CN110852379A - 训练样本生成方法、装置以及电子设备 - Google Patents

Abstract

本申请公开了一种训练样本生成方法、装置以及电子设备，涉及训练样本领域。具体实现方案为：获取初始样本编码序列及其对应的多个均衡属性的标签；将初始样本编码序列、编码序列长度、多个均衡属性的标签输入至自适应均衡生成模型中，得到预测样本编码序列；根据预测样本编码序列计算均衡值，并利用均衡值对自适应均衡生成模型进行更新；在自适应均衡生成模型收敛的情况下，得到均衡样本编码序列，对均衡样本编码序列进行解码，得到均衡样本集合。利用均衡样本集合训练深度神经元网络模型，达到了不仅加快模型的收敛速度，而且提升模型精度的技术效果。

Description

训练样本生成方法、装置以及电子设备

技术领域

本申请涉及一种神经网络领域，尤其涉及一种训练样本领域。

背景技术

深度神经元网络的训练过程中样本的选取对于模型的收敛速度及精度至关重要。对于类别数多的训练任务，由于各类样本并不均衡，不满足样本均衡条件，导致类别不均衡的训练样本会让模型的训练速度慢几十倍甚至上百倍，同时模型很难收敛到非常高的精度。

发明内容

本申请实施例提供一种训练样本生成方法、装置以及电子设备，以解决现有技术中的一个或多个技术问题。

第一方面，本申请实施例提供了一种训练样本生成方法，包括：

获取初始样本编码序列及其对应的多个均衡属性的标签；

将初始样本编码序列、编码序列长度、多个均衡属性的标签输入至自适应均衡生成模型中，得到预测样本编码序列；

根据预测样本编码序列计算均衡值，并利用均衡值对自适应均衡生成模型进行更新；

在自适应均衡生成模型收敛的情况下，得到均衡样本编码序列，对均衡样本编码序列进行解码，得到均衡样本集合。

本实施方式中，利用训练样本生成方法得到的均衡样本集合，对深度神经元网络模型进行训练时，能够有效提升训练速度，加快深度神经元网络模型的收敛速度，提升模型精度。

在一种实施方式中，获取初始样本编码序列及其对应的多个均衡属性的标签，包括：

按照均衡属性获取初始样本集合，初始样本集合包括多个均衡属性的标签；

根据多个均衡属性的标签对初始样本集合中的样本进行编码，得到初始样本编码序列。

本实施方式中，通过对训练样本集合中的样本进行编码和解码，有效提升了自适应均衡生成模型的更新速度。

在一种实施方式中，根据预测样本编码序列计算均衡值，包括：

对预测样本编码序列进行解码，得到预测样本集合；

计算预测样本集合中全部样本数的方差，以及最大样本数和最小样本数的差值，得到均衡值。

本实施方式中，均衡值作为预测样本编码序列的均衡程度的度量，利用均衡值更新自适应均衡生成模型，使得生成的预测样本集合中的样本越来越接近相对均衡的情况，提高了均衡样本集合的准确性。

在一种实施方式中，均衡属性包括类别均衡、尺度均衡以及难易均衡。

在一种实施方式中，自适应均衡生成模型包括基于强化学习的自适应均衡生成模型和基于进化算法的自适应均衡生成模型。

第二方面，本申请实施例提供了一种训练样本生成装置，包括：

初始样本获取模块，用于获取初始样本编码序列及其对应的多个均衡属性的标签；

预测样本生成模块，用于将初始样本编码序列、预测编码序列长度、多个均衡属性的标签输入至自适应均衡生成模型中，得到预测样本编码序列；

模型更新模块，用于根据预测样本编码序列计算均衡值，并利用均衡值对自适应均衡生成模型进行更新；

均衡样本生成模块，用于在自适应均衡生成模型收敛的情况下，得到均衡样本编码序列，对均衡样本编码序列进行解码，得到均衡样本集合。

在一种实施方式中，初始样本获取模块包括：

第一获取子模块，用于按照均衡属性获取初始样本集合，所述初始样本集合包括多个均衡属性的标签；

第一编码子模块，用于根据均衡属性的标签对多个初始样本集合进行编码，得到初始样本编码序列。

在一种实施方式中，模型更新模块包括：

第一解码模块，用于对预测样本编码序列进行解码，得到多个预测样本集合；

第一计算模块，用于计算预测样本集合中全部样本数的方差，以及最大样本数和最小样本数的差值，得到均衡值。

在一种实施方式中，均衡属性包括类别均衡、尺度均衡以及难易均衡。

在一种实施方式中，自适应均衡生成模型包括基于强化学习的自适应均衡生成模型和基于进化算法的自适应均衡生成模型中的一种。

上述申请中的一个实施例具有如下优点或有益效果：因为采用均衡值更新自适应均衡生成模型，生成均衡样本集合的技术手段，所以克服了不均衡的训练样本会让模型的训练速度变慢，精度变差的技术问题，利用均衡样本集合训练深度神经元网络模型，达到了不仅加快模型的收敛速度，而且提升模型精度的技术效果。

上述可选方式所具有的其他效果将在下文中结合具体实施例加以说明。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是根据本申请实施例提供的一种训练样本生成方法流程示意图；

图2是根据本申请实施例提供的另一种训练样本生成方法流程示意图；

图3是根据本申请实施例提供的一种训练样本生成装置结构框图；

图4是根据本申请实施例提供的另一种训练样本生成装置结构框图；

图5是用来实现本申请实施例的一种训练样本生成方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

实施例一

在一种具体实施方式中，如图1所示，提供了一种训练样本生成方法，包括：

步骤S10：获取初始样本编码序列及其对应的多个均衡属性的标签；

步骤S20：将初始样本编码序列、编码序列长度、多个均衡属性的标签输入至自适应均衡生成模型中，得到预测样本编码序列；

步骤S30：根据预测样本编码序列计算均衡值，并利用均衡值对自适应均衡生成模型进行更新；

步骤S40：在自适应均衡生成模型收敛的情况下，得到均衡样本编码序列，对均衡样本编码序列进行解码，得到均衡样本集合。

在本实施方式中，初始样本集合可以包括多张图片样本或者多个图片集合样本。每张图片看作一个样本，称为图片样本。每个图片集合看作一个样本，称为图片集合样本。样本具有类别多样化、尺度多样化或者难易多样化的特性。例如，初始样本集合可以包括多张图片样本：第一张图片包含10个人，1只猫，1只狗，2条鱼，5架飞机；第二张图片包含100个人，1只猫，一只狗，2条鱼，5架飞机……第10张包含5个人，5只猫，5只狗，5条鱼，5架飞机。每张图片中包括多种类别的目标物体。不同的样本图片中，每类的目标物体的个数并不均衡。例如，第一张图片中的类别为“人”的个数为10个，第二张图片中类别为“人”的个数为100 个……，第10张图片中的类别为“人”的个数为5个。所以，各个样本中的类别为“人”的数量并不均衡。如果直接利用初始样本集合训练网络模型，会导致训练速度慢，时间长，精度差。在初始样本集合中，给每个样本设置一个地址的编码，所有具有编码的样本形成编码序列。例如，初始样本集合中多张图片样本进行编码，第一张图片编码为1，第二张图片编码为 2……第十张图片编码为10，形成的初始样本编码序列为[1 2 3 4 5 6 7 8 9 10]。均衡属性是指每个样本中影响目标物的数量分布是否均衡的因素。均衡属性可以包括分类均衡、尺度均衡以及难易均衡。例如，分类均衡是指每张样本图片中对各个目标物的分类属性。分类均衡的标签可以包括第一图片中的目标物“人”、“飞机”、“猫”、“狗”、“鱼”等类别。

然后，利用NAS技术(Neural Architecture Search，神经网络架构搜索)构建自适应均衡生成模型。自适应均衡生成模型用于生成均衡样本集合的解空间，解空间由每次更新自适应均衡生成模型得到的预测样本编码序列构成。在解空间中搜索出最优解，即最优的预测样本编码序列，确定为均衡样本编码序列，进而得到均衡样本集合。寻找最优解的具体过程是：首先，设置输出的预测样本编码序列的编码序列长度。然后，将初始样本编码序列、编码序列长度、多个均衡属性的标签输入至自适应均衡生成模型中，得到预测样本编码序列。以MS COCO(上下文的公共对象，Microsoft COCO:Common Objects in Context)数据集为例，初始样本编码序列 [1,2,3,4,5,6,7,8,9,10]，经过自适应均衡生成模型，得到预测样本编码序列可以是序列长度为6的预测样本编码序列[1,3,4,5,7,9]，或者输出序列长度为10的预测样本编码序列[1,1,2,3,3,3,5,5,7,9]。预测样本编码序列进行解码后，得到预测样本集合。预测样本集合中，各个类别(尺度、难易)均衡的标签下的目标物体数量相对初始样本集合更进一步向均衡分布靠近。例如，预测样本集合的所有图片中类别为“人”的总数量、类别为“猫”的总数量……类别为“飞机”的总数量相对均衡。再如，假设获取接近12W(万) 的训练样本，将12W样本平均分成120份，则每份样本1000张图片。没份样本对应一个编码，初始样本编码序列的长度为120。设置编码序列长度为200，得到的预测样本编码序列的长度可以大于120。这是因为要考虑到组合的多样性，编码可以重复出现。对预测样本编码序列进行解码，得到的预测样本编码序列比初始样本编码序列在类别、尺度以及难易上样本的分布相对均衡。然而，仅仅预测一次得到的预测样本集合并不是均衡程度达到最优的预测样本集合，可以继续在解空间中寻找均衡样本集合。

然后，为了衡量得到的预测样本集合的均衡情况，本实施方式中，根据预测样本编码序列计算均衡值。均衡值是对预测样本编码序列的均衡程度的度量。例如，均衡值可以包括类别均衡的度量、尺度均衡的度量以及难易均衡的度量。具体的计算方法可以包括多种，例如，计算预测样本集合中，各个类别的目标物体的个数分布的方差，得到均衡值。利用均衡值对自适应均衡生成模型进行更新，直至更新次数达到阈值，或者误差小于另一阈值时，模型收敛，收敛时输出的预测样本编码序列确定为最优解，即均衡样本编码序列。最后，对均衡样本编码序列进行解码，得到均衡样本集合。

利用本实施方式提供的训练样本生成方法得到的均衡样本集合，对深度神经元网络模型进行训练时，能够有效提升训练速度，加快模型的收敛速度，提升模型精度。例如，人脸识别、地标识别等类别数在百万级千万级等任务中，训练速度可以提升几十至上百倍，将月级的训练任务缩短到天级别。硬件方面，提升了硬件设备的性能，例如人脸识别装置、地标识别装置等的性能。提升了识别速度以及产品的整体性能。

在一种实施方式中，如图2所示，步骤S10包括：

步骤S101：按照均衡属性获取初始样本集合，初始样本集合包括多个均衡属性的标签；

步骤S102：根据多个均衡属性的标签对初始样本集合中的样本进行编码，得到初始样本编码序列。

在一种示例中，由于均衡属性可以包括类别均衡、尺度均衡以及难易均衡，所以按照均衡属性获取多个初始样本集合可以包括：第一，按照类别均衡获取初始样本集合。例如，初始样本集合中包括多个图片样本，例如，第一张图片包含10个人，1只猫，1只狗，2条鱼，5架飞机；第二张图片包含100个人，1只猫，一只狗，2条鱼，5架飞机……第10张包含5个人，5只猫，5只狗，5条鱼，5架飞机。每张图片中包括多种类别的目标物体。第二，按照尺度均衡获取初始样本集合。例如，初始样本集合中包括多个图片样本，例如，第一张图片包含尺度为2*2的目标物体的个数为10个，6*10的目标物体的个数为20个，尺度为200*200的目标物体的个数为70个等；第二张图片包含目标物体的尺度为2*2的目标物体的个数为100个、6*10的目标物体的个数为120个，尺度为200*200的目标物体的个数为3个等；第三张图片包含目标物体的尺度为2*2的目标物体的个数为16个、6*10的目标物体的个数为10个，尺度为200*200的目标物体的个数为500个等，每张图片中包括多种尺度的目标物体。第三，按照难易均衡获取多个初始样本集合。例如，初始样本集合中包括多个图片集合样本，例如，第一图片集合样本中包含难样本10个，简单样本5 个，第二图片集合样本中包含难样本3个，简单样本20个，第三个图片集合样本中包含难样本90个，简单样本2个。

本实施方式中，通过对训练样本集合中的样本进行编码和解码，有效提升了自适应均衡生成模型的更新速度。

在一种实施方式中，如图2所示，步骤S30根据预测样本编码序列计算均衡值，包括：

步骤S301：对预测样本编码序列进行解码，得到预测样本集合；

步骤S302：计算预测样本集合中全部样本数的方差，以及最大样本数和最小样本数的差值，得到均衡值。

在一种示例中，以类别均衡为例说明，得到预测样本编码序列可以是序列长度为6的预测样本编码序列[1,3,4,5,7,9]，对其解码后，得到的预测样本集合，计算每个类别中目标物的数量之间的方差，以及某一个类别中目标物的数量的最大值为最大样本数，另一个类别中目标物的数量的最小值为最小样本数。方差和差值构成均衡值。同理，尺度均衡和难易均衡的计算方法类似，在此不再赘述。需要指出的是，可以将类别均衡、尺度均衡以及难易均衡各自对应的均衡值单独对自适应均衡生成模型进行更新，也可以利用类别均衡、尺度均衡以及难易均衡各自对应的均衡值之和，对对自适应均衡生成模型进行更新，均在本实施方式的保护范围内。

本实施方式中，均衡值作为预测样本编码序列的均衡程度的度量，利用均衡值更新自适应均衡生成模型，使得生成的预测样本集合中的样本越来越接近相对均衡的情况，提高了均衡样本集合的准确性。

在一种实施方式中，均衡属性包括类别均衡、尺度均衡以及难易均衡。

在一种示例中，分类均衡属性是指图像中出现的目标物体的类型。分类均衡属性的标签可以包括人、动物、机器等类别。尺度均衡属性指的是图片中的目标物的尺寸。尺度均衡属性的标签可以包括图像中尺度大于 80*80的人，尺度小于16*16的人等。难易均衡属性是指难样本和简单样本的分布。例如，难样本包括大姿态图像、模糊图像、遮挡图像、密集图像。简单样本是指样本中目标物类别较少的图像。

在一种实施方式中，自适应均衡生成模型包括基于强化学习的自适应均衡生成模型和基于进化算法的自适应均衡生成模型。

在一种示例中，强化学习的循环神经网络(Recurrent Neural Network， RNN)或者基于模拟退火算法的自适应均衡生成模型。当然还可以是去除模拟退火和进化算法(如遗传算法)的自适应均衡生成模型。

实施二

在另一种具体实施方式中，如图3所示，提供了一种训练样本生成装置100，包括：

初始样本获取模块110，用于获取初始样本编码序列及其对应的多个均衡属性的标签；

预测样本生成模块120，用于将初始样本编码序列、预测编码序列长度、多个均衡属性的标签输入至自适应均衡生成模型中，得到预测样本编码序列；

模型更新模块130，用于根据预测样本编码序列计算均衡值，并利用均衡值对自适应均衡生成模型进行更新；

均衡样本生成模块140，用于在自适应均衡生成模型收敛的情况下，得到均衡样本编码序列，对均衡样本编码序列进行解码，得到均衡样本集合。

在一种实施方式中，如图4所示，提供了一种训练样本生成装置200，初始样本获取模块110包括：

第一获取子模块111，用于按照均衡属性获取初始样本集合，初始样本集合包括多个均衡属性的标签；

第一编码子模块112，用于根据均衡属性的标签对多个初始样本集合进行编码，得到初始样本编码序列。

在一种实施方式中，如图4所示，模型更新模块130包括：

第一解码模块131，用于对预测样本编码序列进行解码，得到多个预测样本集合；

第一计算模块132，用于计算预测样本集合中全部样本数的方差，以及最大样本数和最小样本数的差值，得到均衡值。

在一种实施方式中，均衡属性包括类别均衡、尺度均衡以及难易均衡。

在一种实施方式中，自适应均衡生成模型包括基于强化学习的自适应均衡生成模型和基于进化算法的自适应均衡生成模型中的一种。

本发明实施例各装置中的各模块的功能可以参见上述方法中的对应描述，在此不再赘述。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图5所示，是根据本申请实施例的一种训练样本生成方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图5所示，该电子设备包括：一个或多个处理器501、存储器502，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面(Graphical User Interface，GUI)的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器系统)。图5中以一个处理器501为例。

存储器502即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的一种训练样本生成方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的一种训练样本生成方法。

存储器502作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的一种训练样本生成方法对应的程序指令/模块(例如，附图3所示的初始样本获取模块110、预测样本生成模块120和模型更新模块130以及均衡样本生成模块140)。处理器501通过运行存储在存储器502中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的一种训练样本生成方法。

存储器502可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据一种训练样本生成方法的电子设备的使用所创建的数据等。此外，存储器 502可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器502可选包括相对于处理器501远程设置的存储器，这些远程存储器可以通过网络连接至一种训练样本生成方法的电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

一种训练样本生成方法的电子设备还可以包括：输入装置503和输出装置504。处理器501、存储器502、输入装置503和输出装置504可以通过总线或者其他方式连接，图5中以通过总线连接为例。

输入装置503可接收输入的数字或字符信息，以及产生与一种训练样本生成方法的电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置504可以包括显示设备、辅助照明装置(例如，LED)和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器(Liquid Cr5stal Displa5，LCD)、发光二极管(LightEmitting Diode，LED)显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、专用集成电路(Application Specific Integrated Circuits，ASIC)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置(programmable logic device，PLD)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(Cathode Ray Tube，阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(Local Area Network，LAN)、广域网(Wide Area Network，WAN)和互联网。

计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

根据本申请实施例的技术方案，利用训练样本生成方法得到的均衡样本集合，对深度神经元网络模型进行训练时，能够有效提升训练速度，加快深度神经元网络模型的收敛速度，提升模型精度。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (12)

1.一种训练样本生成方法，其特征在于，包括：

获取初始样本编码序列及其对应的多个均衡属性的标签；

将所述初始样本编码序列、编码序列长度、所述多个均衡属性的标签输入至自适应均衡生成模型中，得到预测样本编码序列；

根据所述预测样本编码序列计算均衡值，并利用所述均衡值对所述自适应均衡生成模型进行更新；

在所述自适应均衡生成模型收敛的情况下，得到均衡样本编码序列，对所述均衡样本编码序列进行解码，得到均衡样本集合。

2.根据权利要求1所述的方法，其特征在于，获取初始样本编码序列及其对应的多个均衡属性的标签，包括：

按照均衡属性获取初始样本集合，所述初始样本集合包括多个均衡属性的标签；

根据所述多个均衡属性的标签对所述初始样本集合中的样本进行编码，得到所述初始样本编码序列。

3.根据权利要求1所述的方法，其特征在于，根据所述预测样本编码序列计算均衡值，包括：

对所述预测样本编码序列进行解码，得到预测样本集合；

计算所述预测样本集合中全部样本数的方差，以及最大样本数和最小样本数的差值，得到所述均衡值。

4.根据权利要求1所述的方法，其特征在于，所述均衡属性包括类别均衡、尺度均衡以及难易均衡。

5.根据权利要求1所述的方法，其特征在于，所述自适应均衡生成模型包括基于强化学习的自适应均衡生成模型和基于进化算法的自适应均衡生成模型中的一种。

6.一种训练样本生成装置，其特征在于，包括：

初始样本获取模块，用于获取初始样本编码序列及其对应的多个均衡属性的标签；

预测样本生成模块，用于将所述初始样本编码序列、编码序列长度、所述多个均衡属性的标签输入至自适应均衡生成模型中，得到预测样本编码序列；

模型更新模块，用于根据所述预测样本编码序列计算均衡值，并利用所述均衡值对所述自适应均衡生成模型进行更新；

均衡样本生成模块，用于在所述自适应均衡生成模型收敛的情况下，得到均衡样本编码序列，对所述均衡样本编码序列进行解码，得到均衡样本集合。

7.根据权利要求6所述的装置，其特征在于，所述初始样本获取模块包括：

第一获取子模块，用于按照均衡属性获取初始样本集合，所述初始样本集合包括多个均衡属性的标签；

第一编码子模块，用于根据所述多个均衡属性的标签对所述多个初始样本集合中的样本进行编码，得到所述初始样本编码序列。

8.根据权利要求6所述的装置，其特征在于，所述模型更新模块包括：

第一解码模块，用于对所述预测样本编码序列进行解码，得到预测样本集合；

第一计算模块，用于计算所述预测样本集合中全部样本数的方差，以及最大样本数和最小样本数的差值，得到所述均衡值。

9.根据权利要求6所述的装置，其特征在于，所述均衡属性包括类别均衡、尺度均衡以及难易均衡。

10.根据权利要求6所述的装置，其特征在于，所述自适应均衡生成模型包括基于强化学习的自适应均衡生成模型和基于进化算法的自适应均衡生成模型中的一种。

11.一种电子设备，其特征在于，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。

12.一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法。

Images