CN110276403B - 模型建立方法和装置 - Google Patents
模型建立方法和装置 Download PDFInfo
- Publication number
- CN110276403B CN110276403B CN201910555704.8A CN201910555704A CN110276403B CN 110276403 B CN110276403 B CN 110276403B CN 201910555704 A CN201910555704 A CN 201910555704A CN 110276403 B CN110276403 B CN 110276403B
- Authority
- CN
- China
- Prior art keywords
- model
- question
- trained
- answer
- independent
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例公开了模型建立方法和装置。该方法的一具体实施方式包括:建立第一模型,其中,该第一模型包括输入层和共享输入层的至少两个任务层;对该第一模型进行训练,生成第二模型,其中,该第二模型包括训练后输入层和至少两个训练后任务层;将该至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型;对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统,其中,该模型系统中的独立模型之间的信息流转符合预设流转方式。该实施方式提供了新的模型建立方式。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及模型建立方法和装置。
背景技术
随着计算机技术和机器学习技术的发展,通常训练一个模型或模型组合来执行目标任务。现有的对模型训练的方法,在需要模型组合执行目标任务的情况中,通常是对各个模型独立训练,各个模型之间互不相关。
发明内容
本申请实施例提出了模型建立方法和装置。
第一方面,本申请实施例提供了一种模型建立方法,该方法包括:包括:建立第一模型,其中,上述第一模型包括输入层和共享输入层的至少两个任务层;对上述第一模型进行训练,生成第二模型,其中,上述第二模型包括训练后输入层和至少两个训练后任务层;将上述至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型;对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统,其中,上述模型系统中的独立模型之间的信息流转符合预设流转方式。
第二方面,本申请实施例提供了一种模型建立装置,该装置包括:建立单元,被配置成建立第一模型,其中,上述第一模型包括输入层和共享输入层的至少两个任务层;第一生成单元,被配置成对上述第一模型进行训练,生成第二模型,其中,上述第二模型包括训练后输入层和至少两个训练后任务层;第二生成单元,被配置成将上述至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型;第三生成单元,被配置成对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统,其中,上述模型系统中的独立模型之间的信息流转符合预设流转方式。
第三方面,本申请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,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行,使得该一个或多个处理器实现如上述模型建立方法中任一实施例的方法。
第四方面,本申请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,该程序被处理器执行时实现如上述模型建立方法中任一实施例的方法。
本申请实施例提供的模型建立方法和装置,通过建立包括输入层和共享输入层的至少两个任务层的第一模型,然后对第一模型训练生成第二模型,再后将训练后的输入层与各个任务层结合,最后对各个独立模型训练,以及联合训练后的独立模型,生成模型系统,并且所生成的模型系统中的独立模型之间的信息流转符合预设流转方式,技术效果至少可以包括:提供了新的模型建立的方式。
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,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性系统架构图;
图2是根据本申请的模型建立方法的一个实施例的流程图;
图3A、图3B、图3C和图3D是根据本申请的模型建立方法的一个应用场景的示意图;
图4是根据本申请的模型建立方法的另一个实施例的流程图;
图5是根据本申请的模型建立方法的又一个实施例的流程图;
图6是根据本申请的模型建立装置的一个实施例的结构示意图;
图7是适于用来实现本申请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申请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发明,而非对该发明的限定。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发明相关的部分。
需要说明的是,在不冲突的情况下,本申请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申请。
图1示出了可以应用本申请的模型建立方法或模型建立装置的实施例的示例性系统架构100。
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可以是用以在终端设备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可以通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如人机互动类应用、购物类应用、图像处理类应用、即时通信工具等。
终端设备101、102、103可以是硬件,可以是具有显示屏的电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group AudioLayer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts GroupAudio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上的人机互动类应用提供支持的后台服务器。后台服务器可以对接收到的待回复问题,利用所建立的模型进行处理,生成目标答案,再将生成的答案返回给终端设备。
需要说明的是,本申请实施例所提供的模型建立方法可以由服务器105执行,相应地,模型建立装置可以设置于服务器105。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,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。当模型建立方法运行于其上的电子设备不需要与其他电子设备进行数据传输时,该系统架构可以仅包括模型建立方法运行于其上的电子设备。
继续参考图2,其示出了根据本申请的模型建立方法的一个实施例的流程200。该模型建立方法,包括以下步骤:
步骤201,建立第一模型。
在本实施例中,模型建立方法的执行主体(例如图1所示的服务器)可以建立第一模型。
在这里,上述第一模型包括输入层和共享输入层的至少两个任务层,换句话说,上述输入层与各个任务层连接。
在这里,输入层可以是各种功能、各种结构的神经网络层。作为示例,输入层可以用于特征提取,还可以用于信息分类。输入层可以是卷积神经网络,还可以是。
在这里,任务层可以用于执行特定任务。作为示例,任务层可以执行的任务包括但不限于以下至少一项:分类、预测等。
可选的,可以将导入输入层的一条或多条输入信息,拼接为一条总输入信息,总输入信息分段,每段为各条输入信息,并给各段做好分段标识。对应的,输出层输出为一条总输出信息,总输出信息分段,并给各段做好分段标识。由此,可以解决各个任务层所需要的输入数量不一致的问题
步骤202,对第一模型进行训练,生成第二模型。
在本实施例中,上述执行主体可以对上述第一模型进行训练,生成第二模型。
在这里,上述第二模型包括训练后输入层和至少两个训练后任务层。
在这里,第一模型进行训练的过程,可以是各种各样的。作为示例,可以将训练样本集中的训练样本,导入第一模型;然后将第一模型的输出结果与训练样本集所关联的标签进行比对,生成比对结果,;再利用反向传播算法对第一模型的网络参数进行调节,直到训练次数达到预设次数或者模型准确度达到预设准确度,则停止训练,得到第二模型。
步骤203,将至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型。
在本实施例中,上述执行主体可以将上述至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型。
在这里,每个训练后任务层与训练后输入层结合,可以生成与该训练后任务层对应的独立模型。
步骤204,对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统。
在本实施例中,上述执行主体可以对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统。
在这里,上述模型系统中的独立模型之间的信息流转符合预设流转方式。
在这里,可以由于各个任务层的功能是不同,因此各个独立模型的功能也是不同的。可以利用与各个任务层(或者说独立模型)对应的训练集各自的训练集,对独立模型进行训练,得到训练后的独立模型。
在这里,预设流转方式可以指示独立模型之间的信息流的流转方式。作为示例,模型系统包括三个独立模型,分别称为独立模型A、独立模型B和独立模型C。预设流转方式可以是:将模型系统的输入导入独立模型A,独立模型A的输出导入独立模型B,模型系统的输入和独立模型B的输出导入独立模型C,将独立模型C的输出作为模型系统的输出。
继续参见图3A、图3B、图3C和图3D,图3A、图3B、图3C和图3D示出了根据本实施例的模型建立方法的一个应用场景。具体的:
首先,服务器可以建立第一模型。第一模型可以包括输入层301、第一任务层302和第二任务层303,如图3A所示。
然后,服务器对第一模型进行训练,生成第二模型。作为示例,输入层301经训练得到训练后输入层304,第一任务层302经训练可以得到训练后第一任务层305,第二任务层303经训练可以得到训练后第二任务层306,如图3B所示。
再后,服务器课程将指示两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型。作为示例,可以将训练后第一任务层305与训练后输入层304结合,生成第一独立模型307,如图3C所示。可以将训练后第二任务层306与训练后输入层304结合,生成第二独立模型308。
最后,服务器可以对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统。作为示例,可以对第一独立模型307进行训练,生成训练后的第一独立模型。可以对第二独立模型308进行训练,生成训练后的第二独立模型。可以将第一训练后第一独立模型的输出与训练后第二独立模型的输入连通,得到模型系统,如图3D所示。图3D中,第一独立模型的输入为模型系统的输入,第二独立模型的输出为模型系统的输出。
本实施例示出的方法,通过建立包括输入层和共享输入层的至少两个任务层的第一模型,然后对第一模型训练生成第二模型,再后将训练后的输入层与各个任务层结合,最后对各个独立模型训练,以及联合训练后的独立模型,生成模型系统,并且所生成的模型系统中的独立模型之间的信息流转符合预设流转方式,技术效果至少可以包括:
第一,提供了新的模型建立的方式。
第二,任务层之间共享输入层,可以使得输入层接收到更多数据的训练,提高输入层的准确率。作为示例,5个任务层,每个任务层对应10万的训练数据。如果各个任务层使用各自输入层独自训练,那么每个任务层它的输入层智能接收到10万的训练数据的训练。如果5个任务层共享输入层,那么每个任务的输入层能够接收到50万的训练数据的训练。由此,可以提高输入层的准确率,进而,可以提高所建立的模型的准确率。
第三,在训练后输入层的基础上,将训练后输入层与各个训练后任务层结合,生成各个独立模型,再对各个独立模型进行训练。由此,对独立模型的训练,可以实现在训练得准确率较高的输入层的基础上,对任务层再训练后任务层进行进一步训练,并且对训练后任务层和训练后输入层之间的配合度进行针对性训练。从而,可以提高任务层的准确率,提高独立模型的准确率;并且,有针对性地训练训练后任务层和训练后输入层之间的配合度,也可以提高独立模型的准确率。
进一步参考图4,其示出了模型建立方法的又一个实施例的流程400。该模型建立方法的流程400,包括以下步骤:
步骤401,建立第一模型。
在本实施例中,模型建立方法的执行主体(例如图1所示的服务器)可以建立第一模型。
在这里,上述第一模型包括输入层和共享输入层的至少两个任务层,换句话说,上述输入层与各个任务层连接。
步骤402,对第一模型执行至少一轮训练,直到预设训练停止条件满足。
在本实施例中,模型建立方法的执行主体(例如图1所示的服务器)可以对上述第一模型执行至少一轮训练,直到预设训练停止条件满足。
在这里,上述至少一轮训练中的每轮训练包括:对于上述第一模型中的每个任务层,利用该任务层对应的第一训练集,对输入层和该任务层进行训练。
在这里,预设训练停止条件可以包括但不限于:所训练的模型的准确度不小于预设准确度阈值、训练次数不小于预设次数。
步骤403,响应于确定对上述第一模型的训练停止,生成第二模型。
在本实施例中,上述执行主体可以包括响应于确定对上述第一模型的训练停止,生成上述第二模型。
步骤404,将至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型。
在本实施例中,上述执行主体可以将上述至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型。
步骤405,对于所生成的独立模型中的独立模型,利用与该独立模型对应的第二训练集,对该独立模型进行训练,生成训练后的独立模型。
在本实施例中,上述执行主体可以对于所生成的独立模型中的独立模型,利用与该独立模型对应的第二训练集,对该独立模型进行训练,生成训练后的独立模型。
步骤406,根据预设流转方式,设置训练后的独立模型之间的信息流转通道,以生成初始模型系统。
在本实施例中,上述执行主体可以根据预设流转方式,设置训练后的独立模型之间的信息流转通道,以生成上述模型系统。
在这里,设置信息流转通道,可以是对于每个模型,按照预设流转方式,将输入或者输出与预设的其它模型导通。
步骤407,对初始模型系统进行训练,生成模型系统。
在本实施例中,上述执行主体可以对上述初始模型系统进行训练,生成模型系统。
从图4中可以看出,与图2对应的实施例相比,本实施例中的模型建立方法的流程400突出了对第一模型执行多轮训练、对各个独立模型进行训练以及对联合了独立模型的初始模型再训练的步骤,由此,本实施例描述的方案的技术效果至少可以包括:
第一,对第一模型进行多轮训练,并且每轮训练过程中,利用各个任务层对应的第一训练集,对输入层和任务层进行训练,由此,可以对于任务层进行针对性训练,得到准确度高的任务层。并且,在对各个任务层训练的时候均对输入层进行训练,可以提高输入层的准确度。
第二,利用该独立模型对应的第二训练集,对独立模型进行训练,生成训练后的独立模型,再建立信息流转通道,可以保证独立模型在该独立模型特定任务方面的准确度。
第三,对建立了信息流转通道的初始模型系统,再进行联合训练,生成模型系统,可以在保证了各个独立模型在各自的任务方面的准确度之后,对各个独立模型之间的配合度进行训练,生成准确度更高的模型系统。
进一步参考图5,其示出了模型建立方法的又一个实施例的流程500。该模型建立方法的流程500,包括以下步骤:
步骤501,建立第一模型。
在本实施例中,模型建立方法的执行主体(例如图1所示的服务器)可以建立第一模型。
在这里,上述第一模型包括输入层和共享输入层的至少两个任务层,换句话说,上述输入层与各个任务层连接。
在这里,至少两个任务层可以包括答案生成任务层和答案校验任务层。
步骤502,对第一模型进行训练,生成第二模型。
在本实施例中,上述执行主体可以对上述第一模型进行训练,生成第二模型。
在这里,上述第二模型包括训练后输入层、训练后答案生成任务层和训练后答案校验任务层。
步骤503,将至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型。
在本实施例中,上述执行主体可以将上述至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型。
在这里,可以将训练后输入层与训练后答案生成任务层结合,生成答案生成模型。可以将训练后输入层与训练后答案校验任务层结合,生成答案校验模型。
步骤504,对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统。
在本实施例中,上述执行主体可以对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统。
在这里,可以对答案生成模型进行训练,以及对答案校验模型进行训练。再联合训练后的答案生成模型和训练后的答案校验模型,生成问答模型系统。
步骤505,获取待回复问题。
在这里,上述执行主体可以从本地或者上述执行主体之外的其它电子设备,获取待回复问题。
步骤506,将待回复问题导入问答模型系统,生成待回复问题的目标答案。
在本实施例中,上述执行主体可以将上述待回复问题导入上述问答模型系统,生成上述待回复问题的目标答案。
在一些实施例中,步骤506可以包括将上述待回复问题导入上述答案生成模型,生成候选答案;将候选答案导入答案校验模型,得到目标答案。
在一些实施例中,答案生成模型可以用于生成候选答案。
在一些实施例中,答案校验模型可以用于校验答案是否正确,如果正确,并将正确的候选答案作为目标答案。可选的,答案校验模型可以包括多种类型。各个类型的答案校验模型的校验方向不同。作为示例,答案校验模型可以是用于校验答案准确度的答案校验模型,答案校验模型还可以是用于校验是否涉及敏感信息的答案校验模型。
在一些实施例中,上述答案生成模型包括以下至少一项:答案抽取模型、答案确认模型。
在这里,答案抽取模型和答案确认模型,可以是针对不同类型的待回复问题的答案生成模型。作为示例,问题如果是“樱桃是什么颜色的”,这一问题的答案需要是描述性的信息,比如樱桃是红色的,这个时候可以采用答案抽取模型。问题如果是“应该是红色的吗”,这一问题的答案需要是判断性的信息,比如是或者否,这个时候可以采用答案确认模型。
在一些实施例中,上述问答模型系统还包括以下至少一项:问题分类模型和文章排序模型。
在一些实施例中,问题分类模型可以用于生成问题类型。将问题类型导入文章排序模型,文章排序模型可以通过检索引擎,获取预定数目篇相关的文章(多篇文章排序后选择出预定数目篇)。
在一些实施例中,步骤506可以包括:将上述待回复问题,导入问题分类模型,生成问题类型;将上述问题类型导入上述文章排序模型,得到与上述问题类型对应的一个或多个文章;将所获取的文章和上述待回复问题,导入上述答案生成模型或答案确认模型,生成候选答案;将上述候选答案和上述待回复问题导入上述答案校验模型,得到目标答案。
从图5中可以看出,与图2对应的实施例相比,本实施例中的模型建立方法的流程500突出了模型系统为问答模型系统以及利用问答模型系统生成目标答案的步骤,由此,本实施例描述的方案的技术效果至少可以包括:
第一,提供了新的由待回复问题生成目标答案的方式。
第二,由于所建立的问答模型系统的准确度较高,因此,利用所建立的问答模型系统生成目标答案,可以提高所生成的目标答案的准确性。
进一步参考图6,作为对上述各图所示方法的实现,本申请提供了一种模型建立装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,除下面所记载的特征外,该装置实施例还可以包括与图2所示的方法实施例相同或相应的特征。该装置具体可以应用于各种电子设备中。
如图6所示,本实施例的模型建立装置600包括:建立单元601、第一生成单元602、第二生成单元603和第三生成单元604。其中,建立单元,被配置成建立第一模型,其中,上述第一模型包括输入层和共享输入层的至少两个任务层;第一生成单元,被配置成对上述第一模型进行训练,生成第二模型,其中,上述第二模型包括训练后输入层和至少两个训练后任务层;第二生成单元,被配置成将上述至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型;第三生成单元,被配置成对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统,其中,上述模型系统中的独立模型之间的信息流转符合预设流转方式。
在本实施例中,模型建立装置700的建立单元701、第一生成单元702、第二生成单元703和第三生成单元704的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202、步骤203和步骤204的相关说明,在此不再赘述。
在一些实施例中,上述第一生成单元,还被配置成:对上述第一模型执行至少一轮训练,直到预设训练停止条件满足,其中,上述至少一轮训练中的每轮训练包括:对于上述第一模型中的每个任务层,利用该任务层对应的第一训练集,对输入层和该任务层进行训练;响应于确定对上述第一模型的训练停止,生成上述第二模型。
在一些实施例中,上述第三生成单元,还被配置成:对于所生成的独立模型中的独立模型,利用与该独立模型对应的第二训练集,对该独立模型进行训练,生成训练后的独立模型;根据上述预设流转方式,设置上述训练后的独立模型之间的信息流转通道,生成初始模型系统;对上述初始模型系统进行训练,生成模型系统。
在一些实施例中,上述模型系统为问答模型系统;以及上述装置还包括:获取单元,被配置成:获取待回复问题;第四生成单元,被配置成将上述待回复问题导入上述问答模型系统,生成上述待回复问题的目标答案。
在一些实施例中,上述问答模型系统包括:答案生成模型和答案校验模型。
在一些实施例中,上述答案生成模型包括以下至少一项:答案抽取模型、答案确认模型。
在一些实施例中,上述第四生成单元,还被配置成:将上述待回复问题导入上述答案生成模型,生成候选答案;将候选答案导入答案校验模型,得到目标答案。
在一些实施例中,上述问答模型系统还包括以下至少一项:问题分类模型和文章排序模型
在一些实施例中,上述第四生成单元,还被配置成:将上述待回复问题,导入问题分类模型,生成问题类型;将上述问题类型导入上述文章排序模型,得到与上述问题类型对应的文章;将所获取的文章和上述待回复问题,导入上述答案生成模型或答案确认模型,生成候选答案;将上述候选答案和上述待回复问题,导入上述答案校验模型,得到目标答案。
下面参考图7,其示出了适于用来实现本申请实施例的电子设备的计算机系统700的结构示意图。图7示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图7所示,计算机系统700包括中央处理单元(CPU,Central Processing Unit)701,其可以根据存储在只读存储器(ROM,Read Only Memory)702中的程序或者从存储部分706加载到随机访问存储器(RAM,Random Access Memory)703中的程序而执行各种适当的动作和处理。在RAM 703中,还存储有系统700操作所需的各种程序和数据。CPU 701、ROM702以及RAM 703通过总线704彼此相连。输入/输出(I/O,Input / Output)接口705也连接至总线704。
以下部件连接至I/O接口705:包括硬盘等的存储部分706;以及包括诸如LAN(局域网,Local Area Network)卡、调制解调器等的网络接口卡的通信部分707。通信部分707经由诸如因特网的网络执行通信处理。驱动器708也根据需要连接至I/O接口705。可拆卸介质709,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器708上,以便于从其上读出的计算机程序根据需要被安装入存储部分706。
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部分707从网络上被下载和安装,和/或从可拆卸介质709被安装。在该计算机程序被中央处理单元(CPU)701执行时,执行本申请的方法中限定的上述功能。需要说明的是,本申请上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。在本申请中,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。而在本申请中,计算机可读的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。计算机可读的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:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的系统、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。
描述于本申请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:一种处理器包括建立单元、第一生成单元、第二生成单元和第三生成单元。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,建立单元还可以被描述为“建立第一模型的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的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:建立第一模型,其中,上述第一模型包括输入层和共享输入层的至少两个任务层;对上述第一模型进行训练,生成第二模型,其中,上述第二模型包括训练后输入层和至少两个训练后任务层;将上述至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型;对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统,其中,上述模型系统中的独立模型之间的信息流转符合预设流转方式。
以上描述仅为本申请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,本申请中所涉及的发明范围,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发明构思的情况下,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。
Claims (11)
1.一种模型建立方法,包括:
建立第一模型,其中,所述第一模型包括输入层和共享输入层的至少两个任务层;
对所述第一模型进行训练,生成第二模型,其中,所述第二模型包括训练后输入层和至少两个训练后任务层;
将所述至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型;
对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统,包括:将各个训练后的独立模型依次连通,得到所述模型系统,其中,所述模型系统中的独立模型之间的信息流转符合预设流转方式;
其中,所述模型系统为问答模型系统;
所述方法还包括:
获取待回复问题;
将所述待回复问题导入问答模型系统,生成所述待回复问题的目标答案。
2.根据权利要求1所述的方法,其中,所述对所述第一模型进行训练,生成第二模型,包括:
对所述第一模型执行至少一轮训练,直到预设训练停止条件满足,其中,所述至少一轮训练中的每轮训练包括:对于所述第一模型中的每个任务层,利用该任务层对应的第一训练集,对输入层和该任务层进行训练;
响应于确定对所述第一模型的训练停止,生成所述第二模型。
3.根据权利要求1所述的方法,其中,所述对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统,包括:
对于所生成的各个独立模型,利用与该独立模型对应的第二训练集,对该独立模型进行训练,生成训练后的独立模型;
根据所述预设流转方式,设置所述训练后的独立模型之间的信息流转通道,生成初始模型系统;
对所述初始模型系统进行训练,生成模型系统。
4.根据权利要求1所述的方法,其中,所述问答模型系统包括:答案生成模型和答案校验模型。
5.根据权利要求4所述的方法,其中,所述答案生成模型包括以下至少一项:答案抽取模型、答案确认模型。
6.根据权利要求4所述的方法,其中,所述将所述待回复问题导入所述问答模型系统,生成所述待回复问题的目标答案,包括:
将所述待回复问题导入所述答案生成模型,生成候选答案;
将候选答案导入答案校验模型,得到目标答案。
7.根据权利要求4所述的方法,其中,所述问答模型系统还包括以下至少一项:问题分类模型和文章排序模型。
8.根据权利要求7所述的方法,其中,所述将所述待回复问题导入所述问答模型系统,生成所述待回复问题的目标答案,包括:
将所述待回复问题,导入问题分类模型,生成问题类型;
将所述问题类型导入所述文章排序模型,得到与所述问题类型对应的文章;
将所获取的文章和所述待回复问题,导入所述答案生成模型或答案确认模型,生成候选答案;
将所述候选答案和所述待回复问题,导入所述答案校验模型,得到目标答案。
9.一种模型建立装置,包括:
建立单元,被配置成建立第一模型,其中,所述第一模型包括输入层和共享输入层的至少两个任务层;
第一生成单元,被配置成对所述第一模型进行训练,生成第二模型,其中,所述第二模型包括训练后输入层和至少两个训练后任务层;
第二生成单元,被配置成将所述至少两个训练后任务层中的每个训练后任务层,与训练后输入层结合,生成独立模型;
第三生成单元,被配置成对各个独立模型进行训练,以及联合训练后的独立模型,生成模型系统,被配置成:将各个训练后的独立模型依次连通,得到所述模型系统,其中,所述模型系统中的独立模型之间的信息流转符合预设流转方式;
其中,所述模型系统为问答模型系统;
所述装置还包括:
第四生成单元,还被配置成:获取待回复问题;将所述待回复问题导入问答模型系统,生成所述待回复问题的目标答案。
10.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序,
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1-8中任一所述的方法。
11.一种计算机可读介质,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1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910555704.8A CN110276403B (zh) | 2019-06-25 | 2019-06-25 | 模型建立方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910555704.8A CN110276403B (zh) | 2019-06-25 | 2019-06-25 | 模型建立方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110276403A CN110276403A (zh) | 2019-09-24 |
CN110276403B true CN110276403B (zh) | 2022-02-18 |
Family
ID=67963167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910555704.8A Active CN110276403B (zh) | 2019-06-25 | 2019-06-25 | 模型建立方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110276403B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027490B (zh) * | 2019-12-12 | 2023-05-30 | 腾讯科技(深圳)有限公司 | 人脸属性识别方法及装置、存储介质 |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9665823B2 (en) * | 2013-12-06 | 2017-05-30 | International Business Machines Corporation | Method and system for joint training of hybrid neural networks for acoustic modeling in automatic speech recognition |
CN106503669B (zh) * | 2016-11-02 | 2019-12-10 | 重庆中科云丛科技有限公司 | 一种基于多任务深度学习网络的训练、识别方法及系统 |
US10909454B2 (en) * | 2017-03-26 | 2021-02-02 | Facebook, Inc. | Multi-task neutral network for feed ranking |
CN107730905A (zh) * | 2017-06-13 | 2018-02-23 | 银江股份有限公司 | 基于深度卷积神经网络的多任务套牌车辆视觉检测系统及方法 |
WO2019018780A1 (en) * | 2017-07-20 | 2019-01-24 | The University Of North Carolina At Chapel Hill | NON-TRANSIENT COMPUTER-READABLE METHODS, SYSTEMS, AND MEDIA FOR THE AUTOMATED DESIGN OF MOLECULES HAVING DESIRED PROPERTIES USING ARTIFICIAL INTELLIGENCE |
CN107451997A (zh) * | 2017-07-31 | 2017-12-08 | 南昌航空大学 | 一种基于深度学习的焊缝超声tofd‑d扫描缺陷类型的自动识别方法 |
CN108427722A (zh) * | 2018-02-09 | 2018-08-21 | 卫盈联信息技术(深圳)有限公司 | 智能交互方法、电子装置及存储介质 |
CN108984778A (zh) * | 2018-07-25 | 2018-12-11 | 南京瓦尔基里网络科技有限公司 | 一种智能交互自动问答系统以及自我学习方法 |
CN109165306B (zh) * | 2018-08-09 | 2021-11-23 | 长沙理工大学 | 基于多任务哈希学习的图像检索方法 |
CN109359599A (zh) * | 2018-10-19 | 2019-02-19 | 昆山杜克大学 | 基于联合学习身份和情感信息的面部表情识别方法 |
CN109558477B (zh) * | 2018-10-23 | 2021-03-23 | 深圳先进技术研究院 | 一种基于多任务学习的社区问答系统、方法及电子设备 |
CN109523532B (zh) * | 2018-11-13 | 2022-05-03 | 腾讯医疗健康(深圳)有限公司 | 图像处理方法、装置、计算机可读介质及电子设备 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
-
2019
- 2019-06-25 CN CN201910555704.8A patent/CN110276403B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110276403A (zh) | 2019-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830235B (zh) | 用于生成信息的方法和装置 | |
CN108805091B (zh) | 用于生成模型的方法和装置 | |
CN108520220B (zh) | 模型生成方法和装置 | |
CN108491805B (zh) | 身份认证方法和装置 | |
CN108960316B (zh) | 用于生成模型的方法和装置 | |
CN109829432B (zh) | 用于生成信息的方法和装置 | |
CN108416326B (zh) | 人脸识别方法和装置 | |
CN113139628B (zh) | 样本图像的识别方法、装置、设备及可读存储介质 | |
CN109146490A (zh) | 区块生成方法、装置和系统 | |
CN111666416A (zh) | 用于生成语义匹配模型的方法和装置 | |
CN109871791A (zh) | 图像处理方法和装置 | |
CN112307331A (zh) | 一种基于区块链高校毕业生智能招聘信息推送方法、系统及终端设备 | |
CN109829520B (zh) | 图像处理方法和装置 | |
CN110489955B (zh) | 应用于电子设备的图像处理、装置、计算设备、介质 | |
CN110276403B (zh) | 模型建立方法和装置 | |
CN109829431B (zh) | 用于生成信息的方法和装置 | |
CN107402878B (zh) | 测试方法和装置 | |
CN109840072B (zh) | 信息处理方法和装置 | |
CN113807157A (zh) | 基于联邦学习训练神经网络模型的方法、装置和系统 | |
CN107026789B (zh) | 一种会话用户追踪的方法和装置 | |
CN115953803A (zh) | 人体识别模型的训练方法及装置 | |
CN112149426B (zh) | 阅读任务处理方法及相关设备 | |
CN111784787B (zh) | 图像生成方法和装置 | |
CN109003223B (zh) | 图片处理方法和装置 | |
CN107968779A (zh) | 身份验证方法及装置 |
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 |