别45,基于预测类别和训练样本的真实类别46(标注结果)计算大模型的分类损失(第二损失),并根据该分类损失调整大模型的网络参数,直至满足预设的收敛条件,即大模型的状态完成了一次更新。此时,可利用更新后的大模型对第一预设数量的训练样本提取样本特征(第三特征),并利用第三特征更新特征库44中的原有特征(第二特征)。
同时,会从训练集41随机提取第二预设数量的训练样本,输入小模型42中得到第二预设数量的训练样本对应的特征(第一特征)及预测类别47;根据特征库44中与第二预设数量的训练样本对应的特征(第二特征44)以及小模型42得到的第一特征,可计算特征之间的损失(第一子损失);基于预测类别47和训练样本的真实类别48(标注结果),可计算小模型的分类损失(第二子损失);根据第一子损失和第二子损失的加权和,可确定第一损失。从而,可根据第一损失调整小模型的网络参数,直至满足预设的收敛条件,即小模型的状态完成了一次更新。
以上为一个完整的并行训练流程,该应用示例中,并行训练流程会循环执行多次,每一次并行训练流程都会对大模型和小模型的结构、以及特征库中的特征进行更新。
利用上述应用示例,不仅可以简化大模型和小模型的训练流程,节省了训练时间,缩短了训练周期;而且相较于现有方法,应用示例可以利用大模型特征优化过程指导小模型训练,使得训练后的小模型的性能得到了提升,使得小模型的精度更加逼近大模型的精度;除此之外,该应用示例中的神经网络训练方法可以作为通用基础框架,同其他模型压缩方法结合使用,应用到需要模型压缩部署的各个领域的使用场景中。
在一种的可能的实现方式中,还提供了一种图像处理方法,该方法包括:将待处理图像输入到第一神经网络进行处理,获取图像处理数据;其中,所述第一神经网络是通过上述神经网络训练方法训练得到的。
该实现方式为第一神经网络的使用过程,待处理图像为第一神经网络的输入,图像处理数据为第一神经网络的输出。
在一种可能的实现方式中,待处理图像可以理解为与上述第一图像、第二图像相同类型的图像,与待处理图像相关的描述请参考上述实施例中的内容。
图像处理数据可以理解为第一神经网络的输出,举例来说,第一处理结果可以包括第一神经网络网络结构的中间层的输出,例如,第一特征;也可以包括第一神经网络网络结构的结果层的输出,例如,第一图像的预测结果(下称第一预测结果)。
本实施例利用上述神经网络训练方法训练得到的第一神经网络处理待识别图像,可以得到准确的较高的图像处理数据。
可以理解,本公开提及的上述各个方法实施例,在不违背原理逻辑的情况下,均可以彼此相互结合形成结合后的实施例,限于篇幅,本公开不再赘述。本领域技术人员可以理解,在具体实施方式的上述方法中,各步骤的撰写顺序并不意味着严格的执行顺序而对实施过程构成任何限定,各步骤的具体执行顺序应当以其功能和可能的内在逻辑确定。
图6示出根据本公开实施例的神经网络训练装置的框图,如图6所示,所述神经网络训练装置包括:
处理结果获取模块61,用于将训练集中的多个第一图像输入第一神经网络,获得多个第一处理结果,其中,每个第一处理结果至少包括第一特征;
网络训练模块62,用于根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,
其中,针对任意一个第一图像,特征库中包括对应于所述第一图像的多个第二特征,所述多个第二特征分别基于不同训练状态下的第二神经网络的处理得到;所述第二神经网络的层级数多于第一神经网络的层级数。
在一种可能的实现方式中,所述特征库中包括基于各个训练状态下的第二神经网络的处理得到第二特征;其中,所述网络训练模块包括:第一训练子模块,用于根据特征库中与所述多个第一图像对应的,基于各个训练状态下的第二神经网络的处理得到第二特征,训练所述第一神经网络。
在一种可能的实现方式中,各个训练状态下的第二神经网络分别对应有特征库,针对任意一个第一图像,各个训练状态的特征库中包括的对应于所述第一图像的第二特征不同;其中,所述网络训练模块包括:特征库获取子模块,用于基于各个训练状态下的第二神经网络的处理得到第二特征,分别得到各个训练状态的特征库;第二训练子模块,根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络。
在一种可能的实现方式中,第二神经网络的训练过程包括S个训练状态,其中,S为大于1的整数;其中,所述处理结果获取模块包括:处理结果获取子模块,用于将训练集中的多个第一图像分别输入第s个状态的第一神经网络中处理,获得多个第一处理结果,其中,所述第s个状态为预设的S个训练状态中的一个,且1≤s<S;所述第二训练子模块包括:第一损失确定子模块,用于根据第s个状态的特征库中与所述多个第一图像对应的第二特征,以及多个第一处理结果,确定所述第一神经网络在第s个状态下的第一损失;中间网络确定子模块,用于根据所述第一损失对所述第一神经网络进行训练,并将训练后的第一神经网络确定为第s+1个状态的第一神经网络;最终网络确定子模块,用于将在第S个状态下训练后的第一神经网络确定为最终的第一神经网络。
在一种可能的实现方式中,每个第一处理结果还包括第一预测结果,其中,第一损失确定子模块包括:第一子损失确定子模块,用于根据多个第二特征及多个第一特征,确定第一子损失;第二子损失确定子模块,用于根据多个第一预测结果及所述多个第一图像的标注结果,确定第二子损失;第一损失计算子模块,用于根据所述第一子损失及所述第二子损失,确定所述第一神经网络在第s个状态下的第一损失。
在一种可能的实现方式中,所述装置还包括:第二预测结果获取模块,用于将训练集中的多个第二图像分别输入第s个状态的第二神经网络中处理,获得多个第二预测结果;第二损失确定模块,用于根据所述第二预测结果及所述多个第二图像的标注结果,确定所述第二神经网络在第s个状态下的第二损失;第二网络训练模块,用于根据所述第二损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第s+1个状态的第二神经网络;第三特征获取模块,用于将所述多个第二图像分别输入第s个状态下的第二神经网络中处理,获得第三特征;特征库确定模块,用于利用第三特征更新第s-1个状态的特征库,得到第s个状态的特征库,其中,所述第s个状态的特征库中至少包括与训练集中的多个第二图像对应的第三特征,所述第三特征是通过将所述多个第二图像分别输入第s个状态下的第二神经网络中处理得到的。
在一种可能的实现方式中,特征库确定模块包括:第一特征替换子模块,用于在s大于1的情况下,利用所述第三特征替换第s-1个状态的特征库中与所述多个第二图像对应的特征,得到第s个状态的特征库。
在一种可能的实现方式中,特征库确定模块包括:第二特征替换子模块,用于在s等于1的情况下,利用所述第三特征替换初始特征库中与所述多个第二图像对应的初始特征,得到第1个状态下的特征库。
在一种可能的实现方式中,所述多个第二图像为所述训练集的M个训练图像中的N个图像,N<M,其中,所述装置还包括:第一图像确定模块,用于在第s个状态下,从所述M个训练图像中选取N个图像作为第二图像;队列更新模块,用于从存储有所述M个训练图像的数据队列中去除所述N个图像,并将所述N个图像存储到所述数据队列的后端,其中,所述数据队列前端的M-N个数据被选中的第一概率大于所述数据队列后端的-N个数据被选中的第二概率。
在一种可能的实现方式中,所述多个第一图像为所述训练集的M个训练图像中的P个图像,P<M,其中,所述装置还包括:第二图像确定模块,用于在第s个状态下,从所述M个训练图像中选取P个图像作为第二图像。
在一种可能的实现方式中,所述中间网络确定子模块,包括:网络参数调整子模块,用于根据所述第一损失,调整所述第一神经网络的网络参数;第一神经网络确定子模块,用于在所述第一损失满足训练条件的情况下,确定训练后的第一神经网络。
根据本公开的一方面,提供了一种图像处理装置,包括:图像处理数据获取模块,用于将待处理图像输入到第一神经网络进行处理,获取图像处理数据;其中,所述第一神经网络是通过上述的神经网络训练方法训练得到的。
在一种可能的实现方式中,提供了一种图像处理装置,包括:图像处理数据获取模块,用于将待处理图像输入到第一神经网络进行处理,获取图像处理数据;其中,所述第一神经网络是通过权利上述的神经网络训练方法训练得到的。
在一些实施例中,本公开实施例提供的装置具有的功能或包含的模块可以用于执行上文方法实施例描述的方法,其具体实现可以参照上文方法实施例的描述,为了简洁,这里不再赘述
本公开实施例还提出一种计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令被处理器执行时实现上述方法。计算机可读存储介质可以是非易失性计算机可读存储介质。
本公开实施例还提出一种电子设备,包括:处理器;用于存储处理器可执行指令的存储器;其中,所述处理器被配置为上述方法。
图7是根据一示例性实施例示出的一种电子设备800的框图。例如,电子设备800可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等终端。
参照图7,电子设备800可以包括以下一个或多个组件:处理组件802,存储器804,电源组件806,多媒体组件808,音频组件810,输入/输出(I/O)的接口812,传感器组件814,以及通信组件816。
处理组件802通常控制电子设备800的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件802可以包括一个或多个处理器820来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件802可以包括一个或多个模块,便于处理组件802和其他组件之间的交互。例如,处理组件802可以包括多媒体模块,以方便多媒体组件808和处理组件802之间的交互。
存储器804被配置为存储各种类型的数据以支持在电子设备800的操作。这些数据的示例包括用于在电子设备800上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器804可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件806为电子设备800的各种组件提供电力。电源组件806可以包括电源管理系统,一个或多个电源,及其他与为电子设备800生成、管理和分配电力相关联的组件。
多媒体组件808包括在所述电子设备800和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件808包括一个前置摄像头和/或后置摄像头。当电子设备800处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件810被配置为输出和/或输入音频信号。例如,音频组件810包括一个麦克风(MIC),当电子设备800处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器804或经由通信组件816发送。在一些实施例中,音频组件810还包括一个扬声器,用于输出音频信号。
I/O接口812为处理组件802和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件814包括一个或多个传感器,用于为电子设备800提供各个方面的状态评估。例如,传感器组件814可以检测到电子设备800的打开/关闭状态,组件的相对定位,例如所述组件为电子设备800的显示器和小键盘,传感器组件814还可以检测电子设备800或电子设备800一个组件的位置改变,用户与电子设备800接触的存在或不存在,电子设备800方位或加速/减速和电子设备800的温度变化。传感器组件814可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件814还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件814还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件816被配置为便于电子设备800和其他设备之间有线或无线方式的通信。电子设备800可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件816经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件816还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,电子设备800可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述方法。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器804,上述计算机程序指令可由电子设备800的处理器820执行以完成上述方法。
图8是根据一示例性实施例示出的一种电子设备1900的框图。例如,电子设备1900可以被提供为一服务器。参照图8,电子设备1900包括处理组件1922,其进一步包括一个或多个处理器,以及由存储器1932所代表的存储器资源,用于存储可由处理组件1922的执行的指令,例如应用程序。存储器1932中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1922被配置为执行指令,以执行上述方法。
电子设备1900还可以包括一个电源组件1926被配置为执行电子设备1900的电源管理,一个有线或无线网络接口1950被配置为将电子设备1900连接到网络,和一个输入输出(I/O)接口1958。电子设备1900可以操作基于存储在存储器1932的操作系统,例如Windows ServerTM,Mac OS XTM,UnixTM,LinuxTM,FreeBSDTM或类似。
在示例性实施例中,还提供了一种非易失性计算机可读存储介质,例如包括计算机程序指令的存储器1932,上述计算机程序指令可由电子设备1900的处理组件1922执行以完成上述方法。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质,其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身,诸如无线电波或者其他自由传播的电磁波、通过波导或其他传输媒介传播的电磁波(例如,通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备,或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令,并转发该计算机可读程序指令,以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码,所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等,以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令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)。在一些实施例中,通过利用计算机可读程序指令的状态信息来个性化定制电子电路,例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA),该电子电路可以执行计算机可读程序指令,从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器,从而生产出一种机器,使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时,产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中,这些指令使得计算机、可编程数据处理装置和/或其他设备以特定方式工作,从而,存储有指令的计算机可读介质则包括一个制造品,其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上,使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤,以产生计算机实现的过程,从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
附图中的流程图和框图显示了根据本公开的多个实施例的系统、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、程序段或指令的一部分,所述模块、程序段或指令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。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,两个连续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动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。
以上已经描述了本公开的各实施例,上述说明是示例性的,并非穷尽性的,并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择,旨在最好地解释各实施例的原理、实际应用或对市场中的技术改进,或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (26)
1.一种神经网络训练方法,其特征在于,包括:
将训练集中的多个第一图像输入第一神经网络,获得多个第一处理结果,其中,每个第一处理结果至少包括第一特征;
根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,
其中,针对任意一个第一图像,特征库中包括对应于所述第一图像的多个第二特征,所述多个第二特征分别基于不同训练状态下的第二神经网络的处理得到;所述第二神经网络的层级数多于第一神经网络的层级数。
2.根据权利要求1所述的方法,其特征在于,所述特征库中包括基于各个训练状态下的第二神经网络的处理得到第二特征;
其中,根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,包括:
根据特征库中与所述多个第一图像对应的,基于各个训练状态下的第二神经网络的处理得到第二特征,训练所述第一神经网络。
3.根据权利要求1所述的方法,其特征在于,各个训练状态下的第二神经网络分别对应有特征库,针对任意一个第一图像,各个训练状态的特征库中包括的对应于所述第一图像的第二特征不同;
其中,根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,包括:
基于各个训练状态下的第二神经网络的处理得到第二特征,分别得到各个训练状态的特征库;
根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络。
4.根据权利要求3所述的方法,其特征在于,第二神经网络的训练过程包括S个训练状态,其中,S为大于1的整数;
其中,将训练集中的多个第一图像输入第一神经网络,获得多个第一处理结果,包括:
将训练集中的多个第一图像分别输入第s个状态的第一神经网络中处理,获得多个第一处理结果,其中,所述第s个状态为预设的S个训练状态中的一个,且1≤s<S;
所述根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,包括:
根据第s个状态的特征库中与所述多个第一图像对应的第二特征,以及多个第一处理结果,确定所述第一神经网络在第s个状态下的第一损失;
根据所述第一损失对所述第一神经网络进行训练,并将训练后的第一神经网络确定为第s+1个状态的第一神经网络;
将在第S个状态下训练后的第一神经网络确定为最终的第一神经网络。
5.根据权利要求4所述的方法,其特征在于,每个第一处理结果还包括第一预测结果,
其中,根据第s个状态的特征库中与所述多个第一图像对应的第二特征以及多个第一处理结果,确定所述第一神经网络在第s个状态下的第一损失,包括:
根据多个第二特征及多个第一特征,确定第一子损失;
根据多个第一预测结果及所述多个第一图像的标注结果,确定第二子损失;
根据所述第一子损失及所述第二子损失,确定所述第一神经网络在第s个状态下的第一损失。
6.根据权利要求4或5所述的方法,其特征在于,所述方法还包括:
将训练集中的多个第二图像分别输入第s个状态的第二神经网络中处理,获得多个第二预测结果;
根据所述第二预测结果及所述多个第二图像的标注结果,确定所述第二神经网络在第s个状态下的第二损失;
根据所述第二损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第s+1个状态的第二神经网络;
将所述多个第二图像分别输入第s个状态下的第二神经网络中处理,获得第三特征;
利用第三特征更新第s-1个状态的特征库,得到第s个状态的特征库,
其中,所述第s个状态的特征库中至少包括与训练集中的多个第二图像对应的第三特征,所述第三特征是通过将所述多个第二图像分别输入第s个状态下的第二神经网络中处理得到的。
7.根据权利要求6所述的方法,其特征在于,利用所述第三特征更新第s-1个状态的特征库,得到第s个状态的特征库,包括:
在s大于1的情况下,利用所述第三特征替换第s-1个状态的特征库中与所述多个第二图像对应的特征,得到第s个状态的特征库。
8.根据权利要求6或7所述的方法,其特征在于,利用所述第三特征更新第s-1个状态的特征库,得到第s个状态的特征库,包括:
在s等于1的情况下,利用所述第三特征替换初始特征库中与所述多个第二图像对应的初始特征,得到第1个状态下的特征库。
9.根据权利要求4-8中任意一项所述的方法,其特征在于,所述多个第二图像为所述训练集的M个训练图像中的N个图像,N<M,
其中,所述方法还包括:
在第s个状态下,从所述M个训练图像中选取N个图像作为第二图像;
从存储有所述M个训练图像的数据队列中去除所述N个图像,并将所述N个图像存储到所述数据队列的后端,
其中,所述数据队列前端的M-N个数据被选中的第一概率大于所述数据队列后端的-N个数据被选中的第二概率。
10.根据权利要求4-9中任意一项所述的方法,其特征在于,所述多个第一图像为所述训练集的M个训练图像中的P个图像,P<M,
其中,所述方法还包括:
在第s个状态下,从所述M个训练图像中选取P个图像作为第二图像。
11.根据权利要求4-10中任意一项所述的方法,其特征在于,根据所述第一损失对所述第一神经网络进行训练,包括:
根据所述第一损失,调整所述第一神经网络的网络参数;
在所述第一损失满足训练条件的情况下,确定训练后的第一神经网络。
12.一种图像处理方法,其特征在于,包括:
将待处理图像输入到第一神经网络进行处理,获取图像处理数据;
其中,所述第一神经网络是通过权利要求1-11中任意一项所述的神经网络训练方法训练得到的。
13.一种神经网络训练装置,其特征在于,包括:
处理结果获取模块,用于将训练集中的多个第一图像输入第一神经网络,获得多个第一处理结果,其中,每个第一处理结果至少包括第一特征;
网络训练模块,用于根据特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络,
其中,针对任意一个第一图像,特征库中包括对应于所述第一图像的多个第二特征,所述多个第二特征分别基于不同训练状态下的第二神经网络的处理得到;所述第二神经网络的层级数多于第一神经网络的层级数。
14.根据权利要求13所述的装置,其特征在于,所述特征库中包括基于各个训练状态下的第二神经网络的处理得到第二特征;
其中,所述网络训练模块包括:
第一训练子模块,用于根据特征库中与所述多个第一图像对应的,基于各个训练状态下的第二神经网络的处理得到第二特征,训练所述第一神经网络。
15.根据权利要求13所述的装置,其特征在于,各个训练状态下的第二神经网络分别对应有特征库,针对任意一个第一图像,各个训练状态的特征库中包括的对应于所述第一图像的第二特征不同;
其中,所述网络训练模块包括:
特征库获取子模块,用于基于各个训练状态下的第二神经网络的处理得到第二特征,分别得到各个训练状态的特征库;
第二训练子模块,根据各个训练状态下的特征库中与所述多个第一图像对应的第二特征和所述第一特征,训练所述第一神经网络。
16.根据权利要求15所述的装置,其特征在于,第二神经网络的训练过程包括S个训练状态,其中,S为大于1的整数;
其中,所述处理结果获取模块包括:
处理结果获取子模块,用于将训练集中的多个第一图像分别输入第s个状态的第一神经网络中处理,获得多个第一处理结果,其中,所述第s个状态为预设的S个训练状态中的一个,且1≤s<S;
所述第二训练子模块包括:
第一损失确定子模块,用于根据第s个状态的特征库中与所述多个第一图像对应的第二特征,以及多个第一处理结果,确定所述第一神经网络在第s个状态下的第一损失;
中间网络确定子模块,用于根据所述第一损失对所述第一神经网络进行训练,并将训练后的第一神经网络确定为第s+1个状态的第一神经网络;
最终网络确定子模块,用于将在第S个状态下训练后的第一神经网络确定为最终的第一神经网络。
17.根据权利要求16所述的装置,其特征在于,每个第一处理结果还包括第一预测结果,
其中,第一损失确定子模块包括:
第一子损失确定子模块,用于根据多个第二特征及多个第一特征,确定第一子损失;
第二子损失确定子模块,用于根据多个第一预测结果及所述多个第一图像的标注结果,确定第二子损失;
第一损失计算子模块,用于根据所述第一子损失及所述第二子损失,确定所述第一神经网络在第s个状态下的第一损失。
18.根据权利要求16或17所述的装置,其特征在于,所述装置还包括:
第二预测结果获取模块,用于将训练集中的多个第二图像分别输入第s个状态的第二神经网络中处理,获得多个第二预测结果;
第二损失确定模块,用于根据所述第二预测结果及所述多个第二图像的标注结果,确定所述第二神经网络在第s个状态下的第二损失;
第二网络训练模块,用于根据所述第二损失对所述第二神经网络进行训练,并将训练后的第二神经网络确定为第s+1个状态的第二神经网络;
第三特征获取模块,用于将所述多个第二图像分别输入第s个状态下的第二神经网络中处理,获得第三特征;
特征库确定模块,用于利用第三特征更新第s-1个状态的特征库,得到第s个状态的特征库,
其中,所述第s个状态的特征库中至少包括与训练集中的多个第二图像对应的第三特征,所述第三特征是通过将所述多个第二图像分别输入第s个状态下的第二神经网络中处理得到的。
19.根据权利要求18所述的装置,其特征在于,特征库确定模块包括:
第一特征替换子模块,用于在s大于1的情况下,利用所述第三特征替换第s-1个状态的特征库中与所述多个第二图像对应的特征,得到第s个状态的特征库。
20.根据权利要求18或19所述的装置,其特征在于,特征库确定模块包括:
第二特征替换子模块,用于在s等于1的情况下,利用所述第三特征替换初始特征库中与所述多个第二图像对应的初始特征,得到第1个状态下的特征库。
21.根据权利要求16-20中任意一项所述的装置,其特征在于,所述多个第二图像为所述训练集的M个训练图像中的N个图像,N<M,
其中,所述装置还包括:
第一图像确定模块,用于在第s个状态下,从所述M个训练图像中选取N个图像作为第二图像;
队列更新模块,用于从存储有所述M个训练图像的数据队列中去除所述N个图像,并将所述N个图像存储到所述数据队列的后端,
其中,所述数据队列前端的M-N个数据被选中的第一概率大于所述数据队列后端的-N个数据被选中的第二概率。
22.根据权利要求16-21中任意一项所述的装置,其特征在于,所述多个第一图像为所述训练集的M个训练图像中的P个图像,P<M,
其中,所述装置还包括:
第二图像确定模块,用于在第s个状态下,从所述M个训练图像中选取P个图像作为第二图像。
23.根据权利要求16-22中任意一项所述的装置,其特征在于,所述中间网络确定子模块,包括:
网络参数调整子模块,用于根据所述第一损失,调整所述第一神经网络的网络参数;
第一神经网络确定子模块,用于在所述第一损失满足训练条件的情况下,确定训练后的第一神经网络。
24.一种图像处理装置,其特征在于,包括:
图像处理数据获取模块,用于将待处理图像输入到第一神经网络进行处理,获取图像处理数据;
其中,所述第一神经网络是通过权利要求1-11中任意一项所述的神经网络训练方法训练得到的。
25.一种电子设备,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:执行权利要求1至12中任意一项所述的方法。
26.一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,所述计算机程序指令被处理器执行时实现权利要求1至12中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910100328.3A CN109858614B (zh) | 2019-01-31 | 2019-01-31 | 神经网络训练方法及装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910100328.3A CN109858614B (zh) | 2019-01-31 | 2019-01-31 | 神经网络训练方法及装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109858614A CN109858614A (zh) | 2019-06-07 |
CN109858614B true CN109858614B (zh) | 2021-06-25 |
Family
ID=66897298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910100328.3A Active CN109858614B (zh) | 2019-01-31 | 2019-01-31 | 神经网络训练方法及装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109858614B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220240157A1 (en) * | 2019-06-11 | 2022-07-28 | Telefonaktiebolaget Lm Ericsson (Publ) | Methods and Apparatus for Data Traffic Routing |
CN110472681A (zh) * | 2019-08-09 | 2019-11-19 | 北京市商汤科技开发有限公司 | 基于知识蒸馏的神经网络训练方案和图像处理方案 |
CN110659690B (zh) * | 2019-09-25 | 2022-04-05 | 深圳市商汤科技有限公司 | 神经网络的构建方法及装置、电子设备和存储介质 |
CN113139560B (zh) * | 2020-01-17 | 2024-06-14 | 北京达佳互联信息技术有限公司 | 视频处理模型的训练方法和装置、视频处理方法和装置 |
CN112101543A (zh) * | 2020-07-29 | 2020-12-18 | 北京迈格威科技有限公司 | 神经网络模型确定方法、装置、电子设备及可读存储介质 |
CN112232506A (zh) * | 2020-09-10 | 2021-01-15 | 北京迈格威科技有限公司 | 网络模型训练方法、图像目标识别方法、装置和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3144859A2 (en) * | 2015-09-18 | 2017-03-22 | Samsung Electronics Co., Ltd. | Model training method and apparatus, and data recognizing method |
CN107944374A (zh) * | 2017-11-20 | 2018-04-20 | 北京奇虎科技有限公司 | 视频数据中特定对象检测方法及装置、计算设备 |
-
2019
- 2019-01-31 CN CN201910100328.3A patent/CN109858614B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3144859A2 (en) * | 2015-09-18 | 2017-03-22 | Samsung Electronics Co., Ltd. | Model training method and apparatus, and data recognizing method |
CN107944374A (zh) * | 2017-11-20 | 2018-04-20 | 北京奇虎科技有限公司 | 视频数据中特定对象检测方法及装置、计算设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109858614A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109858614B (zh) | 神经网络训练方法及装置、电子设备和存储介质 | |
CN110210535B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN109800737B (zh) | 面部识别方法及装置、电子设备和存储介质 | |
CN110837761B (zh) | 多模型知识蒸馏方法及装置、电子设备和存储介质 | |
CN109919300B (zh) | 神经网络训练方法及装置以及图像处理方法及装置 | |
CN110909815A (zh) | 神经网络训练、图像处理方法、装置及电子设备 | |
CN109543537B (zh) | 重识别模型增量训练方法及装置、电子设备和存储介质 | |
CN109165738B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
JP2022522551A (ja) | 画像処理方法及び装置、電子機器並びに記憶媒体 | |
CN111242303B (zh) | 网络训练方法及装置、图像处理方法及装置 | |
CN108960283B (zh) | 分类任务增量处理方法及装置、电子设备和存储介质 | |
CN109145970B (zh) | 基于图像的问答处理方法和装置、电子设备及存储介质 | |
CN112001364A (zh) | 图像识别方法及装置、电子设备和存储介质 | |
CN109934240B (zh) | 特征更新方法及装置、电子设备和存储介质 | |
CN109685041B (zh) | 图像分析方法及装置、电子设备和存储介质 | |
CN108171222B (zh) | 一种基于多流神经网络的实时视频分类方法及装置 | |
CN110543849A (zh) | 检测器的配置方法及装置、电子设备和存储介质 | |
CN110633715B (zh) | 图像处理方法、网络训练方法及装置、和电子设备 | |
CN109447258B (zh) | 神经网络模型的优化方法及装置、电子设备和存储介质 | |
CN109635926B (zh) | 用于神经网络的注意力特征获取方法、装置及存储介质 | |
CN112559673A (zh) | 语言处理模型的训练方法及装置、电子设备及存储介质 | |
CN113807498B (zh) | 模型扩展方法及装置、电子设备和存储介质 | |
CN112598676B (zh) | 图像分割方法及装置、电子设备和存储介质 | |
CN111582265A (zh) | 一种文本检测方法及装置、电子设备和存储介质 | |
CN110659625A (zh) | 物体识别网络的训练方法及装置、电子设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |