CN112529159A - 网络训练方法、装置及电子设备 - Google Patents
网络训练方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112529159A CN112529159A CN202011447290.6A CN202011447290A CN112529159A CN 112529159 A CN112529159 A CN 112529159A CN 202011447290 A CN202011447290 A CN 202011447290A CN 112529159 A CN112529159 A CN 112529159A
- Authority
- CN
- China
- Prior art keywords
- data
- target
- training data
- features
- discrimination
- 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.)
- Granted
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了网络训练方法、装置及电子设备,涉及计算机视觉、增强现实和深度学习等人工智能技术领域。具体实现方案为:获取训练数据集;所述训练数据集包括第一训练数据和第一训练数据的第一判别标签数据;将第一训练数据输入至生成对抗网络,基于生成对抗网络中的生成器对第一训练数据进行数据编辑,得到第一目标数据;基于生成对抗网络中的判别器提取第一目标数据的N个尺度的第一特征,将N个尺度的第一特征进行融合,得到第一目标特征,基于第一目标特征确定第一判别结果数据;基于第一判别结果数据和第一判别标签数据,对生成器的参数进行更新。根据本申请的技术,解决了数据自动生成技术中存在的数据转换效果比较差的问题,提高了数据转换的效果。
Description
技术领域
本申请涉及人工智能领域,尤其涉及计算机视觉、增强现实及深度学习技术领域,具体涉及一种网络训练方法、装置及电子设备。
背景技术
随着数据处理技术的高速发展,数据自动生成技术得到了广泛的应用。数据自动生成技术指的是根据输入的数据,生成与该数据匹配的另一数据。
目前,可以通过生成对抗网络来进行数据编辑,生成对抗网络包括生成器和判别器,在使用生成器进行数据编辑之前,通常需要借助于判别器对生成器进行训练。
相关技术中,生成对抗网络中的判别器通常是基于单一尺度进行判别的,较大尺度的判别器通常注重整体转换的效果,而较小尺度的判别器通常注重局部细节转换的效果。
发明内容
本公开提供了一种网络训练方法、装置及电子设备。
根据本公开的第一方面,提供了一种网络训练方法,包括:
获取训练数据集;其中,所述训练数据集包括第一训练数据和所述第一训练数据的第一判别标签数据;
将所述第一训练数据输入至生成对抗网络,基于所述生成对抗网络中的生成器对所述第一训练数据进行数据编辑,得到所述生成器输出的第一目标数据;
基于所述生成对抗网络中的判别器提取所述第一目标数据的N个尺度的第一特征,将所述N个尺度的第一特征进行融合,得到第一目标特征,并基于所述第一目标特征确定第一判别结果数据,N为大于1的整数;
基于所述第一判别结果数据和第一判别标签数据,对所述生成器的参数进行更新。
根据本公开的第二方面,提供了一种网络训练装置,包括:
获取模块,用于获取训练数据集;其中,所述训练数据集包括第一训练数据和所述第一训练数据的第一判别标签数据;
第一数据编辑模块,用于将所述第一训练数据输入至生成对抗网络,基于所述生成对抗网络中的生成器对所述第一训练数据进行数据编辑,得到所述生成器输出的第一目标数据;
第一提取模块,用于基于所述生成对抗网络中的判别器提取所述第一目标数据的N个尺度的第一特征;
第一融合模块,用于将所述N个尺度的第一特征进行融合,得到第一目标特征,N为大于1的整数;
第一确定模块,用于基于所述第一目标特征确定第一判别结果数据;
第一更新模块,用于基于所述第一判别结果数据和第一判别标签数据,对所述生成器的参数进行更新。
根据本公开的第三方面,提供了一种电子设备,包括:
至少一个处理器;以及
与至少一个处理器通信连接的存储器;其中,
存储器存储有可被至少一个处理器执行的指令,该指令被至少一个处理器执行,以使至少一个处理器能够执行第一方面中的任一项方法。
根据本公开的第四方面,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,该计算机指令用于使计算机执行第一方面中的任一项方法。
根据本公开的第五方面,提供了一种计算机程序产品,当所述计算机程序产品在电子设备上运行时,所述电子设备能够执行第一方面中的任一项方法。
根据本申请的技术解决了数据自动生成技术中存在的数据转换效果比较差的问题,提高了数据转换的效果。
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网络训练方法的流程示意图;
图2是生成对抗网络的判别器的结构示意图;
图3是根据本申请第二实施例的网络训练装置的结构示意图;
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。
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。
第一实施例
如图1所示,本申请提供一种网络训练方法,包括如下步骤:
步骤S101:获取训练数据集;其中,所述训练数据集包括第一训练数据和所述第一训练数据的第一判别标签数据。
本实施例中,所述网络训练方法涉及人工智能领域,具体涉及计算机视觉技术、增强现实及深度学习技术领域,其可以应用于电子设备,该电子设备可以为服务器,也可以为终端,这里不做具体限定。
所述训练数据集指的是用于训练生成对抗网络的数据集合,其内包括多个训练数据和每个训练数据的判别标签数据。
其中,训练数据指的是输入至生成对抗网络,以对所述生成对抗网络进行训练的数据,训练数据可以为随机数,也可以为图像,该图像可以为人脸图像,也可以为文本图像,或者还可以为其他形式的数据,这里不做具体限定。以下描述中,训练数据将以人脸图像为例进行说明。
训练数据的判别标签数据可以表征训练数据的判别类型,其中,判别类型包括两种,分别为真和假,当判别类型为真的时候,其判别标签数据可以用1表示,当判别类型为假的时候,其判别标签数据可以用0表示。
其中,判别类型为真还是假需要根据生成对抗网络的实际功能进行限定,比如,当生成对抗网络用于智能头像自动生成时,即用于根据用户真实的人脸图像,生成与用户的人脸气质相符的高度个性化的头像,该头像可以为动漫头像,也可以为由线条组成的头像,或者为与真实人脸存在年龄差的人脸图像,如用户真实的人脸图像为30岁,基于生成对抗网络中的生成器,可以将该用户的人脸图像,转换成该用户10岁左右的人脸图像。在该种应用场景下,当训练数据为用户真实的人脸图像时,其判别类型为真,而当训练数据不为用户真实的人脸图像时,如为文本图像时,则其判别类型为假。
又比如,当生成对抗网络用于文本识别时,即用于识别文本图像中的文本信息时,在该种应用场景下,当训练数据为文本图像时,其判别类型为真,而当训练数据不为文本图像时,如为人脸图像时,则其判别类型为假。
所述多个训练数据中可以包括第一训练数据,所述第一训练数据的判别标签数据为第一判别标签数据,所述第一判别标签数据可以为1,也就是说,所述第一训练数据可以为判别类型为真的训练数据。
所述训练数据集的获取方式可以有多种,比如,可以从预先存储的图像库中获取所述训练数据集,也可以从服务器获取所述训练数据集,还可以自动构造训练数据集,或者接收其他设备发送的训练数据集。
步骤S102:将所述第一训练数据输入至生成对抗网络,基于所述生成对抗网络中的生成器对所述第一训练数据进行数据编辑,得到所述生成器输出的第一目标数据。
该步骤中,所述生成对抗网络包括生成器和判别器,所述生成器用于对输入的数据进行数据编辑,所述判别器用于判别生成器输出的数据是否为真实数据。
当源域的数据为人脸图像时,所述生成器用于对源域的人脸图像进行图像编辑,以基于该人脸图像生成目标域的智能头像,所述判别器用于对生成器输出的智能头像进行判别,以判别智能头像与源域的人脸图像是否相似。
为了使生成对抗网络中的生成器可以对源域的人脸图像进行图像编辑,以使生成器生成与源域的人脸图像气质相似的高度个性化头像,在具体使用之前,需要对生成器进行训练,以调节该生成器的参数。
具体的,可以将所述第一训练数据如人脸图像输入至生成对抗网络,相应的,网络训练装置可以基于所述生成对抗网络中的生成器对所述第一训练数据进行数据编辑,得到所述生成器输出的第一目标数据。
所述第一目标数据的数据类型可以根据生成对抗网络的实际功能不同而不同,比如,生成对抗网络用于智能头像自动生成,且生成的智能头像为动漫头像,源域的第一训练数据为人脸图像,则目标域的第一目标数据则可以为动漫头像。
又比如,生成对抗网络用于智能头像自动生成,且生成的智能头像为与源域的人脸具有年龄差的头像,源域的第一训练数据为用户A的人脸图像,则目标域的第一目标数据可以为与用户A的人脸具有年龄差的智能头像。
步骤S103:基于所述生成对抗网络中的判别器提取所述第一目标数据的N个尺度的第一特征,将所述N个尺度的第一特征进行融合,得到第一目标特征,并基于所述第一目标特征确定第一判别结果数据,N为大于1的整数。
该步骤中,可以借助于生成对抗网络中的判别器,来训练生成器,即通过判别器来判别生成器输出的目标域的第一目标数据与源域的第一训练数据是否相似,比如,生成器输出的智能头像与源域的人脸图像是否相似。其中,所述判别器的输出可以在0至1之间,0表示第一目标数据与第一训练数据完全不相似,1表示第一目标数据与第一训练数据完全相似,若输出在0至1之间,越靠近1,则越相似,而越靠近0,则越不相似。
所述判别器可以为已经训练好的判别器,即其参数已经通常其他方式进行了调整,且已经调整至了最优状态,也就是说,其完成具备判断生成器生成的第一目标数据是真还是假的能力。
所述判别器也可以为未训练好的判别器,即其参数并未调整至最优状态,在该种情况下,所述生成对抗网络中的生成器和判别器可以交替训练。也就是说,在判别器具备一定判别能力的条件下,可以借助于其相应的判别能力,对生成器进行训练,生成器在参数优化的情况下,可以借助于其优化的数据编辑能力,对判别器进行训练。
在生成器和判别器交替训练的场景下,首先需要对判别器进行训练,使之具备一定的判断能力。在实际训练过程中,生成对抗网络初始训练时,可以分别将判别类型为真的源域的数据和判别类型为假的源域的数据输入至判别器进行判别,判别器按照将为真的数据判别为真,而将为假的数据判别为假的原则,来进行参数调节,参数调节之后,该判别器即具备了一定的判别能力。
所述判别器在至少具备一定的判别能力的情况下,可以提取所述第一目标数据的多个尺度的第一特征,将这多个尺度的第一特征进行融合,得到第一目标特征,并基于所述第一目标特征确定第一判别结果数据。
其中,所述尺度表征数据的感受野,以人脸图像为例,较大尺度表征可以感受到图像的更大视野,可以感受图像的更大范围的内容,而较小尺度表征感受到图像的较小视野,其感受的是图像的局部细节。如,在较大尺度下,可以感受到人脸图像的整体内容,而在较小尺度下,可能仅感受到人脸图像中的眼睛周边区域的图像内容。
参见图2,图2是生成对抗网络的判别器的结构示意图,所述判别器可以为深度学习卷积网络,所述生成器对第一训练数据进行数据编辑生成第一目标数据之后,在所述判别器的网络浅层可以基于一些卷积层,对所述第一目标数据进行特征提取,得到多个输入特征图。
在所述判别器的网络中间层可以嵌入多个卷积层分支,每个卷积层分支可以分别采用不同的扩张倍数对这多个输入特征图进行特征提取,得到多个尺度的输出特征图,每个尺度的输出特征图即对应第一特征。其中,卷积层分支可以为空洞卷积层,也可以为其他类型的卷积层,这里不做具体限定。
如图2所示,可以分别采用扩张倍数为1的卷积层分支、扩张倍数为2的卷积层分支、扩张倍数为4的卷积层分支和扩张倍数为8的卷积层分支,对输入特征图进行特征提取,得到这4个尺度的输出特征图。这个4个尺度的输出特征图进行拼接之后,形似一种金字塔结构。
其中,较低扩张倍数的卷积注重比较低级特征的判别,而较高扩张倍数的卷积注重比较高级特征的判别,通过设置不同扩张倍数的卷积层分支,可以使一个判别器关注到不同层级的特征,从而做到多个尺度的判别,提高判别的准确性。
需要说明的是,上述提到的低级特征对应人脸图像的局部细节特征,而高级特征对应人脸图像的整体特征。
在判别器的网络深层可以基于拼接模块对这多个尺度的输出特征图进行融合,得到第一目标特征,并采用一些卷积层,基于该第一目标特征对所述第一目标数据进行判别,最终得到第一目标数据的第一判别结果数据,该第一判别结果数据可以为0至1之间的数值。
步骤S104:基于所述第一判别结果数据和第一判别标签数据,对所述生成器的参数进行更新。
该步骤中,可以基于第一判别结果数据和第一判别标签数据,采用预设的损失函数,确定所述第一目标数据的损失值,基于所述第一目标数据的损失值,对所述生成器的参数进行更新。
比如,第一判别结果数据为0.7,第一判别标签数据为1,将这两个数值输入至预设的损失函数,确定所述第一目标数据的损失值,其中,第一判别结果数据越接近1,所述第一目标数据的损失值则越小。
其中,损失值越小,表征目标域的第一目标数据与源域的第一训练数据越相似,在损失值达到收敛的情况下,生成器训练完成。之后,可以基于该训练的生成器进行数据编辑。
本实施例中,在对生成器进行训练时,通过在判别器设置不同扩张倍数的卷积层分支,可以使一个判别器关注到不同层级的特征,做到多个尺度的判别,这样可以提高判别的准确性。由于生成器的训练需要借助于判别器,在判别器的判别准确性提高的前提下,可以提高生成器的训练效果,从而可以提高生成器数据转换的效果。
可选的,所述训练数据集还包括第二训练数据和所述第二训练数据的第二判别标签数据,所述第二判别标签数据的判别类型与所述第一判别标签数据的判别类型相反;所述方法还包括:
将所述第二训练数据输入至所述生成对抗网络,基于所述生成器对所述第二训练数据进行数据编辑,得到所述生成器输出的第二目标数据;
基于所述判别器提取所述第二目标数据的N个尺度的第二特征,将所述N个尺度的第二特征进行融合,得到第二目标特征,并基于所述第二目标特征确定第二判别结果数据;
所述步骤S104具体包括:
基于所述第一判别结果数据和第一判别标签数据,确定所述第一目标数据的第一损失值,并基于所述第二判别结果数据和第二判别标签数据,确定所述第二目标数据的第二损失值;
基于所述第一损失值和第二损失值,对所述生成器的参数进行更新。
本实施方式中,为了进一步提高判别器的判别效果,间接提高生成器的训练效果,需要使判别器还能判别出判别类型为假的数据,还需要输入判别类型为假的第二训练数据。
所述第二训练数据的数据类型可以与第一训练数据的数据类型相同,也可以不同,比如,第一训练数据为人脸图像时,所述第二训练数据可以为图像,只是该图像与人脸图像不同,如该图像可以为文本图像,这样,在人脸图像的判别类型为真的情况下,该图像的判别类型为假。
又比如,第一训练数据为人脸图像时,所述第二训练数据可以为随机数,在人脸图像的判别类型为真的情况下,随机数的判别类型为假。
可以将第二目标数据输入至如图2所示的判别器中,该判别器对第二目标数据进行特征提取,得到多个尺度的第二特征,将这多个尺度的第二特征进行融合,得到第二目标特征,基于该第二目标特征,最终可以确定第二目标数据的第二判别结果数据。其中,所述第二判别结果数据在0至1之间。
之后,可以基于第一判别结果数据和第一判别标签数据,采用预设的损失函数,确定所述第一目标数据的第一损失值。比如,第一判别结果数据为0.7,第一判别标签数据为1,将这两个数值输入至预设的损失函数,确定所述第一目标数据的第一损失值。其中,由于第一训练数据为判别类型为真的数据,因此,第一判别结果数据越接近1,所述第一目标数据的第一损失值则越小。
可以基于第二判别结果数据和第二判别标签数据,采用预设的损失函数,确定所述第二目标数据的第二损失值。比如,第二判别结果数据为0.1,第二判别标签数据为0,将这两个数值输入至预设的损失函数,确定所述第二目标数据的第二损失值。其中,由于第二训练数据为判别类型为假的数据,因此,第二判别结果数据越接近0,所述第二目标数据的第二损失值则越小。
将所述第一损失值和第二损失值进行加和,可以得到生成器进行数据编辑的损失值,最终基于该损失值对所述生成器的参数进行更新。
本实施方式中,通过输入两种判别类型的训练数据,使得可以借助于判别器对生成器进行双向的训练,从而可以进一步提高生成器的训练效果。
可选的,所述训练数据集还包括第三训练数据和所述第三训练数据的第三判别标签数据;所述基于所述第一损失值和第二损失值,对所述生成器的参数进行更新之后,所述方法还包括:
基于所述判别器提取第三目标数据的N个尺度的第三特征,将所述N个尺度的第三特征进行融合,得到第三目标特征,并基于所述第三目标特征确定第三判别结果数据,所述第三目标数据可以为基于参数更新后的生成器对所述第三训练数据进行数据编辑得到的数据;
确定所述第三判别结果数据和第三判别标签数据的第三损失值;
基于所述第三损失值,对所述判别器的参数进行更新。
本实施方式中,在生成器和判别器交替训练的场景下,优化生成器的参数之后,需要优化判别器的判别能力,交替优化,使得生成器生成的目标域的数据与源域的数据越来越相似,最终达到生成器生成的目标域的数据与源域的数据非常相似。如生成器生成与人脸图像的气质非常相符的高度个性化的智能头像。
具体的,所述训练数据集还包括第三训练数据和所述第三训练数据的第三判别标签数据,所述第三训练数据可以为判别类型为真的训练数据,也可以为判别类型为假的训练数据,这里可以不对其进行具体限定。
可以将所述第三训练数据输入至更新参数后的生成器中,该生成器对第三训练数据进行数据编辑,得到第三目标数据。
可以将第三目标数据输入至如图2所示的判别器中,该判别器对第三目标数据进行特征提取,得到多个尺度的第三特征,将这多个尺度的第三特征进行融合,得到第三目标特征,基于该第三目标特征,最终可以确定第三目标数据的第三判别结果数据。其中,所述第三判别结果数据在0至1之间。
确定所述第三判别结果数据和第三判别标签数据的第三损失值,该第三损失值可以为第三判别结果数据和第三判别标签数据的差异信息。比如,第三判别标签数据为0,第三判别结果数据为0.2,则第三损失值可以为0.2。又比如,第三判别标签数据为1,第三判别结果数据为0.8,则第三损失值也可以为0.2。
总之,第三损失值越小,则表明判别器对第三判别标签数据表征的判别类型的训练数据的判别越准确,第三损失值越大,则表明判别器对第三判别标签数据表征的判别类型的训练数据的判别越不准确,最终需要达到的目标是训练数据的判别结果数据和判别标签数据非常接近。
之后,可以基于所述第三损失值,对所述判别器的参数进行更新。
本实施方式中,通过在生成器的参数更新之后,基于参数更新后的生成器对判别器进行训练,如此,通过交替训练生成器和判别器,相对于生成器和判别器分别训练,一方面可以简化训练的流程,另一方面还可以提高生成器和判别器的训练效果。
可选的,所述训练数据集还包括第四训练数据和所述第四训练数据的第四判别标签数据,所述第四判别标签数据的判别类型与所述第三判别标签数据的判别类型相反;所述基于所述第三损失值,对所述判别器的参数进行更新之前,所述方法还包括:
基于所述判别器提取第四目标数据的N个尺度的第四特征,将所述N个尺度的第四特征进行融合,得到第四目标特征,并基于所述第四目标特征确定第四判别结果数据,所述第四目标数据可以为基于参数更新后的生成器对所述第四训练数据进行数据编辑得到的数据;
确定所述第四判别结果数据和第四判别标签数据的第四损失值;
所述基于所述第三损失值,对所述判别器的参数进行更新,包括:
基于所述第三损失值和第四损失值,对所述判别器的参数进行更新。
本实施方式中,为了进一步提高判别器的训练效果,需要输入两种判别类型的训练数据,使之在两种判别类型的数据的判别方面都得到优化。
具体的,在基于所述第三损失值,对所述判别器的参数进行更新之前,可以将所述第四训练数据输入至更新参数后的生成器中,该生成器对第四训练数据进行数据编辑,得到第四目标数据。
可以将第四目标数据输入至如图2所示的判别器中,该判别器对第四目标数据进行特征提取,得到多个尺度的第四特征,将这多个尺度的第四特征进行融合,得到第四目标特征,基于该第四目标特征,最终可以确定第四目标数据的第四判别结果数据。其中,所述第四判别结果数据在0至1之间。
确定所述第四判别结果数据和第四判别标签数据的第四损失值,该第四损失值可以为第四判别结果数据和第四判别标签数据的差异信息。比如,第四判别标签数据为0,第四判别结果数据为0.2,则第四损失值可以为0.2。又比如,第四判别标签数据为1,第四判别结果数据为0.8,则第四损失值也可以为0.2。
总之,第四损失值越小,则表明判别器对第四判别标签数据表征的判别类型的训练数据的判别越准确,第四损失值越大,则表明判别器对第四判别标签数据表征的判别类型的训练数据的判别越不准确。
之后,将所述第三损失值和第四损失值进行加和,可以得到判别器进行判别的损失值,最终基于该损失值对所述判别器的参数进行更新。
本实施方式中,通过输入两种判别类型的训练数据对判别器进行训练,使得判别器具备双向的判别能力,从而可以进一步提高判别器的判别效果。
可选的,所述判别器包括M个空洞卷积层,每个空洞卷积层的扩张率不同,所述N个尺度的第一特征基于所述M个空洞卷积层对所述第一训练数据进行特征提取得到,一个尺度的第一特征基于一个空洞卷积层对所述第一训练数据进行特征提取得到,M为大于1的整数。
其中,M可以等于N。
如图2所示,判别器的网络中间层的每个卷积层分支可以为空洞卷积层,空洞卷积层的扩张率从左至右分别为1、2、4和8,其中,扩张率即指的是卷积层分支的扩张倍数。
每个空洞卷积层通过对判别器的网络浅层提取的输入特征图进行空洞卷积操作,可以得到该空洞卷积层的扩张率即该空洞卷积层对应的尺度下的多个输出特征图,这多个输出特征图即为该尺度的第一特征。
本实施方式中,通过在判别器的网络中间层设置不同扩张率的空洞卷积层,并采用这些空洞卷积层提取第一目标数据中不同层级的特征,从而可以使一个判别器做到多个尺度的判别。
第二实施例
如图3所示,本申请提供一种网络训练装置300,包括:
获取模块301,用于获取训练数据集;其中,所述训练数据集包括第一训练数据和所述第一训练数据的第一判别标签数据;
第一数据编辑模块302,用于将所述第一训练数据输入至生成对抗网络,基于所述生成对抗网络中的生成器对所述第一训练数据进行数据编辑,得到所述生成器输出的第一目标数据;
第一提取模块303,用于基于所述生成对抗网络中的判别器提取所述第一目标数据的N个尺度的第一特征;
第一融合模块304,用于将所述N个尺度的第一特征进行融合,得到第一目标特征,N为大于1的整数;
第一确定模块305,用于基于所述第一目标特征确定第一判别结果数据;
第一更新模块306,用于基于所述第一判别结果数据和第一判别标签数据,对所述生成器的参数进行更新。
可选的,其中,所述训练数据集还包括第二训练数据和所述第二训练数据的第二判别标签数据,所述第二判别标签数据的判别类型与所述第一判别标签数据的判别类型相反;所述装置还包括:
第二数据编辑模块,用于将所述第二训练数据输入至所述生成对抗网络,基于所述生成器对所述第二训练数据进行数据编辑,得到所述生成器输出的第二目标数据;
第二提取模块,用于基于所述判别器提取所述第二目标数据的N个尺度的第二特征;
第二融合模块,用于将所述N个尺度的第二特征进行融合,得到第二目标特征;
第二确定模块,用于基于所述第二目标特征确定第二判别结果数据;
所述第一更新模块306,具体用于基于所述第一判别结果数据和第一判别标签数据,确定所述第一目标数据的第一损失值,并基于所述第二判别结果数据和第二判别标签数据,确定所述第二目标数据的第二损失值;基于所述第一损失值和第二损失值,对所述生成器的参数进行更新。
可选的,其中,所述训练数据集还包括第三训练数据和所述第三训练数据的第三判别标签数据;所述装置还包括:
第三提取模块,用于基于所述判别器提取第三目标数据的N个尺度的第三特征,所述第三目标数据可以为基于参数更新后的生成器对所述第三训练数据进行数据编辑得到的数据;
第三融合模块,用于将所述N个尺度的第三特征进行融合,得到第三目标特征;
第三确定模块,用于基于所述第三目标特征确定第三判别结果数据;
第四确定模块,用于确定所述第三判别结果数据和第三判别标签数据的第三损失值;
第二更新模块,用于基于所述第三损失值,对所述判别器的参数进行更新。
可选的,其中,所述训练数据集还包括第四训练数据和所述第四训练数据的第四判别标签数据,所述第四判别标签数据的判别类型与所述第三判别标签数据的判别类型相反,所述装置还包括:
第四提取模块,用于基于所述判别器提取第四目标数据的N个尺度的第四特征,所述第四目标数据可以为基于参数更新后的生成器对所述第四训练数据进行数据编辑得到的数据;
第四融合模块,用于将所述N个尺度的第四特征进行融合,得到第四目标特征;
第五确定模块,用于基于所述第四目标特征确定第四判别结果数据;
第六确定模块,用于确定所述第四判别结果数据和第四判别标签数据的第四损失值;
所述第二更新模块,具体用于基于所述第三损失值和第四损失值,对所述判别器的参数进行更新。
可选的,其中,所述判别器包括M个空洞卷积层,每个空洞卷积层的扩张率不同,所述N个尺度的第一特征基于所述M个空洞卷积层对所述第一训练数据进行特征提取得到,一个尺度的第一特征基于一个空洞卷积层对所述第一训练数据进行特征提取得到。
本申请提供的网络训练装置300能够实现上述网络训练方法实施例实现的各个过程,且能够达到相同的有益效果,为避免重复,这里不再赘述。
根据本申请的实施例,本申请还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。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4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM403中,还可以存储设备400操作所需的各种程序和数据。计算单元401、ROM402以及RAM403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调整解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理,例如网络训练方法。例如,在一些实施例中,网络训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM403并由计算单元401执行时,可以执行上文描述的网络训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方法(例如,借助于固件)而被配置为执行网络训练方法。
本文中以上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、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、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。
用于实施本公开的方法的程序代码可以采用一个或多个编辑语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
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)、互联网和区块链网络。
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。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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 (13)
1.一种网络训练方法,包括:
获取训练数据集;其中,所述训练数据集包括第一训练数据和所述第一训练数据的第一判别标签数据;
将所述第一训练数据输入至生成对抗网络,基于所述生成对抗网络中的生成器对所述第一训练数据进行数据编辑,得到所述生成器输出的第一目标数据;
基于所述生成对抗网络中的判别器提取所述第一目标数据的N个尺度的第一特征,将所述N个尺度的第一特征进行融合,得到第一目标特征,并基于所述第一目标特征确定第一判别结果数据,N为大于1的整数;
基于所述第一判别结果数据和第一判别标签数据,对所述生成器的参数进行更新。
2.根据权利要求1所述的方法,其中,所述训练数据集还包括第二训练数据和所述第二训练数据的第二判别标签数据,所述第二判别标签数据的判别类型与所述第一判别标签数据的判别类型相反;所述方法还包括:
将所述第二训练数据输入至所述生成对抗网络,基于所述生成器对所述第二训练数据进行数据编辑,得到所述生成器输出的第二目标数据;
基于所述判别器提取所述第二目标数据的N个尺度的第二特征,将所述N个尺度的第二特征进行融合,得到第二目标特征,并基于所述第二目标特征确定第二判别结果数据;
所述基于所述第一判别结果数据和第一判别标签数据,对所述生成器的参数进行更新,包括:
基于所述第一判别结果数据和第一判别标签数据,确定所述第一目标数据的第一损失值,并基于所述第二判别结果数据和第二判别标签数据,确定所述第二目标数据的第二损失值;
基于所述第一损失值和第二损失值,对所述生成器的参数进行更新。
3.根据权利要求2所述的方法,其中,所述训练数据集还包括第三训练数据和所述第三训练数据的第三判别标签数据;所述基于所述第一损失值和第二损失值,对所述生成器的参数进行更新之后,所述方法还包括:
基于所述判别器提取第三目标数据的N个尺度的第三特征,将所述N个尺度的第三特征进行融合,得到第三目标特征,并基于所述第三目标特征确定第三判别结果数据,所述第三目标数据可以为基于参数更新后的生成器对所述第三训练数据进行数据编辑得到的数据;
确定所述第三判别结果数据和第三判别标签数据的第三损失值;
基于所述第三损失值,对所述判别器的参数进行更新。
4.根据权利要求3所述的方法,其中,所述训练数据集还包括第四训练数据和所述第四训练数据的第四判别标签数据,所述第四判别标签数据的判别类型与所述第三判别标签数据的判别类型相反;所述基于所述第三损失值,对所述判别器的参数进行更新之前,所述方法还包括:
基于所述判别器提取第四目标数据的N个尺度的第四特征,将所述N个尺度的第四特征进行融合,得到第四目标特征,并基于所述第四目标特征确定第四判别结果数据,所述第四目标数据可以为基于参数更新后的生成器对所述第四训练数据进行数据编辑得到的数据;
确定所述第四判别结果数据和第四判别标签数据的第四损失值;
所述基于所述第三损失值,对所述判别器的参数进行更新,包括:
基于所述第三损失值和第四损失值,对所述判别器的参数进行更新。
5.根据权利要求1所述的方法,其中,所述判别器包括M个空洞卷积层,每个空洞卷积层的扩张率不同,所述N个尺度的第一特征基于所述M个空洞卷积层对所述第一训练数据进行特征提取得到,一个尺度的第一特征基于一个空洞卷积层对所述第一训练数据进行特征提取得到,M为大于1的整数。
6.一种网络训练装置,包括:
获取模块,用于获取训练数据集;其中,所述训练数据集包括第一训练数据和所述第一训练数据的第一判别标签数据;
第一数据编辑模块,用于将所述第一训练数据输入至生成对抗网络,基于所述生成对抗网络中的生成器对所述第一训练数据进行数据编辑,得到所述生成器输出的第一目标数据;
第一提取模块,用于基于所述生成对抗网络中的判别器提取所述第一目标数据的N个尺度的第一特征;
第一融合模块,用于将所述N个尺度的第一特征进行融合,得到第一目标特征,N为大于1的整数;
第一确定模块,用于基于所述第一目标特征确定第一判别结果数据;
第一更新模块,用于基于所述第一判别结果数据和第一判别标签数据,对所述生成器的参数进行更新。
7.根据权利要求6所述的装置,其中,所述训练数据集还包括第二训练数据和所述第二训练数据的第二判别标签数据,所述第二判别标签数据的判别类型与所述第一判别标签数据的判别类型相反;所述装置还包括:
第二数据编辑模块,用于将所述第二训练数据输入至所述生成对抗网络,基于所述生成器对所述第二训练数据进行数据编辑,得到所述生成器输出的第二目标数据;
第二提取模块,用于基于所述判别器提取所述第二目标数据的N个尺度的第二特征;
第二融合模块,用于将所述N个尺度的第二特征进行融合,得到第二目标特征;
第二确定模块,用于基于所述第二目标特征确定第二判别结果数据;
所述第一更新模块,具体用于基于所述第一判别结果数据和第一判别标签数据,确定所述第一目标数据的第一损失值,并基于所述第二判别结果数据和第二判别标签数据,确定所述第二目标数据的第二损失值;基于所述第一损失值和第二损失值,对所述生成器的参数进行更新。
8.根据权利要求7所述的装置,其中,所述训练数据集还包括第三训练数据和所述第三训练数据的第三判别标签数据;所述装置还包括:
第三提取模块,用于基于所述判别器提取第三目标数据的N个尺度的第三特征,所述第三目标数据可以为基于参数更新后的生成器对所述第三训练数据进行数据编辑得到的数据;
第三融合模块,用于将所述N个尺度的第三特征进行融合,得到第三目标特征;
第三确定模块,用于基于所述第三目标特征确定第三判别结果数据;
第四确定模块,用于确定所述第三判别结果数据和第三判别标签数据的第三损失值;
第二更新模块,用于基于所述第三损失值,对所述判别器的参数进行更新。
9.根据权利要求8所述的装置,其中,所述训练数据集还包括第四训练数据和所述第四训练数据的第四判别标签数据,所述第四判别标签数据的判别类型与所述第三判别标签数据的判别类型相反,所述装置还包括:
第四提取模块,用于基于所述判别器提取第四目标数据的N个尺度的第四特征,所述第四目标数据可以为基于参数更新后的生成器对所述第四训练数据进行数据编辑得到的数据;
第四融合模块,用于将所述N个尺度的第四特征进行融合,得到第四目标特征;
第五确定模块,用于基于所述第四目标特征确定第四判别结果数据;
第六确定模块,用于确定所述第四判别结果数据和第四判别标签数据的第四损失值;
所述第二更新模块,具体用于基于所述第三损失值和第四损失值,对所述判别器的参数进行更新。
10.根据权利要求6所述的装置,其中,所述判别器包括M个空洞卷积层,每个空洞卷积层的扩张率不同,所述N个尺度的第一特征基于所述M个空洞卷积层对所述第一训练数据进行特征提取得到,一个尺度的第一特征基于一个空洞卷积层对所述第一训练数据进行特征提取得到,M为大于1的整数。
11.一种电子设备,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,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。
13.一种计算机程序产品,当所述计算机程序产品在电子设备上运行时,所述电子设备执行权利要求1-5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011447290.6A CN112529159B (zh) | 2020-12-09 | 2020-12-09 | 网络训练方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011447290.6A CN112529159B (zh) | 2020-12-09 | 2020-12-09 | 网络训练方法、装置及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529159A true CN112529159A (zh) | 2021-03-19 |
CN112529159B CN112529159B (zh) | 2023-08-04 |
Family
ID=74998620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011447290.6A Active CN112529159B (zh) | 2020-12-09 | 2020-12-09 | 网络训练方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529159B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408808A (zh) * | 2021-06-28 | 2021-09-17 | 北京百度网讯科技有限公司 | 训练方法、数据生成方法、装置、电子设备以及存储介质 |
CN113554087A (zh) * | 2021-07-20 | 2021-10-26 | 清华大学深圳国际研究生院 | 一种基于生成式对抗网络的考古线图自动生成方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019056975A (ja) * | 2017-09-19 | 2019-04-11 | 株式会社Preferred Networks | 改良型敵対的生成ネットワーク実現プログラム、改良型敵対的生成ネットワーク実現装置及び学習済モデル生成方法 |
CN110070174A (zh) * | 2019-04-10 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成对抗网络的稳定训练方法 |
CN111199550A (zh) * | 2020-04-09 | 2020-05-26 | 腾讯科技(深圳)有限公司 | 图像分割网络的训练方法、分割方法、装置和存储介质 |
CN111767979A (zh) * | 2019-04-02 | 2020-10-13 | 京东方科技集团股份有限公司 | 神经网络的训练方法、图像处理方法、图像处理装置 |
CN111783603A (zh) * | 2020-06-24 | 2020-10-16 | 有半岛(北京)信息科技有限公司 | 生成对抗网络训练方法、图像换脸、视频换脸方法及装置 |
CN111915490A (zh) * | 2020-08-14 | 2020-11-10 | 深圳清研智城科技有限公司 | 一种基于多尺度特征的车牌图像超分辨率重建模型及方法 |
US20200372297A1 (en) * | 2019-05-23 | 2020-11-26 | Robert Bosch Gmbh | Method for training a generative adversarial network (gan), generative adversarial network, computer program, machine-readable memory medium, and device |
-
2020
- 2020-12-09 CN CN202011447290.6A patent/CN112529159B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019056975A (ja) * | 2017-09-19 | 2019-04-11 | 株式会社Preferred Networks | 改良型敵対的生成ネットワーク実現プログラム、改良型敵対的生成ネットワーク実現装置及び学習済モデル生成方法 |
CN111767979A (zh) * | 2019-04-02 | 2020-10-13 | 京东方科技集团股份有限公司 | 神经网络的训练方法、图像处理方法、图像处理装置 |
CN110070174A (zh) * | 2019-04-10 | 2019-07-30 | 厦门美图之家科技有限公司 | 一种生成对抗网络的稳定训练方法 |
US20200372297A1 (en) * | 2019-05-23 | 2020-11-26 | Robert Bosch Gmbh | Method for training a generative adversarial network (gan), generative adversarial network, computer program, machine-readable memory medium, and device |
CN111199550A (zh) * | 2020-04-09 | 2020-05-26 | 腾讯科技(深圳)有限公司 | 图像分割网络的训练方法、分割方法、装置和存储介质 |
CN111783603A (zh) * | 2020-06-24 | 2020-10-16 | 有半岛(北京)信息科技有限公司 | 生成对抗网络训练方法、图像换脸、视频换脸方法及装置 |
CN111915490A (zh) * | 2020-08-14 | 2020-11-10 | 深圳清研智城科技有限公司 | 一种基于多尺度特征的车牌图像超分辨率重建模型及方法 |
Non-Patent Citations (3)
Title |
---|
VICTOR-EMIL NEAGOE; PAUL DIACONESCU: "CNN Hyperspectral Image Classification Using Training Sample Augmentation with Generative Adversarial Networks", IEEE * |
何剑华;龙法宁;朱晓姝;: "基于改进的CycleGAN模型非配对的图像到图像转换", 玉林师范学院学报, no. 02 * |
张桂梅;潘国峰;刘建新;: "域自适应城市场景语义分割", 中国图象图形学报, no. 05 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113408808A (zh) * | 2021-06-28 | 2021-09-17 | 北京百度网讯科技有限公司 | 训练方法、数据生成方法、装置、电子设备以及存储介质 |
CN113408808B (zh) * | 2021-06-28 | 2024-01-12 | 北京百度网讯科技有限公司 | 训练方法、数据生成方法、装置、电子设备以及存储介质 |
CN113554087A (zh) * | 2021-07-20 | 2021-10-26 | 清华大学深圳国际研究生院 | 一种基于生成式对抗网络的考古线图自动生成方法 |
CN113554087B (zh) * | 2021-07-20 | 2023-11-10 | 清华大学深圳国际研究生院 | 一种基于生成式对抗网络的考古线图自动生成方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112529159B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112560874A (zh) | 图像识别模型的训练方法、装置、设备和介质 | |
CN113344089B (zh) | 模型训练方法、装置及电子设备 | |
CN113657269A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN112529159B (zh) | 网络训练方法、装置及电子设备 | |
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN113642491A (zh) | 人脸融合方法、人脸融合模型的训练方法及装置 | |
CN113780098A (zh) | 文字识别方法、装置、电子设备以及存储介质 | |
CN113657395A (zh) | 文本识别方法、视觉特征提取模型的训练方法及装置 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN113591864A (zh) | 文本识别模型框架的训练方法、装置及系统 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN114120413A (zh) | 模型训练方法、图像合成方法、装置、设备及程序产品 | |
CN113963197A (zh) | 图像识别方法、装置、电子设备和可读存储介质 | |
CN113627361A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN113191261A (zh) | 图像类别的识别方法、装置和电子设备 | |
CN112541557B (zh) | 生成式对抗网络的训练方法、装置及电子设备 | |
CN113435718B (zh) | 玻璃的生成方法、装置、电子设备及存储介质 | |
CN113032251B (zh) | 应用程序服务质量的确定方法、设备和存储介质 | |
CN114998963A (zh) | 图像检测方法和用于训练图像检测模型的方法 | |
CN114398434A (zh) | 结构化信息抽取方法、装置、电子设备和存储介质 | |
CN114037052A (zh) | 检测模型的训练方法、装置、电子设备及存储介质 | |
CN114141236A (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN113554062A (zh) | 多分类模型的训练方法、设备和存储介质 | |
CN114415997A (zh) | 显示参数设置方法、装置、电子设备及存储介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、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 |