CN112016679B - 孪生网络的测试样本类别确定方法、装置及终端设备 - Google Patents
孪生网络的测试样本类别确定方法、装置及终端设备 Download PDFInfo
- Publication number
- CN112016679B CN112016679B CN202010939922.4A CN202010939922A CN112016679B CN 112016679 B CN112016679 B CN 112016679B CN 202010939922 A CN202010939922 A CN 202010939922A CN 112016679 B CN112016679 B CN 112016679B
- Authority
- CN
- China
- Prior art keywords
- sample
- class
- representation
- category
- vector representation
- 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
- 238000012360 testing method Methods 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 72
- 208000024891 symptom Diseases 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims 1
- 208000006673 asthma Diseases 0.000 description 25
- 238000010586 diagram Methods 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 206010008479 Chest Pain Diseases 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 206010028748 Nasal obstruction Diseases 0.000 description 5
- 206010035664 Pneumonia Diseases 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 108700025647 major vault Proteins 0.000 description 4
- 206010011224 Cough Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 208000000059 Dyspnea Diseases 0.000 description 2
- 206010013975 Dyspnoeas Diseases 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000000241 respiratory effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 210000004072 lung Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 208000013220 shortness of breath Diseases 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本申请实施例公开了一种孪生网络的测试样本类别确定方法、装置及终端设备,适用于数字医疗领域。该方法包括:通过孪生网络获取训练样本中任一类别的任一样本的向量表示,并获取该任一样本在上述任一类别中所占的权重;根据上述任一类别中各样本的向量表示和各样本的上述权重确定该任一类别的类别表示;通过上述孪生网络获取测试样本的样本向量表示,根据该样本向量表示和上述训练样本中所有类别的类别表示构建样本对;将各样本对输入上述孪生网络,通过该孪生网络确定各类别表示与上述样本向量表示的相似度,基于各类别表示与上述样本向量表示的相似度确定上述测试样本的类别。采用本申请实施例,可以提高孪生网络中测试样本类别的分类精度。
Description
技术领域
本申请涉及深度学习领域,尤其是一种孪生网络的测试样本类别确定方法、装置及终端设备。
背景技术
孪生网络是一种通过构建样本对来实现分类任务的深度学习算法。具体实现中,是将测试样本与所有的训练样本构建样本对,输入至孪生网络中,得分最高的样本对中的训练样本与测试样本是最接近的样本,则该训练样本的类别即为测试样本的类别。但是,当测试样本的数量庞大时,若要与所有训练样本一一构建样本对,耗时会很长并且计算效率低,造成大量计算资源的浪费。
现有技术中采用召回的方法,即从大量的训练样本中例如n个训练样本,利用快速计算的方法,得到最有可能的k个训练样本,将该k个训练样本与测试样本一一构建样本对,k小于n。然而,现有技术会带来召回率低的问题,即通过快速计算的方法得到的最有可能的k个训练样本中是测试样本的真实类别的可能性低,使得孪生网络的分类精度低,适用性差。
发明内容
本申请提供了一种基于孪生网络的类别标签确定方法、装置及设备,可以提高孪生网络中测试样本类别的分类精度,操作简单,适用性高。
第一方面,本申请实施例提供了一种孪生网络的测试样本类别确定方法,该方法包括:
通过孪生网络获取训练样本中任一类别的任一样本的向量表示,并获取该任一样本在上述任一类别中所占的权重;
根据上述任一类别中各样本的向量表示和各样本的上述权重确定该任一类别的类别表示;其中各样本的上述权重为各样本在上述任一类别中所占的权重;
通过上述孪生网络获取测试样本的样本向量表示,根据该样本向量表示和上述训练样本中所有类别的类别表示构建样本对,其中,该样本向量表示与一个类别的类别表示构建一个样本对;
将各样本对输入上述孪生网络,通过该孪生网络确定各类别表示与上述样本向量表示的相似度,基于各类别表示与上述样本向量表示的相似度确定上述测试样本的类别。
结合第一方面,在第一种可能的实现方式中,上述获取该任一样本在上述任一类别中所占的权重具体包括:
获取该任一样本在上述任一类别中所占的初始权重,根据该任一类别中各样本的向量表示和各样本的上述初始权重确定该任一类别的初始类别表示;其中各样本的上述初始权重为各样本在上述任一类别中所占的初始权重;
根据该任一类别的初始类别表示与上述任一样本的向量表示的相似度,对该任一样本的上述初始权重进行更新以得到该任一样本的目标权重;其中该任一样本的上述初始权重为该任一样本在上述任一类别中所占的初始权重;
若该任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度不小于预设相似度阈值,则将该目标权重确定为该任一样本在上述任一类别中所占用的权重。
结合第一方面第一种可能的实现方式,在第二种可能的实现方式中,若上述任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度小于上述预设相似度阈值,则将该目标权重作为上述任一样本的初始权重并执行上述结合第一方面第一种可能的实现方式中的方法步骤。
结合第一方面第一种可能的实现方式,在第三种可能的实现方式中,上述通过该孪生网络确定各类别表示与上述样本向量表示的相似度具体实现为:
通过该孪生网络计算上述训练样本中各类别的类别表示与上述样本向量表示之间的欧式距离;
基于各类别表示与上述样本向量表示之间的欧式距离,确定各类别表示与上述样本向量表示的相似度。
结合第一方面第三种可能的实现方式,在第四种可能的实现方式中,上述基于各类别的类别表示与上述样本向量表示的相似度确定上述测试样本的类别具体实现为:
比较各类别表示与上述样本向量表示之间的欧式距离的大小,将与该样本向量表示之间的欧式距离最小的类别表示对应的类别作为上述测试样本的类别。
结合第一方面或结合第一方面上述任一种可能的实现方式,在第五种可能的实现方式中,上述根据上述任一类别中各样本的向量表示和各样本的上述权重确定该任一类别的类别表示具体实现为:
将上述任一类别中各样本的向量表示与各样本的上述权重进行点乘,得到该任一类别中各样本加权后的向量表示;其中各样本对应的上述权重为各样本在上述任一类别中所占的权重;
将该任一类别中各样本加权后的向量表示进行相加,并将相加后的结果进行归一化处理,得到上述任一类别的类别表示。
结合第一方面或第一方面上述任一种可能的实现方式,上述训练样本中一个类别的样本包括至少两个患者的训练样本数据,其中患者的训练样本数据包括患者的症状描述信息和/或病历信息;
上述测试样本为目标患者的症状描述信息和/或病历信息。
第二方面,本申请实施例提供了一种孪生网络的测试样本类别确定装置,所述装置包括:
获取模块,用于通过孪生网络获取训练样本中任一类别的任一样本的向量表示,并获取所述任一样本在所述任一类别中所占的权重;
确定模块,还用于根据上述获取模块获取到的任一类别中各样本的向量表示以及各样本的所述权重确定所述任一类别的类别表示;
样本对构建模块,用于通过上述孪生网络获取测试样本的样本向量表示,根据该样本向量表示和上述确定模块确定的上述训练样本中所有类别的类别表示构建样本对,其中该样本向量表示与一个类别的类别表示构建一个样本对;
上述确定模块,还用于将上述样本对构建模块构建的各样本对输入上述孪生网络,通过该孪生网络确定各类别表示与上述样本向量表示的相似度,并基于各类别表示与上述样本向量表示的相似度确定上述测试样本的类别。
结合第二方面,在第一种可能的实现方式中,上述获取模块还用于获取上述任一样本在上述任一类别中所占的初始权重,上述确定模块根据该任一类别中各样本的向量表示和上述获取模块获取到的各样本的上述初始权重确定该任一类别的初始类别表示;其中各样本的上述初始权重为各样本在上述任一类别中所占的初始权重;
上述获取模块,还用于根据上述确定模块确定的该任一类别的初始类别表示与上述任一样本的向量表示的相似度,对该任一样本的上述初始权重进行更新以得到该任一样本的目标权重;其中该任一样本的上述初始权重为该任一样本在上述任一类别中所占的初始权重;
上述确定模块,还用于在上述获取模块获取到的该任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度不小于预设相似度阈值时,则将该目标权重确定为该任一样本在上述任一类别中所占用的权重。
结合第二方面第一种可能的实现方式,在第二种可能的实现方式中,上述确定模块,还用于在上述任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度小于上述预设相似度阈值时,则将该目标权重作为上述任一样本的初始权重并执行上述结合第一方面第一种可能的实现方式。
结合第二方面第一种可能的实现方式,在第三种可能的实现方式中,上述装置还包括计算模块;该计算模块,用于通过该孪生网络计算上述训练样本中各类别的类别表示与上述样本向量表示之间的欧式距离;
上述确定模块,还用于基于上述计算模块计算得到的各类别表示与上述样本向量表示之间的欧式距离,确定各类别表示与上述样本向量表示的相似度。
结合第二方面第三种可能的实现方式,在第四种可能的实现方式中,上述装置还包括比较模块,该比较模块,用于比较上述计算模块计算得到的各类别表示与上述样本向量表示之间的欧式距离的大小;
上述确定模块,用于将与该样本向量表示之间的欧式距离最小的类别表示对应的类别作为上述测试样本的类别。
结合第二方面,在第五种可能的实现方式中,上述装置还包括计算模块,该计算模块,用于将上述任一类别中各样本的向量表示与各样本的上述权重进行点乘,得到该任一类别中各样本加权后的向量表示;其中各样本对应的上述权重为各样本在上述任一类别中所占的权重;
该计算模块,还用于将该任一类别中各样本加权后的向量表示进行相加,并将相加后的结果进行归一化处理,得到上述任一类别的类别表示。
结合第二方面或第二方面上述任一种可能的实现方式,上述训练样本中一个类别的样本包括至少两个患者的训练样本数据,其中患者的训练样本数据包括患者的症状描述信息和/或病历信息;
上述测试样本为目标患者的症状描述信息和/或病历信息。
第三方面,本申请提供了一种终端设备,包括收发器、处理器和存储器,所述收发器和所述处理器连接,所述处理器和存储器连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,该计算机存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令当被处理器执行时使该处理器执行上述第一方面和/或第一方面任一种可能的实施方式所提供的方法。
本申请实施例中,通过孪生网络确定训练样本中各类别的类别表示,通过将各类别的类别表示与测试样本构建样本对来确定测试样本的类别,使得孪生网络的分类精度可以不受召回率的影响,从而大大提高孪生网络中测试样本类别的分类精度,操作简单,适用性高。
附图说明
图1为孪生网络的一结构示意图;
图2为本申请实施例提供的一种孪生网络的测试样本类别确定方法的流程示意图;
图3为本申请实施例提供的一种孪生网络的结构示意图;
图4A为本申请实施例提供的一种孪生网络的测试样本类别确定方法的一应用场景图;
图4B为本申请实施例提供的一种孪生网络的测试样本类别确定方法的另一应用场景图;
图5为本申请实施例提供的一种孪生网络的测试样本类别确定装置;
图6为本申请实施例提供的终端设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
为了更好地描述本申请实施例,下面首先对孪生网络进行简单介绍。参考图1,图1为孪生网络的一结构示意图。如图1所示,孪生网络10包括两个共享权重Weights的分支Network 101和Network 102。示例性的,Network 101和Network 102可以是同一种网络结构,例如Network 101和Network 102均为卷积神经网络(Convolutional NeuralNetworks,CNN),或者Network 101和Network102均为循环神经网络(Recurrent NeuralNetwork,RNN)等。将测试样本11与训练样本12构建为样本对,即将测试样本11输入至Network 101,通过Network 101提取测试样本11的特征向量Gw(x1);将训练样本12输入至Network102,通过Network 102提取训练样本12的特征向量Gw(x2)。通过损失函数Loss103的取值来衡量测试样本11与训练样本12的相似度,该损失函数可以表示如下:
x=‖Gw(x1)-Gw(x2)‖ 公式1
其中,当上述损失函数的取值x最小时,则认为测试样本11与训练样本12的相似度最高,即测试样本11与训练样本12属于同一类别。而训练样本12携带有类别标签,可以认为训练样本12的类别标签即为测试样本11的类别标签。训练样本12通常采用召回的方式得到,示例性的,将类别标签为“哮喘”和“肺炎”的训练样本召回。计算类别标签为“哮喘”的训练样本与测试样本11的相似度,以及计算类别标签为“肺炎”的训练样本与测试样本11的相似度,比如“哮喘”中的训练样本与测试样本11的相似度为0.7,“肺炎”中的训练样本与测试样本11的相似度为0.6,则认为该测试样本11属于“哮喘”类别。但实际上,该测试样本11是属于“慢阻肺”类别的,由于召回算法不够准确导致召回率低,使得测试样本11真实类别标签“慢阻肺”中的训练样本未被召回,导致孪生网络10的分类精确度低,适用性差。
本申请实施例提供了一种孪生网络的测试样本类别确定方法,通过孪生网络确定训练样本中各类别的类别表示,通过将各类别的类别表示与测试样本构建样本对来确定测试样本的类别,使得孪生网络的分类精度可以不受召回率的影响,从而提高孪生网络中测试样本类别的分类精度,且操作简单,适用性高。
下面结合附图来对本申请的技术方案的实施作进一步的详细描述。
参见图2,图2本申请实施例提供的一种孪生网络的测试样本类别确定方法的流程示意图。如图2所示,本实施例的具体执行步骤如下:
S200、通过孪生网络获取训练样本中任一类别的任一样本的向量表示。
在一些可行的实施方式中,该孪生网络可以是CNN、RNN等网络结构。该孪生网络可以获取文本、语音或图像等训练样本的特征信息,并将该特征信息转换为向量表示。
S201、获取任一样本在上述任一类别中所占的权重。
在一些可行的实施方式中,获取该任一样本在上述任一类别中所占的初始权重,根据该任一类别中各样本的向量表示和各样本的上述初始权重确定该任一类别的初始类别表示,其中各样本的上述初始权重为各样本在上述任一类别中所占的初始权重。各样本在上述任一类别中所占的初始权重可以是预先设置的。示例性的,各样本在上述任一类别中所占的初始权重可以预先设置为该任一类别中所有样本数量的平均值,以第一类别为例,第一类别中所有样本数量是100,则该第一类别中任一样本的初始权重是1/100。
下面以i表示类别的索引,j表示样本的索引对如何根据步骤S200得到的该任一类别中各样本的向量表示,以及预设的各样本的上述初始权重确定上述任一类别的初始类别表示进行详细说明,其中i和j为正整数。
具体实现中,由步骤S200通过上述孪生网络得到上述任一类别中各样本的向量表示各样本在上述任一类别中所占的初始权重dij′可以预先设置。将任一类别中各样本的向量表示/>与各样本的上述初始权重dij′进行点乘,得到该任一类别的初始类别表示公式表示为:
其中,可以理解为第i类别的初始类别表示,/>可以理解为第i类别中第j样本的向量表示,dij′可以理解为第i类别中第j样本在第i类别中所占的初始权重。
进一步的,将上述任一类别的初始类别表示进行归一化,得到该任一类别的初始类别表示ci′。示例性的,归一化可以采用Squash函数,具体计算公式如下:
由于各样本在上述任一类别中所占的初始权重可能设置得不够合理,导致上述任一类别的初始类别表示不够准确,因此可以对各样本在上述任一类别中所占的初始权重进行更新以使初始权重的设置更加合理,可提高上述任一类别的初始类别表示的准确性。示例性的,根据上述任一类别的初始类别表示与上述任一样本的向量表示的相似度,对该任一样本的所述初始权重进行更新以得到该任一样本的目标权重。
在具体实现中,计算上述任一类别的初始类别表示与上述任一样本的向量表示的相似度可以通过余弦距离、欧式距离或向量点乘的方法来进行计算。本实施例以向量点乘为例,将上述任一类别的初始类别表示的单位向量ci′与上述任一样本的向量表示进行点乘得到该任一样本的权值bij,表示为:
其中,bij′为预设相似值,预设值可以为0。
示例性的,使用softmax函数对公式4中得到的上述任一样本的权值bij进行归一化处理得到该任一样本的目标权重dij,表示为:
dij=softmax(bij) 公式5
可选的,若上述任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度小于预设相似度阈值,则将该目标权重作为上述任一样本的初始权重代入公式2中dij′。即将公式5中得到的上述任一样本的目标权重dij代入公式2中dij′,对各样本在上述任一类别中所占的初始权重进行更新,重新得到该任一类别的初始类别表示。示例性的,上述预设相似度阈值为0.8,当上述任一样本的目标权重dij使得的任一取值小于0.8,则将dij作为dij′代入公式2,对/>的所有取值进行累加,重新得到该任一类别的初始类别表示/>
在另一种可选的实施例中,若上述任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度不小于上述预设相似度阈值,则将该目标权重确定为上述任一样本在该任一类别中所占用的权重。
示例性的,上述预设相似度阈值为0.8,当上述任一样本的目标权重dij使得的所有取值均不小于0.8,则此时的目标权重dij为上述任一样本在该任一类别中所占用的权重。此时各样本在该任一类别中所占用的权重可以以i和j为索引查找得到。
S202、根据上述任一类别中各样本的向量表示和各样本的上述权重确定该任一类别的类别表示。
在一些可行的实施方式中,将步骤S200获取到的上述任一类别中各样本的向量表示与步骤S201获取到的各样本的上述权重进行点乘,得到该任一类别中各样本加权后的向量表示,将该任一类别中各样本加权后的向量表示进行相加得到该任一类别的估计值公式表示为:
并将相加后的结果进行归一化处理,即将公式6中计算得到的任一类别的估计值进行归一化,得到该任一类别的类别表示Ci。示例性的,归一化可以采用Squash函数,具体计算公式表示为:
该可行实施方式中,将上述任一类别中各样本加权后的向量表示进行相加,然后归一化得到该任一类别的类别表示,可以认为该任一类别的类别表示使用了该任一类别的所有样本的特征,对该任一类别的所有训练样本的召回率达到100%,即此时孪生网络的精度不再受样本召回率的影响。
S203、通过上述孪生网络获取测试样本的样本向量表示。
在一些可行的实施方式中,该测试样本为目标患者的症状描述信息和/或病历信息,进一步的,该测试样本还可以包括该目标患者的家族遗传史等。在该可选实施例中,上述训练样本中一个类别的样本包括至少两个患者的训练样本数据,其中患者的训练样本数据也包括患者的症状描述信息和/或病历信息。同理的,患者的训练样本数据还可以包括该患者的家族遗传史等。
S204、根据上述样本向量表示和上述训练样本中所有类别的类别表示构建样本对,其中,所述样本向量表示与一个类别的类别表示构建一个样本对。
具体实现方式可以参见图3,图3为本申请实施例提供的一种孪生网络的结构示意图。如图3所示,与图1不同的是,输入图3中的孪生网络30的样本对是测试样本31和类别表示32,该类别表示32是经过执行上述步骤S200至步骤S202的方法确定得到的。可以理解的是,测试样本31可以是由步骤S203通过孪生网络30获取的,具体表现为向量表示。
S205、将各样本对输入上述孪生网络,通过该孪生网络确定各类别表示与上述样本向量表示的相似度。
示例性的,在如图3中,孪生网络30中包括两个共享权重的分支Network 301和Network 302,将测试样本31输入至Network 301,通过Network 301提取测试样本31的特征向量Gw(yi);将类别表示32输入至Network 302,通过Network302提取类别表示32的特征向量Gw(zi)。
在一些可行的实施方式中,通过上述孪生网络计算上述训练样本中各类别的类别表示与上述样本向量表示之间的欧式距离L,计算公式如下:
L=‖Gw(yi)-Gw(zi)‖ 公式8
基于各类别表示与所述样本向量表示之间的欧式距离L,确定各类别表示与所述样本向量表示的相似度。即欧式距离取值的大小与相似度呈反比例关系,欧式距离越小,相似度越高。
S206、基于各类别表示与该样本向量表示的相似度确定上述测试样本的类别。
在一些可行的实施方式中,比较各类别表示与所述样本向量表示之间的欧式距离的大小,将与所述样本向量表示之间的欧式距离最小的类别表示对应的类别作为所述测试样本的类别。
本申请实施例中,通过孪生网络确定训练样本中各类别的类别表示,通过将各类别的类别表示与测试样本构建样本对来确定测试样本的类别,使得孪生网络的分类精度可以不受召回率的影响,从而大大提高孪生网络中测试样本类别的分类精度,操作简单,适用性高。
在一些可行的实施方式中,所述孪生网络的测试样本类别确定方法可以由终端设备或服务器等电子设备执行,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 Digital Assistant,PDA)、手持设备、计算设备、车载设备、可穿戴设备等,所述方法还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。或者,可通过服务器执行所述方法。
下面结合图4A和图4B对本申请实施例可以应用的场景进行示例,应当理解为包括但不限于下面所描述的应用场景。
以本申请应用于数字医疗的场景为例。首先参见图4A,图4A为本申请实施例提供的一种孪生网络的测试样本类别确定方法的一应用场景图,如图4A所示,训练样本中的任一类别为“哮喘”。“哮喘”类别包括M个训练样本,例如样本1“气喘、胸闷”;样本2“气喘、咳嗽、呼吸困难”;样本M“打喷嚏、气促、咳嗽”等。将“哮喘”类别中的各样本输入孪生网络,得到各样本的向量表示(图4A中以黑白色格子对各样本向量表示包括的信息不同来进行区分)。示例性的,该孪生网络提取各样本的文本信息、语音信息或图像信息,得到各样本的向量表示。该孪生网络中还具有“哮喘”类别的各样本在“哮喘”类别中所占的权重,例如第一样本在“哮喘”类别中所占的权重di1、第二样本在“哮喘”类别中所占的权重di2、第M样本在“哮喘”类别中所占的权重diM等。各样本在该类别所占权重的更新确定方法可以参考上述步骤S201的描述,此处不作赘述。该孪生网络可以将“哮喘”类别中各样本的向量表示与各样本在“哮喘”类别中所占的权重进行点乘,得到“哮喘”类别中各样本加权后的向量表示,将“哮喘”类别中各样本加权后的向量表示进行相加,并归一化处理,得到“哮喘”类别的类别表示,此时该类别表示的具体表现可以是向量。以此类推,由上述图4A的步骤可以得到不同类别的类别表示,例如“肺炎”、“慢阻肺”等。
然后参见图4B,图4B为本申请实施例提供的一种孪生网络的测试样本类别确定方法的另一应用场景图。如图4B所示,测试样本例如是“胸闷、鼻塞、哮喘史”,将测试样本进行多次复制,复制的次数与所有类别表示的个数相等。而各类别表示是通过结合上述图4A所描述的方法步骤得到的。测试样本可以与各类别表示分别构建样本对,并行输入至上述孪生网络中。该孪生网络可以分别计算各样本对中类别表示与测试样本的相似度,得到例如测试样本“胸闷、鼻塞、哮喘史”与“哮喘”的相似度1、测试样本“胸闷、鼻塞、哮喘史”与“肺炎”的相似度2以及测试样本“胸闷、鼻塞、哮喘史”与“慢阻肺”的相似度S。示例性的,相似度1是0.6,相似度2是0.65,相似度S为0.8,则确认“慢阻肺”为所述测试样本的类别。具体实现中,可以是计算测试样本“胸闷、鼻塞、哮喘史”与各类别表示之间的欧式距离,该欧式距离用来衡量两者之间的相似度。
示例性的,本申请实施例提供的方法可以用于医院的线上问诊平台。患者向线上问诊平台所在服务器发送症状信息和/或病史信息,该线上问诊平台所在服务器将接收到的症状信息和/或病历信息作为上述测试样本,执行上述结合图2至图4B所描述的方法步骤,由患者输入的症状信息和/或病历信息确定该患者的患病类别,例如患者的症状信息为“咳嗽三天”,该线上问诊平台所在服务器确认该患者为“呼吸内科”类别,向该患者发送“呼吸内科”的挂号信息,有助于患者进行挂号。
参考图5,图5为本申请实施例提供的一种孪生网络的测试样本类别确定装置。如图5所示,孪生网络的测试样本类别确定装置50包括:
获取模块500,用于通过孪生网络获取训练样本中任一类别的任一样本的向量表示,并获取所述任一样本在所述任一类别中所占的权重;
确定模块501,还用于根据上述获取模块500获取到的任一类别中各样本的向量表示以及各样本的所述权重确定所述任一类别的类别表示;
样本对构建模块502,用于通过上述孪生网络获取测试样本的样本向量表示,根据该样本向量表示和上述确定模块501确定的上述训练样本中所有类别的类别表示构建样本对,其中该样本向量表示与一个类别的类别表示构建一个样本对;
上述确定模块501,还用于将上述样本对构建模块502构建的各样本对输入上述孪生网络,通过该孪生网络确定各类别表示与上述样本向量表示的相似度,并基于各类别表示与上述样本向量表示的相似度确定上述测试样本的类别。
在第一种可能的实现方式中,上述获取模块500还用于获取上述任一样本在上述任一类别中所占的初始权重,上述确定模块501根据该任一类别中各样本的向量表示和上述获取模块500获取到的各样本的上述初始权重确定该任一类别的初始类别表示;其中各样本的上述初始权重为各样本在上述任一类别中所占的初始权重;
上述获取模块500,还用于根据上述确定模块501确定的该任一类别的初始类别表示与上述任一样本的向量表示的相似度,对该任一样本的上述初始权重进行更新以得到该任一样本的目标权重;其中该任一样本的上述初始权重为该任一样本在上述任一类别中所占的初始权重;
上述确定模块501,还用于在上述获取模块500获取到的该任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度不小于预设相似度阈值时,则将该目标权重确定为该任一样本在上述任一类别中所占用的权重。
进一步的,上述确定模块501,还用于在上述任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度小于上述预设相似度阈值时,则将该目标权重作为上述任一样本的初始权重执行上述结合第一方面第一种可能的实现方式。
在一可行实施方式中,上述装置还包括计算模块503;该计算模块503,用于通过该孪生网络计算上述训练样本中各类别的类别表示与上述样本向量表示之间的欧式距离;
上述确定模块501,还用于基于上述计算模块503计算得到的各类别表示与上述样本向量表示之间的欧式距离,确定各类别表示与上述样本向量表示的相似度。
在一种可能的实施例中,上述装置还包括比较模块504,该比较模块504,用于比较上述计算模块503计算得到的各类别表示与上述样本向量表示之间的欧式距离的大小;
上述确定模块501,用于将与该样本向量表示之间的欧式距离最小的类别表示对应的类别作为上述测试样本的类别。
在一种可能的实现方式中,上述装置还包括计算模块503,该计算模块503,用于将上述任一类别中各样本的向量表示与各样本的上述权重进行点乘,得到该任一类别中各样本加权后的向量表示;其中各样本对应的上述权重为各样本在上述任一类别中所占的权重;
该计算模块503,还用于将该任一类别中各样本加权后的向量表示进行相加,并将相加后的结果进行归一化处理,得到上述任一类别的类别表示。
示例性的,上述训练样本中一个类别的样本包括至少两个患者的训练样本数据,其中患者的训练样本数据包括患者的症状描述信息和/或病历信息;
上述测试样本为目标患者的症状描述信息和/或病历信息。
参见图6,图6是本申请实施例提供的终端设备的结构示意图。如图6所示,本实施例中的终端设备可以包括:至少一个收发器600、至少一个处理器601和存储器602。上述处理器601和存储器602通过总线603连接,上述收发器600和处理器601通过总线603连接。收发器601用于接收各样本输入,存储器602用于存储计算机程序,该计算机程序包括程序指令,处理器601用于执行存储器602存储的程序指令,执行如下操作:
通过孪生网络获取训练样本中任一类别的任一样本的向量表示,并获取该任一样本在上述任一类别中所占的权重;
根据上述任一类别中各样本的向量表示和各样本的上述权重确定该任一类别的类别表示;其中各样本的上述权重为各样本在上述任一类别中所占的权重;
通过上述孪生网络获取测试样本的样本向量表示,根据该样本向量表示和上述训练样本中所有类别的类别表示构建样本对,其中,该样本向量表示与一个类别的类别表示构建一个样本对;
将各样本对输入上述孪生网络,通过该孪生网络确定各类别表示与上述样本向量表示的相似度,基于各类别表示与上述样本向量表示的相似度确定上述测试样本的类别。
在一些可行的实施方式中,上述处理器601还用于:
获取该任一样本在上述任一类别中所占的初始权重,根据该任一类别中各样本的向量表示和各样本的上述初始权重确定该任一类别的初始类别表示;其中各样本的上述初始权重为各样本在上述任一类别中所占的初始权重;
根据该任一类别的初始类别表示与上述任一样本的向量表示的相似度,对该任一样本的上述初始权重进行更新以得到该任一样本的目标权重;其中该任一样本的上述初始权重为该任一样本在上述任一类别中所占的初始权重;
当该任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度不小于预设相似度阈值,则将该目标权重确定为该任一样本在上述任一类别中所占用的权重。
在一些可行的实施方式中,上述处理器601用于:
当上述任一样本的目标权重使得上述任一类别的初始类别表示与上述任一样本的向量表示的相似度小于上述预设相似度阈值,将该目标权重作为上述任一样本的初始权重并执行上述结合第一方面第一种可能的实现方式中的方法步骤。
在一些可行的实施方式中,上述处理器601用于:
通过该孪生网络计算上述训练样本中各类别的类别表示与上述样本向量表示之间的欧式距离;
基于各类别表示与上述样本向量表示之间的欧式距离,确定各类别表示与上述样本向量表示的相似度。
在一些可行的实施方式中,上述处理器601用于:
比较各类别表示与上述样本向量表示之间的欧式距离的大小,将与该样本向量表示之间的欧式距离最小的类别表示对应的类别作为上述测试样本的类别。
在一些可行的实施方式中,上述处理器601用于:
将上述任一类别中各样本的向量表示与各样本的上述权重进行点乘,得到该任一类别中各样本加权后的向量表示;其中各样本对应的上述权重为各样本在上述任一类别中所占的权重;
将该任一类别中各样本加权后的向量表示进行相加,并将相加后的结果进行归一化处理,得到上述任一类别的类别表示。
在一些可行的实施方式中,上述训练样本中一个类别的样本包括至少两个患者的训练样本数据,其中患者的训练样本数据包括患者的症状描述信息和/或病历信息;上述测试样本为目标患者的症状描述信息和/或病历信息。
在一些可行的实施方式中,上述处理器601可以是中央处理单元(centralprocessing unit,CPU),该处理器还可以是其他通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field-programmable gate array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
该存储器602可以包括只读存储器和随机存取存储器,并向处理器601提供指令和数据。存储器602的一部分还可以包括非易失性随机存取存储器。例如,存储器602还可以存储设备类型的信息。
具体实现中,上述终端设备可通过其内置的各个功能模块执行如上述图1至图4B中各个步骤所提供的实现方式,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质存储有计算机程序,该计算机程序包括程序指令,该程序指令被处理器执行时实现图1至图4B中各个步骤所提供的孪生网络的测试样本类别确定方法,具体可参见上述各个步骤所提供的实现方式,在此不再赘述。
上述计算机可读存储介质可以是前述任一实施例提供的孪生网络的测试样本类别确定装置或者上述终端设备的内部存储单元,例如电子设备的硬盘或内存。该计算机可读存储介质也可以是该电子设备的外部存储设备,例如该电子设备上配备的插接式硬盘,智能存储卡(smart media card,SMC),安全数字(secure digital,SD)卡,闪存卡(flashcard)等。进一步地,该计算机可读存储介质还可以既包括该电子设备的内部存储单元也包括外部存储设备。该计算机可读存储介质用于存储该计算机程序以及该电子设备所需的其他程序和数据。该计算机可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
需要说明的是,上述术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性。
此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置展示该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例提供的方法及相关装置是参照本申请实施例提供的方法流程图和/或结构示意图来描述的,具体可由计算机程序指令实现方法流程图和/或结构示意图的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。这些计算机程序指令可提供到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或结构示意图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或结构示意一个方框或多个方框中指定的功能的步骤。
Claims (6)
1.一种孪生网络的测试样本类别确定方法,其特征在于,所述方法包括:
通过孪生网络获取训练样本中任一类别的任一样本的向量表示,并获取所述任一样本在所述任一类别中所占的权重,所述获取所述任一样本在所述任一类别中所占的权重包括:获取所述任一样本在所述任一类别中所占的初始权重,根据所述任一类别中各样本的向量表示和各样本的所述初始权重确定所述任一类别的初始类别表示;根据所述任一类别的初始类别表示与所述任一样本的向量表示的相似度,对所述任一样本的所述初始权重进行更新以得到所述任一样本的目标权重;若所述任一样本的目标权重使得所述任一类别的初始类别表示与所述任一样本的向量表示的相似度不小于预设相似度阈值,则将所述目标权重确定为所述任一样本在所述任一类别中所占用的权重;
根据所述任一类别中各样本的向量表示和各样本的所述权重确定所述任一类别的类别表示,包括:将所述任一类别中各样本的向量表示与各样本的所述权重进行点乘,得到所述任一类别中各样本加权后的向量表示;将所述任一类别中各样本加权后的向量表示进行相加,并将相加后的结果进行归一化处理,得到所述任一类别的类别表示;
通过所述孪生网络获取测试样本的样本向量表示,根据所述样本向量表示和所述训练样本中所有类别的类别表示构建样本对,其中,所述样本向量表示与一个类别的类别表示构建一个样本对;
将各样本对输入所述孪生网络,通过所述孪生网络确定各类别表示与所述样本向量表示的相似度,基于各类别表示与所述样本向量表示的相似度确定所述测试样本的类别,所述通过所述孪生网络确定各类别表示与所述样本向量表示的相似度包括:通过所述孪生网络计算所述训练样本中各类别的类别表示与所述样本向量表示之间的欧式距离;基于各类别表示与所述样本向量表示之间的欧式距离,确定各类别表示与所述样本向量表示的相似度;
所述方法还包括:
若所述任一样本的目标权重使得所述任一类别的初始类别表示与所述任一样本的向量表示的相似度小于所述预设相似度阈值,则将所述目标权重作为所述任一样本的初始权重并执行根据所述任一类别中各样本的向量表示和各样本的所述初始权重确定所述任一类别的初始类别表示的步骤。
2.根据权利要求1所述的方法,其特征在于,所述基于各类别的类别表示与所述样本向量表示的相似度确定所述测试样本的类别包括:
比较各类别表示与所述样本向量表示之间的欧式距离的大小,将与所述样本向量表示之间的欧式距离最小的类别表示对应的类别作为所述测试样本的类别。
3.根据权利要求1或2所述的方法,其特征在于,所述训练样本中一个类别的样本包括至少两个患者的训练样本数据,其中患者的训练样本数据包括患者的症状描述信息和/或病历信息;
所述测试样本为目标患者的症状描述信息和/或病历信息。
4.一种孪生网络的测试样本类别确定装置,所述装置用于执行如权利要求1-3任一项所述的方法,其特征在于,所述装置包括:
获取模块,用于通过孪生网络获取训练样本中任一类别的任一样本的向量表示,并获取所述任一样本在所述任一类别中所占的权重;
确定模块,还用于根据所述获取模块获取到的任一类别中各样本的向量表示以及各样本的所述权重确定所述任一类别的类别表示;
样本对构建模块,用于通过所述孪生网络获取测试样本的样本向量表示,根据所述样本向量表示和所述确定模块确定的所述训练样本中所有类别的类别表示构建样本对,其中所述样本向量表示与一个类别的类别表示构建一个样本对;
所述确定模块,还用于将所述样本对构建模块构建的各样本对输入所述孪生网络,通过所述孪生网络确定各类别表示与所述样本向量表示的相似度,并基于各类别表示与所述样本向量表示的相似度确定所述测试样本的类别。
5.一种终端设备,其特征在于,包括收发器、处理器和存储器,所述收发器和所述处理器连接,所述处理器和存储器连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如权利要求1-3任一项所述的方法。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机程序,所述计算机程序包括程序指令,所述程序指令当被处理器执行时使所述处理器执行如权利要求1-3任一项所述的方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939922.4A CN112016679B (zh) | 2020-09-09 | 2020-09-09 | 孪生网络的测试样本类别确定方法、装置及终端设备 |
PCT/CN2020/131811 WO2021151343A1 (zh) | 2020-09-09 | 2020-11-26 | 孪生网络的测试样本类别确定方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010939922.4A CN112016679B (zh) | 2020-09-09 | 2020-09-09 | 孪生网络的测试样本类别确定方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016679A CN112016679A (zh) | 2020-12-01 |
CN112016679B true CN112016679B (zh) | 2024-02-13 |
Family
ID=73521672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010939922.4A Active CN112016679B (zh) | 2020-09-09 | 2020-09-09 | 孪生网络的测试样本类别确定方法、装置及终端设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112016679B (zh) |
WO (1) | WO2021151343A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113011911B (zh) * | 2021-01-21 | 2023-06-09 | 腾讯科技(深圳)有限公司 | 基于人工智能的数据预测方法、装置、介质及电子设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
CN109508655A (zh) * | 2018-10-28 | 2019-03-22 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
CN110033446A (zh) * | 2019-04-10 | 2019-07-19 | 西安电子科技大学 | 基于孪生网络的增强图像质量评价方法 |
CN110533097A (zh) * | 2019-08-27 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置、电子设备及存储介质 |
CN111079785A (zh) * | 2019-11-11 | 2020-04-28 | 深圳云天励飞技术有限公司 | 一种图像识别方法、装置及终端设备 |
CN111353580A (zh) * | 2020-02-03 | 2020-06-30 | 中国人民解放军国防科技大学 | 目标检测网络的训练方法、电子设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108268458B (zh) * | 2016-12-30 | 2020-12-08 | 广东精点数据科技股份有限公司 | 一种基于knn算法的半结构化数据分类方法及装置 |
CN109145116A (zh) * | 2018-09-03 | 2019-01-04 | 武汉斗鱼网络科技有限公司 | 一种文本分类方法、装置、电子设备及存储介质 |
US11087174B2 (en) * | 2018-09-25 | 2021-08-10 | Nec Corporation | Deep group disentangled embedding and network weight generation for visual inspection |
CN110610191A (zh) * | 2019-08-05 | 2019-12-24 | 深圳优地科技有限公司 | 一种电梯楼层识别方法、装置及终端设备 |
CN111027069B (zh) * | 2019-11-29 | 2022-04-08 | 暨南大学 | 恶意软件家族检测方法、存储介质和计算设备 |
-
2020
- 2020-09-09 CN CN202010939922.4A patent/CN112016679B/zh active Active
- 2020-11-26 WO PCT/CN2020/131811 patent/WO2021151343A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
CN109508655A (zh) * | 2018-10-28 | 2019-03-22 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
CN110033446A (zh) * | 2019-04-10 | 2019-07-19 | 西安电子科技大学 | 基于孪生网络的增强图像质量评价方法 |
CN110533097A (zh) * | 2019-08-27 | 2019-12-03 | 腾讯科技(深圳)有限公司 | 一种图像清晰度识别方法、装置、电子设备及存储介质 |
CN111079785A (zh) * | 2019-11-11 | 2020-04-28 | 深圳云天励飞技术有限公司 | 一种图像识别方法、装置及终端设备 |
CN111353580A (zh) * | 2020-02-03 | 2020-06-30 | 中国人民解放军国防科技大学 | 目标检测网络的训练方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
WO2021151343A1 (zh) | 2021-08-05 |
CN112016679A (zh) | 2020-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109583332B (zh) | 人脸识别方法、人脸识别系统、介质及电子设备 | |
CN110738235B (zh) | 肺结核判定方法、装置、计算机设备及存储介质 | |
WO2021027125A1 (zh) | 序列标注方法、装置、计算机设备和存储介质 | |
CN113705362B (zh) | 图像检测模型的训练方法、装置、电子设备及存储介质 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113240155A (zh) | 预测碳排放量的方法、装置及终端 | |
CN113298152B (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
CN111401521A (zh) | 神经网络模型训练方法及装置、图像识别方法及装置 | |
CN111694954B (zh) | 图像分类方法、装置和电子设备 | |
CN110689046A (zh) | 图像识别方法、装置、计算机装置及存储介质 | |
WO2021217937A1 (zh) | 姿态识别模型的训练方法及设备、姿态识别方法及其设备 | |
CN111062440B (zh) | 一种样本选择方法、装置、设备及存储介质 | |
CN111222327B (zh) | 一种词嵌入表示方法、装置及设备 | |
CN115311730A (zh) | 一种人脸关键点的检测方法、系统和电子设备 | |
CN112016679B (zh) | 孪生网络的测试样本类别确定方法、装置及终端设备 | |
CN113435531B (zh) | 零样本图像分类方法、系统、电子设备及存储介质 | |
CN114742319A (zh) | 法考客观题成绩预测方法、系统及存储介质 | |
CN111429414B (zh) | 基于人工智能的病灶影像样本确定方法和相关装置 | |
CN111783088B (zh) | 一种恶意代码家族聚类方法、装置和计算机设备 | |
CN112949637A (zh) | 基于idcnn和注意力机制的招投标文本实体识别方法 | |
CN115827877B (zh) | 一种提案辅助并案的方法、装置、计算机设备和存储介质 | |
CN115409111A (zh) | 命名实体识别模型的训练方法和命名实体识别方法 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN112559640B (zh) | 图谱表征系统的训练方法及装置 | |
CN115512693A (zh) | 音频识别方法、声学模型训练方法、装置和存储介质 |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40040587 Country of ref document: HK |
|
GR01 | Patent grant | ||
GR01 | Patent grant |