CN111507111B - 语义表示模型的预训练方法、装置、电子设备及存储介质 - Google Patents
语义表示模型的预训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN111507111B CN111507111B CN202010196023.XA CN202010196023A CN111507111B CN 111507111 B CN111507111 B CN 111507111B CN 202010196023 A CN202010196023 A CN 202010196023A CN 111507111 B CN111507111 B CN 111507111B
- Authority
- CN
- China
- Prior art keywords
- semantic representation
- modal
- training
- representation model
- model
- 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/18—Speech classification or search using natural language modelling
- G10L15/1815—Semantic context, e.g. disambiguation of the recognition hypotheses based on word meaning
Abstract
本申请公开了一种语义表示模型的预训练方法、装置、电子设备及存储介质,涉及人工智能领域。具体实现方案为:采集多个不同模态的单模态的训练数据集和同时包括多个模态的多模态的训练数据集;分别采用各单模态的训练数据集,对对应的单模态的语义表示模型进行预训练;基于训练好的各单模态的语义表示模型,采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练,其中多模态的语义表示模型包括多个单模态的语义表示模型和融合模型。本申请能够分阶段地对多模态的语义表示模型进行训练,能够有效地提高多模态的语义表示模型的表达准确性。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及人工智能领域,具体涉及一种基于多模态的语义表示模型的预训练方法、装置、电子设备及存储介质。
背景技术
随着语义表示技术在自然语言处理(Natural Langunge Possns;NLP)领域的广泛应用,大规模数据上预训练(pre-train)学习通用语义表示和下游任务上进行精调(fine-tune)的学习范式,刷新了NLP多个任务上的效果。而针对多模态任务的语义表示技术近期也受到了广泛的关注,在诸如视觉问答、图像检索等典型多模态任务上均取得了效果的提升。
当前多模态语义表示技术中,针对预训练的方法,主要采用单阶段的预训练,即直接使用多模态的对齐训练数据对多模态的语义表示模型进行预训练。其中大多数使用文本模态上预训练得到的模型参数进行初始化。
但是,现有的上述直接使用多模态的对齐训练数据对多模态语义表示的模型进行预训练,导致训练的多模态的语义表示模型的准确性较差。
发明内容
为了解决上述技术问题,本申请提供了一种基于多模态的语义表示模型的预训练方法、装置、电子设备及存储介质。
根据第一方面,提供了一种基于多模态的语义表示模型的预训练方法,包括:
采集多个不同模态的单模态的训练数据集和同时包括多个模态的多模态的训练数据集;
分别采用各所述单模态的训练数据集,对对应的单模态的语义表示模型进行预训练;
基于训练好的各所述单模态的语义表示模型,采用所述多模态的训练数据集,对融合后的多模态的语义表示模型进行训练,其中所述多模态的语义表示模型包括多个所述单模态的语义表示模型和融合模型。
根据第二方面,提供了一种基于多模态的语义表示模型的预训练装置,包括:
采集模块,用于采集多个不同模态的单模态的训练数据集和同时包括多个模态的多模态的训练数据集;
第一训练模块,用于分别采用各所述单模态的训练数据集,对对应的单模态的语义表示模型进行预训练;
第二训练模块,用于基于训练好的各所述单模态的语义表示模型,采用所述多模态的训练数据集,对融合后的多模态的语义表示模型进行训练,其中所述多模态的语义表示模型包括多个所述单模态的语义表示模型和融合模型。
根据第三方面,提供了一种电子设备,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如上所述的方法。
根据第四方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使所述计算机执行如上所述的方法。
根据本申请的技术,解决了现有技术中多模态的语义表示模型语义表示准确性较差的问题,能够分阶段地对多模态的语义表示模型进行训练,在第一阶段中先对各个单模态的语义表示模型进行训练,使得各单模态的语义表示模型能够独立建模,准确表达该模态下的语义表示,进而可以使得第二阶段训练的多模态的语义表示模型的语义表示更加准确,因此,本申请的技术方案,能够有效地提高多模态的语义表示模型的表达准确性。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
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是根据本申请第一实施例的示意图;
图2是根据本申请第二实施例的示意图;
图3是根据本申请第三实施例的示意图;
图4是根据本申请第四实施例的示意图;
图5是用来实现本申请实施例的基于多模态的语义表示模型的预训练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。
图1是根据本申请第一实施例的示意图;如图1所示,本实施例提供一种基于多模态的语义表示模型的预训练方法,具体可以包括如下步骤:
S101、采集多个不同模态的单模态的训练数据集和同时包括多个模态的多模态的训练数据集;
S102、分别采用各单模态的训练数据集,对对应的单模态的语义表示模型进行预训练;
S103、基于训练好的各单模态的语义表示模型,采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练,其中,多模态的语义表示模型包括多个单模态的语义表示模型和融合模型。
本实施例的基于多模态的语义表示模型的预训练方法的执行主体为基于多模态的语义表示模型的预训练装置。本实施例中的多模态即指的是包括多种模态的信息。例如,多模态可以指的是视频、文本、音频以及图片等等中的至少两种模态。实际应用中,根据实际场景,还可以包括其他模态,在此不再举例。
具体地,本实施例中,步骤S101采集多个不同模态的单模态的训练数据集,具体指的是采集多个不同模态中每一种模态的单模态的训练数据集,即该单模态的训练数据集中仅包括一种模态的训练数据,而不包括其他模态的训练数据。如采集的文本模态的训练数据集中的每一条训练数据中仅包括文本模态的训练数据;采集的视频模态的训练数据集中的每一条训练数据中仅包括视频模态的训练数据,采集的音频模态的训练数据集中的每一条训练数据中仅包括音频模态的训练数据,以及采集的图片模态的训练数据集中的每一条训练数据中仅包括图片模态的训练数据。
而本实施例中的步骤S101中的采集同时包括多个模态的多模态的训练数据集,得到的多模态的训练数据集中的每条多模态训练数据同时包括多个模态的信息。例如一条训练数据中同时包括一段视频、该段视频中的音频、该段视频中的字幕的文字信息、以及该段视频中的每一帧的图片等等中的至少两种。
本实施例中,首先采用步骤S102分别采用各单模态的训练数据集,对对应的单模态的语义表示模型进行预训练。也就是说,多模态的语义表示模型中存在多少种模态,便对应多少种单模态的语义表示模型。本实施例中,并不像现有技术那样,直接对多模态的语义表示模型进行预训练,因为,现有技术的这种单阶段的训练中,忽略了单个模态内部单独的表示建模,导致训练出的多模态的语义表示模型的表达准确性较差。因此,本实施例中分阶段地来训练多模态的语义表示模型。在步骤S102中即第一阶段的训练中,先训练各个单模态的语义表示模型,使得各单模态的语义表示模型趋于收敛,能够准确地表达该单模态下的语义表示。
在本实施例的步骤S103中,基于步骤S102训练好的各单模态的语义表示模型,采用多模态的训练数据集,对融合后的多模态的语义表示模型进行第二阶段的训练。本实施例的多模态的语义表示模型包括两部分结构,多个单模态的语义表示模型即步骤S102训练的模型、和融合模型。融合模型用于实现多个单模态的信息的融合处理。在该步骤的训练中,多个单模态的语义表示模型还要进行二次训练,以能够与融合模块融合更加紧密,使得多模态的语义表示模型的语义表示更加准确。
在NLP、语音识别以及计算机视觉等领域中,可以先对语义表示模型进行预训练(Pre-train),该预训练为一个较为泛化的训练,能够使得训练的语义表示模型能够准确地进行语义表达即可。其次再进行下游的任务精调(fine-tune)训练,该任务精调训练主要是针对具体的任务,如视觉问答的训练中,给定图像和一个问题,模型的任务是给出答案。
本实施例中的上述步骤S101-S103即为多模态的语义表示模型的预训练的阶段,使用本实施例的上述两阶段预训练的方式,训练得到多模态的语义表示模型。然后,可以利用某任务的训练数据对多模态的语义表示模型进行精调(fine-tune),fine-tune的学习率一般较小,能够使得预训练阶段得到的多模态的语义表示模型尽量保持不变,提高模型的泛化效果。
本实施例的基于多模态的语义表示模型的预训练方法,通过采集多个不同模态的单模态的训练数据集和同时包括多个模态的多模态的训练数据集;分别采用各单模态的训练数据集,对对应的单模态的语义表示模型进行预训练;基于训练好的各单模态的语义表示模型,采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练。与现有技术相比,本实施例能够分阶段地对多模态的语义表示模型进行训练,在第一阶段中先对各个单模态的语义表示模型进行训练,使得各单模态的语义表示模型能够独立建模,准确表达该模态下的语义表示,进而可以使得第二阶段训练的多模态的语义表示模型的语义表示更加准确,因此,本实施例的技术方案,能够有效地提高多模态的语义表示模型的表达准确性。
图2是根据本申请第二实施例的示意图;如图2所示,示出一种多模态语义表示模型的多阶段训练示意图。如图2所示,图中左边为预训练阶段,右边为精调阶段。其中左侧的预训练阶段又分为两个阶段,图中最左侧为预训练的第一个阶段:单模态模型的预训练;图中中间为预训练的第二个阶段:多模态模型的预训练。其中各task表示训练任务。
如图2所示,在单模态模型的预训练中,以分别训练视频语义表示模型、文本语义表示模型以及音频语义表示模型三种单模态的语义表示模型为例。如图1所示实施例的步骤S102所示,每种单模态的语义表示模型,采用该单模态的训练数据单独训练,能够在相应的单模态内部,实现相应的语义表示建模,使得每种模态的语义表示模型,能够在该模态中准确地进行语义表示。
如图2所示,在多模态模型的预训练中,其中左侧为训练好的各单模态的语义表示模型,右侧为一个多模态的融合模型,一起构成多模态的语义表示模型。在该阶段的训练中,具体可以采用上述图1所示实施例的步骤S103进行训练。
具体地,该步骤S103基于训练好的各单模态的语义表示模型,采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练,具体可以包括如下步骤:
(1)将训练好的各单模态的语义表示模型的收敛参数,作为多模态的语义表示模型中对应的单模态的语义表示模型的初始参数;
需要说明的是,在训练各单模态的语义表示模型时,训练结束时,各单模态的语义表示模型收敛,此时对应的参数,可以称之为收敛参数。在多模态模型的预训练中,各单模态的语义表示模型的初始参数采用上面训练好的各单模态的语义表示模型的收敛参数。
(2)为融合模型随机配置初始化参数;
对应地,融合模型也需要配置初始参数,本实施例中,可以采用随机初始化的方式为融合模型配置初始的参数,称之为初始化参数。
(3)采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练。
该步骤(3)的训练过程中,即采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练,可以使得多模态的语义表示模型中各单模态的语义表示模型在对应的初始参数的基础上继续调整,使得融合模型也在对应的初始化参数的基础上继续调整,直至多模态的语义表示模型收敛。在训练过程中,对各单模态模型的初始参数和融合模型的初始化参数的调整,可以在每一轮训练中所有参数都进行调整,也可以轮询调整各个参数,如每N轮调整n个模型的参数,轮流对所有参数进行调整,或者实际应用中,还可以采用其他的参数调整方式进行调整,总之只要能够调整到多模态模型中的所有参数,直到调整到多模态的语义表示模型收敛即可,其中N和n均大于1,n小于总模态数+1。
可选地,该训练方式中,由于第二阶段的多模态模型的预训练中,采用的各个单模态的语义表示模型已经经过第一阶段的预训练,这样可以使得第二阶段训练的多模态语义表示模型的语义表示更加准确。
另外,由于在第一阶段的预训练中,已经使得各单模态的语义表示模型能够在相应的单模态下准确建模,也就是说,各单模态的语义表示模型的参数已基本确定,可以不做大范围的调整。因此,在第二阶段的预训练中,可以限制各单模态的模型的参数调整范围。此时对应地该步骤S103具体可以包括:采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练,以使得多模态的语义表示模型中各单模态的语义表示模型在对应的初始参数的基础上、在预设阈值范围内继续调整,使得融合模型也在对应的初始化参数的基础上继续调整,直至多模态的语义表示模型收敛。其中该预测阈值可以根据实际经验来设置,如0.1、0.01、0.001等其他数值范围,在此不做限定。
本实施例的基于多模态的语义表示模型的预训练方法,通过采用上述训练方式,可以使得训练的多模态的语义表示模型的语义表示更加准确,能够有效地提高多模态的语义表示模型的表达准确性。
而且,现有技术的单阶段的多模态语义表示模型的训练中,多模态的对齐数据构造成本较大,多模态对齐的训练数据规模有限,多模态表示预训练只依赖少量的对齐数据,导致过拟合训练数据,在下游的多模态任务即精调训练的任务上难以取得效果提升。而与之相比,本实施例中,将多模态语义表示模型的训练分阶段进行,第一阶段对各单模态的语义表示模型进行训练,单模态的语义表示模型的训练数据非常容易获取,能够保证各单模态的语义表示模型的训练效果,也不会出现过拟合的训练。其次,基于第一阶段训练好的各单模态的语义表示模型,进行第二阶段的多模态的语义表示模型的训练,可以使得第二阶段训练的多模态的语义表示模型的语义表示更加准确。而且采用本实施例训练好的多模态的语义表示模型由于训练得到的多模态的语义表示模型,语义表示准确,也未经过任何过拟合的训练,在进行精调任务训练时,也能够取得较大的效果提升。
图3是根据本申请第三实施例的示意图;如图3所示,本实施例提供一种基于多模态的语义表示模型的预训练装置300,包括:
采集模块301,用于采集多个不同模态的单模态的训练数据集和同时包括多个模态的多模态的训练数据集;
第一训练模块302,用于分别采用各单模态的训练数据集,对对应的单模态的语义表示模型进行预训练;
第二训练模块303,用于基于训练好的各单模态的语义表示模型,采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练,其中多模态的语义表示模型包括多个单模态的语义表示模型和融合模型。
本实施例的基于多模态的语义表示模型的预训练装置300,通过采用上述模块实现基于多模态的语义表示模型的预训练的实现原理以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,在此不再赘述。
图4是根据本申请第四实施例的示意图;如图4所示,本实施例的基于多模态的语义表示模型的预训练装置300,在上述图3所示实施例的技术方案的基础上,进一步更加详细地描述本申请的技术方案。
如图4所示,本实施例的基于多模态的语义表示模型的预训练装置300中,第二训练模块303,包括:
参数配置单元3031,用于将训练好的各单模态的语义表示模型的收敛参数,作为多模态的语义表示模型中对应的单模态的语义表示模型的初始参数;
参数配置单元3031,用于为融合模型随机配置初始化参数;
训练单元3032,用于采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练。
进一步可选地,其中训练单元3032,用于:
采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练,以使得多模态的语义表示模型中各单模态的语义表示模型在对应的初始参数的基础上继续调整,使得融合模型也在对应的初始化参数的基础上继续调整,直至多模态的语义表示模型收敛。
进一步可选地,其中训练单元3032,用于:
采用多模态的训练数据集,对融合后的多模态的语义表示模型进行训练,以使得多模态的语义表示模型中各单模态的语义表示模型在对应的初始参数的基础上、在预设阈值范围内继续调整,使得融合模型也在对应的初始化参数的基础上继续调整,直至多模态的语义表示模型收敛…
本实施例的基于多模态的语义表示模型的预训练装置300,通过采用上述模块实现基于多模态的语义表示模型的预训练的实现原理以及技术效果,与上述相关方法实施例的实现相同,详细可以参考上述相关方法实施例的记载,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实现基于多模态的语义表示模型的预训练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基于多模态的语义表示模型的预训练方法。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基于多模态的语义表示模型的预训练方法。
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基于多模态的语义表示模型的预训练方法对应的程序指令/模块(例如,附图3和附图4所示的相关)。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基于多模态的语义表示模型的预训练方法。
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;存储数据区可存储实现基于多模态的语义表示模型的预训练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实现基于多模态的语义表示模型的预训练方法的电子设备。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。
实现基于多模态的语义表示模型的预训练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,以及产生与实现基于多模态的语义表示模型的预训练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(LCD)、发光二极管(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ASIC(专用集成电路)、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(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(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(LAN)、广域网(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,能够分阶段地对多模态的语义表示模型进行训练,在第一阶段中先对各个单模态的语义表示模型进行训练,使得各单模态的语义表示模型能够独立建模,准确表达该模态下的语义表示,进而可以使得第二阶段训练的多模态的语义表示模型的语义表示更加准确,因此,本申请实施例的技术方案,能够有效地提高多模态的语义表示模型的表达准确性。
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 (8)
1.一种基于多模态的语义表示模型的预训练方法,其特征在于,包括:
采集多个不同模态的单模态的训练数据集和同时包括多个模态的多模态的训练数据集;
分别采用各所述单模态的训练数据集,对对应的单模态的语义表示模型进行预训练;
将训练好的各所述单模态的语义表示模型的收敛参数,作为融合后的多模态的语义表示模型中对应的所述单模态的语义表示模型的初始参数;为所述融合后的多模态的语义表示模型中的融合模型随机配置初始化参数,所述融合模型用于实现多个所述单模态的语义表示模型输出的单模态的信息的融合处理;采用所述多模态的训练数据集,对融合后的所述多模态的语义表示模型进行训练。
2.根据权利要求1所述的方法,其特征在于,采用所述多模态的训练数据集,对融合后的所述多模态的语义表示模型进行训练,包括:
基于训练好的各所述单模态的语义表示模型,采用所述多模态的训练数据集,对融合后的所述多模态的语义表示模型进行训练,以使得所述多模态的语义表示模型中各所述单模态的语义表示模型在对应的所述初始参数的基础上继续调整,使得所述融合模型也在对应的所述初始化参数的基础上继续调整,直至所述多模态的语义表示模型收敛。
3.根据权利要求2所述的方法,其特征在于,基于训练好的各所述单模态的语义表示模型,采用所述多模态的训练数据集,对融合后的所述多模态的语义表示模型进行训练,以使得所述多模态的语义表示模型中各所述单模态的语义表示模型在对应的所述初始参数的基础上继续调整,使得所述融合模型也在对应的所述初始化参数的基础上继续调整,直至所述多模态的语义表示模型收敛,包括:
基于训练好的各所述单模态的语义表示模型,采用所述多模态的训练数据集,对融合后的所述多模态的语义表示模型进行训练,以使得所述多模态的语义表示模型中各所述单模态的语义表示模型在对应的所述初始参数的基础上、在预设阈值范围内继续调整,使得所述融合模型也在对应的所述初始化参数的基础上继续调整,直至所述多模态的语义表示模型收敛。
4.一种基于多模态的语义表示模型的预训练装置,其特征在于,包括:
采集模块,用于采集多个不同模态的单模态的训练数据集和同时包括多个模态的多模态的训练数据集;
第一训练模块,用于分别采用各所述单模态的训练数据集,对对应的单模态的语义表示模型进行预训练;
参数配置单元,用于将训练好的各所述单模态的语义表示模型的收敛参数,作为融合后的多模态的语义表示模型中对应的所述单模态的语义表示模型的初始参数,所述融合模型用于实现多个所述单模态的语义表示模型输出的单模态的信息的融合处理;
所述参数配置单元,还用于为所述融合后的多模态的语义表示模型中的融合模型随机配置初始化参数;
训练单元,用于采用所述多模态的训练数据集,对融合后的所述多模态的语义表示模型进行训练。
5.根据权利要求4所述的装置,其特征在于,所述训练单元,用于:
采用所述多模态的训练数据集,对融合后的所述多模态的语义表示模型进行训练,以使得所述多模态的语义表示模型中各所述单模态的语义表示模型在对应的所述初始参数的基础上继续调整,使得所述融合模型也在对应的所述初始化参数的基础上继续调整,直至所述多模态的语义表示模型收敛。
6.根据权利要求5所述的装置,其特征在于,所述训练单元,用于:
采用所述多模态的训练数据集,对融合后的所述多模态的语义表示模型进行训练,以使得所述多模态的语义表示模型中各所述单模态的语义表示模型在对应的所述初始参数的基础上、在预设阈值范围内继续调整,使得所述融合模型也在对应的所述初始化参数的基础上继续调整,直至所述多模态的语义表示模型收敛。
7.一种电子设备,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1-3中任一项所述的方法。
8.一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1-3中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196023.XA CN111507111B (zh) | 2020-03-19 | 2020-03-19 | 语义表示模型的预训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010196023.XA CN111507111B (zh) | 2020-03-19 | 2020-03-19 | 语义表示模型的预训练方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507111A CN111507111A (zh) | 2020-08-07 |
CN111507111B true CN111507111B (zh) | 2021-11-23 |
Family
ID=71875847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010196023.XA Active CN111507111B (zh) | 2020-03-19 | 2020-03-19 | 语义表示模型的预训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507111B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131342A (zh) * | 2020-09-07 | 2020-12-25 | 北京字节跳动网络技术有限公司 | 模型训练方法、装置、设备及存储介质 |
CN112201228A (zh) * | 2020-09-28 | 2021-01-08 | 苏州贝果智能科技有限公司 | 一种基于人工智能的多模态语义识别服务接入方法 |
CN112668671B (zh) * | 2021-03-15 | 2021-12-24 | 北京百度网讯科技有限公司 | 预训练模型的获取方法和装置 |
CN114298121A (zh) * | 2021-10-09 | 2022-04-08 | 腾讯科技(深圳)有限公司 | 基于多模态的文本生成方法、模型训练方法和装置 |
CN114419514B (zh) * | 2022-01-26 | 2024-04-19 | 腾讯科技(深圳)有限公司 | 一种数据处理方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345843A (zh) * | 2018-01-25 | 2018-07-31 | 电子科技大学 | 一种基于混合深度回归网络的头部姿态估计方法 |
CN109977757A (zh) * | 2019-01-28 | 2019-07-05 | 电子科技大学 | 一种基于混合深度回归网络的多模态的头部姿态估计方法 |
CN110309267A (zh) * | 2019-07-08 | 2019-10-08 | 哈尔滨工业大学 | 基于预训练模型的语义检索方法和系统 |
CN110795973A (zh) * | 2018-08-03 | 2020-02-14 | 北京大学 | 多模态融合的动作识别方法、装置及计算机可读存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110188202B (zh) * | 2019-06-06 | 2021-07-20 | 北京百度网讯科技有限公司 | 语义关系识别模型的训练方法、装置及终端 |
CN110427627B (zh) * | 2019-08-02 | 2023-04-28 | 北京百度网讯科技有限公司 | 基于语义表示模型的任务处理方法和装置 |
-
2020
- 2020-03-19 CN CN202010196023.XA patent/CN111507111B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108345843A (zh) * | 2018-01-25 | 2018-07-31 | 电子科技大学 | 一种基于混合深度回归网络的头部姿态估计方法 |
CN110795973A (zh) * | 2018-08-03 | 2020-02-14 | 北京大学 | 多模态融合的动作识别方法、装置及计算机可读存储介质 |
CN109977757A (zh) * | 2019-01-28 | 2019-07-05 | 电子科技大学 | 一种基于混合深度回归网络的多模态的头部姿态估计方法 |
CN110309267A (zh) * | 2019-07-08 | 2019-10-08 | 哈尔滨工业大学 | 基于预训练模型的语义检索方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111507111A (zh) | 2020-08-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507111B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
CN111221984B (zh) | 多模态内容处理方法、装置、设备及存储介质 | |
KR102484617B1 (ko) | 이종 그래프 노드를 표현하는 모델 생성 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
CN112001180A (zh) | 多模态预训练模型获取方法、装置、电子设备及存储介质 | |
CN111144108B (zh) | 情感倾向性分析模型的建模方法、装置和电子设备 | |
CN110795569B (zh) | 知识图谱的向量表示生成方法、装置及设备 | |
CN111832701B (zh) | 模型的蒸馏方法、装置、电子设备及存储介质 | |
CN111586459B (zh) | 一种控制视频播放的方法、装置、电子设备及存储介质 | |
CN111709252B (zh) | 基于预训练的语义模型的模型改进方法及装置 | |
CN111950293B (zh) | 语义表示模型的生成方法、装置、电子设备及存储介质 | |
JP7192192B2 (ja) | 語義類似度モデルの訓練方法、装置、電子デバイス及び記憶媒体 | |
CN112184851B (zh) | 图像编辑方法、网络训练方法、相关装置及电子设备 | |
CN111309283A (zh) | 用户界面的语音控制方法、装置、电子设备及存储介质 | |
CN112149741A (zh) | 图像识别模型的训练方法、装置、电子设备及存储介质 | |
CN112269867A (zh) | 用于推送信息的方法、装置、设备以及存储介质 | |
CN111127191A (zh) | 风险评估方法及装置 | |
CN114492788A (zh) | 训练深度学习模型的方法和装置、电子设备及存储介质 | |
CN110532487B (zh) | 标签的生成方法及装置 | |
CN111783949A (zh) | 基于迁移学习的深度神经网络的训练方法和装置 | |
CN111539222B (zh) | 语义相似度任务模型的训练方法、装置、设备及存储介质 | |
CN112001489A (zh) | 优化器学习的方法、装置、电子设备和可读存储介质 | |
CN112016524A (zh) | 模型训练方法、人脸识别方法、装置、设备和介质 | |
CN111651988B (zh) | 用于训练模型的方法、装置、设备以及存储介质 | |
CN111783872B (zh) | 训练模型的方法、装置、电子设备及计算机可读存储介质 | |
CN112101551A (zh) | 用于训练模型的方法、装置、设备以及存储介质 |
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 |