CN113033219A - 模型训练方法、装置、电子设备及计算机可读存储介质 - Google Patents

模型训练方法、装置、电子设备及计算机可读存储介质 Download PDF

Info

Publication number
CN113033219A
CN113033219A CN202110320138.XA CN202110320138A CN113033219A CN 113033219 A CN113033219 A CN 113033219A CN 202110320138 A CN202110320138 A CN 202110320138A CN 113033219 A CN113033219 A CN 113033219A
Authority
CN
China
Prior art keywords
model
label
smoothing
training
training sample
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.)
Pending
Application number
CN202110320138.XA
Other languages
English (en)
Inventor
高鹏至
何中军
吴华
王海峰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110320138.XA priority Critical patent/CN113033219A/zh
Publication of CN113033219A publication Critical patent/CN113033219A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00Handling natural language data
    • G06F40/40Processing or translation of natural language
    • G06F40/58Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本公开公开了模型训练方法、装置、电子设备及计算机可读存储介质,涉及深度学习及自然语言处理等人工智能领域,其中的方法可包括:在采用标签平滑方式进行模型训练过程中,根据模型输出,动态地调节所生成的平滑标签;根据所述平滑标签确定损失,根据所述损失更新模型参数。应用本公开所述方案,可更好的缓解模型训练过程中的过拟合问题,提升模型的泛化能力等。

Description

模型训练方法、装置、电子设备及计算机可读存储介质
技术领域
本公开涉及人工智能技术领域,特别涉及深度学习及自然语言处理等领域的模型训练方法、装置、电子设备及计算机可读存储介质。
背景技术
机器翻译是指借助机器之力将一种自然语言文本(即源语言)翻译成另一种自然语言文本(即目标语言)的过程,是自然语言处理的重要研究领域。
近年来,神经网络模型在机器翻译任务上取得了重大的进步。但随着模型越来越复杂,模型训练过拟合的问题也日益凸显出来。
为了缓解该问题,可在模型训练过程中引入标签平滑方式。但目前的标签平滑方式通常都采用固定平滑方式,实际效果往往不够理想。
发明内容
本公开提供了模型训练方法、装置、电子设备及计算机可读存储介质。
一种模型训练方法,包括:
在采用标签平滑方式进行模型训练过程中,根据模型输出,动态地调节所生成的平滑标签;
根据所述平滑标签确定损失,根据所述损失更新模型参数。
一种模型训练装置,包括:标签确定模块以及模型更新模块;
所述标签确定模块,用于在采用标签平滑方式进行模型训练过程中,根据模型输出,动态地调节所生成的平滑标签;
所述模型更新模块,用于根据所述平滑标签确定损失,根据所述损失更新模型参数。
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以上所述的方法。
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计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果:在采用标签平滑方式进行模型训练过程中,可根据模型输出,动态地调节所生成的平滑标签,即采用了自适应的标签平滑方式,从而更好的缓解了模型训练过程中的过拟合问题,提升了模型的泛化能力等。
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,不构成对本公开的限定。其中:
图1为本公开所述模型训练方法第一实施例的流程图;
图2为本公开所述不同衰减速率的高斯衰减函数的示意图;
图3为本公开所述模型训练方法第二实施例的流程图;
图4为本公开所述模型训练装置实施例400的组成结构示意图;
图5示出了可以用来实施本公开的实施例的示例电子设备500的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开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,而不会背离本公开的范围和精神。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。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述模型训练方法第一实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,在采用标签平滑方式进行模型训练过程中,根据模型输出,动态地调节所生成的平滑标签。
在步骤102中,根据所述平滑标签确定损失,根据所述损失更新模型参数。
可以看出,上述方法实施例所述方案中,在采用标签平滑方式进行模型训练过程中,可根据模型输出,动态地调节所生成的平滑标签,即采用了自适应的标签平滑方式,从而更好的缓解了模型训练过程中的过拟合问题,提升了模型的泛化能力等。
在实际应用中,在每一轮(epoch)的训练过程中,针对其中的每个批次(batch),可分别进行以下处理:针对该批次内的各训练样本(或称为训练数据等),分别获取该训练样本对应的模型输出,并可根据该训练样本对应的模型输出确定出该训练样本对应的平滑标签。
假设每个批次内分别包括100条训练样本,那么针对每条训练样本,可分别按照上述方式获取其对应的平滑标签。
具体地,针对每条训练样本,可分别对该训练样本对应的独热(one-hot)标签进行均匀标签平滑处理,从而得到第一平滑处理结果,并可对该训练样本对应的模型输出进行平滑处理,从而得到第二平滑处理结果,进而可根据第一平滑处理结果以及第二平滑处理结果确定出该训练样本对应的平滑标签。如何获取独热标签为现有技术。
也就是说,为生成平滑标签,可进行两种平滑处理,一种为对训练样本对应的独热标签进行的均匀标签平滑(uniform label smoothing)处理,另一种为针对模型输出所进行的平滑处理。其中,均匀标签平滑处理即属于现有的固定平滑方式,具体实现为现有技术。针对模型输出所进行的平滑处理的具体实现方式不限,可根据实际需要而定。
通过上述处理,使得生成的平滑标签可根据模型输出等动态变化,从而更好的缓解了模型训练过程中的过拟合问题,提升了模型的泛化能力等。
如上所述,针对任一训练样本,在分别获取到第一平滑处理结果及第二平滑处理结果后,可结合这两个处理结果进一步确定出该训练样本对应的平滑标签。具体地,可将第一平滑处理结果和第二平滑处理结果分别与对应的权重相乘,并可将得到的两个乘积相加,将相加之和作为该训练样本对应的平滑标签,其中,第一平滑处理结果对应的权重可为超参数λ,第二平滑处理结果对应的权重可为1-λ。
即最终的平滑标签可为第一平滑处理结果和第二平滑处理结果的凸组合(convexcombination),凸组合的变化由超参数λ控制。
即有:
Figure BDA0002992481740000041
其中,
Figure BDA0002992481740000042
表示独热标签,β表示标签平滑率(label smoothing rate),可预先设定,Φ1为均匀标签平滑函数,表示进行均匀标签平滑处理,p表示模型输出,Φ2为模型输出平滑函数,表示进行模型输出的平滑处理,
Figure BDA0002992481740000043
表示平滑标签。
超参数λ可被定义为训练过程中的轮数的高斯衰减函数。图2为本公开所述不同衰减速率(图中所示的σ)的高斯衰减函数的示意图,如图2所示,横轴表示轮数,即epoch数,纵轴表示λ。
如图2所示,在模型训练初期,λ接近于1,模型会更多地关注于真实的训练样本标签,随着模型训练过程的进行,模型自身的输出质量越来越高,由于λ的衰减,模型会越来越关注自身的输出,从而动态地调节训练所用的平滑标签。
可以看出,如果λ在训练过程中始终为1,本公开所述的自适应的标签平滑方式将简化为现有的均匀标签平滑方式。
相应地,可根据当前所处的轮数以及预先设定的衰减速率,确定出λ。
具体地,可有:
Figure BDA0002992481740000044
其中,t表示当前所处的轮数,σ表示衰减速率。
可以看出,基于上述λ,可动态的调节模型的关注点,从而提升了模型训练效果及模型性能等。
进一步地,在每一轮的训练过程中,针对其中的各批次,还可分别进行以下处理:针对该批次内的各训练样本,分别根据该训练样本对应的模型输出及平滑标签,确定出该训练样本对应的损失;获取该批次内的各训练样本对应的损失的均值,根据所述均值更新模型参数。
对于任一训练样本,可分别根据该训练样本对应的模型输出和平滑标签以及损失函数等,确定出该训练样本对应的损失,损失函数的具体形式不限,可根据实际需要而定。
假设某一批次内共包括100条训练样本,那么可计算这100条训练样本对应的损失的均值,并可根据得到的均值,采用随机梯度下降(stochastic gradient descent)方式更新模型参数,如何更新模型参数为现有技术。
针对每轮训练过程中的每个批次,可分别按照上述方式进行处理,直至模型训练结束。
以下以所述模型为机器翻译模型为例,对本公开所述方案进行进一步说明。
图3为本公开所述模型训练方法第二实施例的流程图。如图3所示,包括以下具体实现方式。
在步骤301中,在对机器翻译模型进行的每一轮的训练过程中,针对其中的每个批次,分别按照步骤302-步骤308所示方式进行处理。
在步骤302中,针对该批次内的每条训练样本,分别按照步骤303-步骤307所示方式进行处理。
每条训练样本均可由源语言+目标语言组成。
在步骤303中,获取该训练样本对应的模型输出。
如有:p=f(x,y,θ); (3)
其中,x表示源语言,y表示目标语言,θ表示模型参数,f表示模型本身。
在步骤304中,对该训练样本对应的独热标签进行均匀标签平滑处理,得到第一平滑处理结果,并对该训练样本对应的模型输出进行平滑处理,得到第二平滑处理结果。
即有:
Figure BDA0002992481740000061
ω2=Φ2(p); (5)
其中,ω1表示第一平滑处理结果,ω2表示第二平滑处理结果。
在步骤305中,确定出超参数λ。
比如,可按照公式(2)所示方式计算出λ。
在步骤306中,将第一平滑处理结果和第二平滑处理结果分别与对应的权重相乘,将得到的两个乘积相加,将相加之和作为该训练样本对应的平滑标签;其中,第一平滑处理结果对应的权重为λ,第二平滑处理结果对应的权重为1-λ。
即可按照公式(1)所示方式计算出平滑标签。
在步骤307中,根据该训练样本对应的模型输出及平滑标签,确定出该训练样本对应的损失。
比如,可根据该训练样本对应的模型输出和平滑标签以及损失函数等,确定出该训练样本对应的损失,损失函数的具体形式不限,可根据实际需要而定。
在步骤308中,获取该批次内的各训练样本对应的损失的均值,根据获取到的均值更新模型参数。
比如,可根据得到的均值,采用随机梯度下降方式更新模型参数。
通过上述处理,可更好地提升机器翻译模型的泛化能力及翻译效果(翻译质量)等。实验显示,采用本公开所述方式训练得到的机器翻译模型相比于采用现有的标签平滑方式训练得到的机器翻译模型,双语互译质量辅助工具(BLEU,Bilingual EvaluationUnderstudy)分数有了较大的提升,而且在各种标准数据集上的翻译效果也均有显著提升。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。另外,某个实施例中没有详述的部分,可以参见其它实施例中的相关说明。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图4为本公开所述模型训练装置实施例400的组成结构示意图。如图4所示,包括:标签确定模块401以及模型更新模块402。
标签确定模块401,用于在采用标签平滑方式进行模型训练过程中,根据模型输出,动态地调节所生成的平滑标签。
模型更新模块402,用于根据生成的平滑标签确定损失,根据确定出的损失更新模型参数。
其中,标签确定模块401可在每一轮的训练过程中,针对其中的各批次,分别进行以下处理:针对该批次内的各训练样本,分别获取该训练样本对应的模型输出,并根据该训练样本对应的模型输出确定出该训练样本对应的平滑标签。
具体地,标签确定模块401可针对任一训练样本,分别对该训练样本对应的独热标签进行均匀标签平滑处理,得到第一平滑处理结果,并对该训练样本对应的模型输出进行平滑处理,得到第二平滑处理结果,根据第一平滑处理结果及第二平滑处理结果确定出该训练样本对应的平滑标签。
也就是说,为生成平滑标签,可进行两种平滑处理,一种为对训练样本对应的独热标签进行的均匀标签平滑处理,另一种为针对模型输出所进行的平滑处理。
针对任一训练样本,标签确定模块401可结合两个处理结果确定出该训练样本对应的平滑标签。具体地,可将第一平滑处理结果和第二平滑处理结果分别与对应的权重相乘,并可将得到的两个乘积相加,将相加之和作为该训练样本对应的平滑标签,其中,第一平滑处理结果对应的权重可为超参数λ,第二平滑处理结果对应的权重可为1-λ。
另外,标签确定模块401可根据当前所处的轮数以及预先设定的衰减速率,确定出λ。
进一步地,模型更新模块402可在每一轮的训练过程中,针对其中的各批次,分别进行以下处理:针对该批次内的各训练样本,分别根据该训练样本对应的模型输出及平滑标签,确定出该训练样本对应的损失;获取该批次内的各训练样本对应的损失的均值,根据所述均值更新模型参数。
在实际应用中,对于任一训练样本,可分别根据该训练样本对应的模型输出和平滑标签以及损失函数等,确定出该训练样本对应的损失。另外,可根据得到的均值,采用随机梯度下降方式更新模型参数。
图4所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开装置实施例所述方案,采用了自适应的标签平滑方式,从而更好的缓解了模型训练过程中的过拟合问题,提升了模型的泛化能力等。
本公开所述方案可应用于人工智能领域,特别涉及深度学习及自然语言处理等领域。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术,人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术,人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
根据本公开的实施例,本公开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5示出了可以用来实施本公开的实施例的示例电子设备500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、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,个人数字助理、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/或者要求的本公开的实现。
如图5所示,设备500包括计算单元501,其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序,来执行各种适当的动作和处理。在RAM 503中,还可存储设备500操作所需的各种程序和数据。计算单元501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505,包括:输入单元506,例如键盘、鼠标等;输出单元507,例如各种类型的显示器、扬声器等;存储单元508,例如磁盘、光盘等;以及通信单元509,例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500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501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501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501执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的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508。在一些实施例中,计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM 503并由计算单元501执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元501可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
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程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、便捷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)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。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,以解决传统物理主机与虚拟专用服务器(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。云计算指的是通过网络接入弹性可扩展的共享物理或虚拟资源池,资源可以包括服务器、操作系统、网络、软件、应用和存储设备等,并可以以按需、自服务的方式对资源进行部署和管理的技术体系,通过云计算技术,可以为人工智能、区块链等技术应用、模型训练提供高效强大的数据处理能力。
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,本发公开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,只要能够实现本公开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,并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等,均应包含在本公开保护范围之内。

Claims (15)

1.一种模型训练方法,包括:
在采用标签平滑方式进行模型训练过程中,根据模型输出,动态地调节所生成的平滑标签;
根据所述平滑标签确定损失,根据所述损失更新模型参数。
2.根据权利要求1所述的方法,其中,所述根据模型输出,动态地调节所生成的平滑标签包括:
在每一轮的训练过程中,针对其中的各批次,分别进行以下处理:
针对所述批次内的各训练样本,分别获取所述训练样本对应的模型输出,根据所述训练样本对应的模型输出确定出所述训练样本对应的平滑标签。
3.根据权利要求2所述的方法,其中,所述根据所述训练样本对应的模型输出确定出所述训练样本对应的平滑标签包括:
对所述训练样本对应的独热标签进行均匀标签平滑处理,得到第一平滑处理结果,并对所述训练样本对应的模型输出进行平滑处理,得到第二平滑处理结果;
根据所述第一平滑处理结果及所述第二平滑处理结果确定出所述训练样本对应的平滑标签。
4.根据权利要求3所述的方法,其中,所述根据所述第一平滑处理结果及所述第二平滑处理结果确定出所述训练样本对应的平滑标签包括:
将所述第一平滑处理结果和所述第二平滑处理结果分别与对应的权重相乘,将得到的两个乘积相加,将相加之和作为所述训练样本对应的平滑标签;
其中,所述第一平滑处理结果对应的权重为超参数λ,所述第二平滑处理结果对应的权重为1-λ。
5.根据权利要求4所述的方法,还包括:
根据当前所处的轮数以及预先设定的衰减速率,确定出所述λ。
6.根据权利要求2所述的方法,其中,所述根据所述平滑标签确定损失,根据所述损失更新模型参数包括:
在每一轮的训练过程中,针对其中的各批次,分别进行以下处理:
针对所述批次内的各训练样本,分别根据所述训练样本对应的模型输出及平滑标签,确定出所述训练样本对应的损失;
获取所述批次内的各训练样本对应的损失的均值,根据所述均值更新所述模型参数。
7.一种模型训练装置,包括:标签确定模块以及模型更新模块;
所述标签确定模块,用于在采用标签平滑方式进行模型训练过程中,根据模型输出,动态地调节所生成的平滑标签;
所述模型更新模块,用于根据所述平滑标签确定损失,根据所述损失更新模型参数。
8.根据权利要求7所述的装置,其中,
所述标签确定模块在每一轮的训练过程中,针对其中的各批次,分别进行以下处理:针对所述批次内的各训练样本,分别获取所述训练样本对应的模型输出,根据所述训练样本对应的模型输出确定出所述训练样本对应的平滑标签。
9.根据权利要求8所述的装置,其中,
所述标签确定模块针对任一训练样本,分别对所述训练样本对应的独热标签进行均匀标签平滑处理,得到第一平滑处理结果,并对所述训练样本对应的模型输出进行平滑处理,得到第二平滑处理结果,根据所述第一平滑处理结果及所述第二平滑处理结果确定出所述训练样本对应的平滑标签。
10.根据权利要求9所述的装置,其中,
所述标签确定模块将所述第一平滑处理结果和所述第二平滑处理结果分别与对应的权重相乘,将得到的两个乘积相加,将相加之和作为所述训练样本对应的平滑标签;其中,所述第一平滑处理结果对应的权重为超参数λ,所述第二平滑处理结果对应的权重为1-λ。
11.根据权利要求10所述的装置,其中,
所述标签确定模块进一步用于,根据当前所处的轮数以及预先设定的衰减速率,确定出所述λ。
12.根据权利要求8所述的装置,其中,
所述模型更新模块在每一轮的训练过程中,针对其中的各批次,分别进行以下处理:针对所述批次内的各训练样本,分别根据所述训练样本对应的模型输出及平滑标签,确定出所述训练样本对应的损失;获取所述批次内的各训练样本对应的损失的均值,根据所述均值更新所述模型参数。
13.一种电子设备,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1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-6中任一项所述的方法。
CN202110320138.XA 2021-03-25 2021-03-25 模型训练方法、装置、电子设备及计算机可读存储介质 Pending CN113033219A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110320138.XA CN113033219A (zh) 2021-03-25 2021-03-25 模型训练方法、装置、电子设备及计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110320138.XA CN113033219A (zh) 2021-03-25 2021-03-25 模型训练方法、装置、电子设备及计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN113033219A true CN113033219A (zh) 2021-06-25

Family

ID=76473747

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110320138.XA Pending CN113033219A (zh) 2021-03-25 2021-03-25 模型训练方法、装置、电子设备及计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN113033219A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642635A (zh) * 2021-08-12 2021-11-12 百度在线网络技术(北京)有限公司 模型训练方法及装置、电子设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070121722A1 (en) * 2005-11-30 2007-05-31 Emin Martinian Method and system for randomly accessing multiview videos with known prediction dependency
CN110390674A (zh) * 2019-07-24 2019-10-29 腾讯医疗健康(深圳)有限公司 图像处理方法、装置、存储介质、设备以及系统
CN111583911A (zh) * 2020-04-30 2020-08-25 深圳市优必选科技股份有限公司 基于标签平滑的语音识别方法、装置、终端及介质
CN111784595A (zh) * 2020-06-10 2020-10-16 北京科技大学 一种基于历史记录的动态标签平滑加权损失方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070121722A1 (en) * 2005-11-30 2007-05-31 Emin Martinian Method and system for randomly accessing multiview videos with known prediction dependency
CN110390674A (zh) * 2019-07-24 2019-10-29 腾讯医疗健康(深圳)有限公司 图像处理方法、装置、存储介质、设备以及系统
CN111583911A (zh) * 2020-04-30 2020-08-25 深圳市优必选科技股份有限公司 基于标签平滑的语音识别方法、装置、终端及介质
CN111784595A (zh) * 2020-06-10 2020-10-16 北京科技大学 一种基于历史记录的动态标签平滑加权损失方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
KAI TIAN ET AL.: "Network as Regularization for Training Deep Neural Networks: Framework, Model and Performance", 《THE THIRTY-FOURTH AAAI CONFERENCE ON ARTIFICIAL INTELLIGENCE》 *
张博: "基于图像检索的商品识别算法研发及应用", 《中国优秀博硕士学位论文全文数据库(硕士) 信息科技辑》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642635A (zh) * 2021-08-12 2021-11-12 百度在线网络技术(北京)有限公司 模型训练方法及装置、电子设备和介质
CN113642635B (zh) * 2021-08-12 2023-09-15 百度在线网络技术(北京)有限公司 模型训练方法及装置、电子设备和介质

Similar Documents

Publication Publication Date Title
EP3913545A2 (en) Method and apparatus for updating parameter of multi-task model, and electronic device
CN112466288B (zh) 语音识别方法、装置、电子设备及存储介质
CN113326852A (zh) 模型训练方法、装置、设备、存储介质及程序产品
CN113705628B (zh) 预训练模型的确定方法、装置、电子设备以及存储介质
CN112560996A (zh) 用户画像识别模型训练方法、设备、可读存储介质及产品
CN112949818A (zh) 模型蒸馏方法、装置、设备以及存储介质
US20220398834A1 (en) Method and apparatus for transfer learning
CN115454706A (zh) 一种系统异常确定方法、装置、电子设备及存储介质
CN113627536A (zh) 模型训练、视频分类方法,装置,设备以及存储介质
CN113409898B (zh) 分子结构获取方法、装置、电子设备及存储介质
CN114462598A (zh) 深度学习模型的训练方法、确定数据类别的方法和装置
CN114819079A (zh) 模型训练方法、装置、电子设备及可读存储介质
CN114781650A (zh) 一种数据处理方法、装置、设备以及存储介质
CN114817612A (zh) 多模态数据匹配度计算和计算模型训练的方法、相关装置
CN114186681A (zh) 用于生成模型簇的方法、装置及计算机程序产品
CN113033219A (zh) 模型训练方法、装置、电子设备及计算机可读存储介质
CN113657468A (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN113408304B (zh) 文本翻译方法、装置、电子设备及存储介质
CN113408632A (zh) 提高图像分类准确性的方法、装置、电子设备及存储介质
CN113344213A (zh) 知识蒸馏方法、装置、电子设备及计算机可读存储介质
CN114549785A (zh) 一种模型基底的生成方法、装置、电子设备及存储介质
CN114067415A (zh) 回归模型的训练方法、对象评估方法、装置、设备和介质
CN113361621A (zh) 用于训练模型的方法和装置
CN114331379B (zh) 用于输出待办任务的方法、模型训练方法和装置
CN115630630B (zh) 语言模型处理方法、业务处理方法、装置、设备及介质

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