CN113240082A - 一种迁移学习的方法及装置 - Google Patents

一种迁移学习的方法及装置 Download PDF

Info

Publication number
CN113240082A
CN113240082A CN202110492357.6A CN202110492357A CN113240082A CN 113240082 A CN113240082 A CN 113240082A CN 202110492357 A CN202110492357 A CN 202110492357A CN 113240082 A CN113240082 A CN 113240082A
Authority
CN
China
Prior art keywords
model
loss value
migrated
layer
noise
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
CN202110492357.6A
Other languages
English (en)
Inventor
李兴建
华航
须成忠
窦德景
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.)
State Key Laboratory Of Smart City Internet Of Things University Of Macao
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
State Key Laboratory Of Smart City Internet Of Things University Of Macao
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 State Key Laboratory Of Smart City Internet Of Things University Of Macao, Beijing Baidu Netcom Science and Technology Co Ltd filed Critical State Key Laboratory Of Smart City Internet Of Things University Of Macao
Priority to CN202110492357.6A priority Critical patent/CN113240082A/zh
Publication of CN113240082A publication Critical patent/CN113240082A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Complex Calculations (AREA)

Abstract

本公开公开了一种针对多层Transformer预训练模型的迁移学习方法及设备，涉及计算机技术领域，尤其涉及深度学习领域。具体实现方案为：获取预训练模型，根据预训练模型生成待迁移模型，其中，所述待迁移模型包括N层转换Transformer层，其中，N为正整数；对目标训练集进行随机采样，以获取样本集合；根据所述样本集合对所述待迁移模型进行训练，其中，每层Transformer层的损失值根据经验损失值和噪声稳定性损失值生成。本公开实施例通过将噪声样本和样本集合输入待迁移模型获取噪声稳定性损失值和Transformer层损失值，实现了待迁移模型的迁移学习，降低了待迁移模型识别的错误率，提高了待迁移模型的识别准确率，同时提升了待迁移模型的鲁棒性。

Description

一种迁移学习的方法及装置
技术领域
本公开涉及计算机技术领域，尤其涉及一种迁移学习的方法及装置。
背景技术
现有深度学习模型的训练中，经常存在数据集样本不足的问题，样本不足会导致训练出来的网络识别效果差。一般采用对模型进行迁移学习的方法来提升模型的识别效果，但是目前缺乏针对多层Transformer(转换)模型的迁移学习方法。
发明内容
本公开提供了一种用于迁移学习的方法、装置、设备以及存储介质。
根据本公开的第一方面，提供了一种迁移学习方法，包括：
获取预训练模型，根据预训练模型生成待迁移模型，其中，所述待迁移模型包括N层转换Transformer层，其中，N为正整数；
对目标训练集进行随机采样，以获取样本集合；
根据所述样本集合对所述待迁移模型进行训练，其中，每层Transformer层的损失值根据经验损失值和噪声稳定性损失值生成。
可选地，所述根据预训练模型生成待迁移模型，包括：
将所述预训练模型中第N层Transformer层的输出维度设置为与目标任务的分类数量相等，其中，所述目标任务的分类数量为目标训练集中样本的类数。
可选地，还包括：
获取噪声样本，以均匀分布的概率在所述待迁移模型中第2至第N-1层Transformer层中选择一个Transformer层并设置为运算Transformer层；
将所述样本集合输入所述运算Transformer层中进行前向计算，以获取第一计算结果；
将所述样本集合与所述噪声样本相加，并输入所述运算Transformer层中进行前向计算，以获取第二计算结果，其中，所述噪声稳定性损失值根据所述第一计算结果和所述第二计算结果生成。
可选地，所述噪声样本的数据格式和所述样本集合的数据格式相同。
可选地，所述噪声稳定性损失值通过以下公式生成：
Lr＝||M1-M0||2，其中，Lr为所述噪声稳定性损失值，M1为所述第一计算结果，M0为所述第二计算结果。
可选地，所述每层Transformer层的损失值通过以下公式生成：
L＝Le+λ×Lr，其中，L为所述Transformer层的损失值，λ为经验权值，Le为所述经验损失值，Lr为所述噪声稳定性损失值。
根据本公开的第二方面，提供了一种迁移学习装置，包括：
待迁移模型获取模块，用于获取预训练模型，根据预训练模型生成待迁移模型，其中，所述待迁移模型包括N层转换Transformer层，其中，N为正整数；
采样模块，用于对目标训练集进行随机采样，以获取样本集合；
训练模块，用于根据所述样本集合对所述待迁移模型进行训练，其中，每层Transformer层的损失值根据经验损失值和噪声稳定性损失值生成。
可选地，所述待迁移模型获取模块，包括：
维度调整子模块，用于将所述预训练模型中第N层Transformer层的输出维度设置为与目标任务的分类数量相等，其中，所述目标任务的分类数量为目标训练集中样本的类数。
可选地，还包括：
噪声获取模块，用于获取噪声样本，以均匀分布的概率在所述待迁移模型中第2至第N-1层Transformer层中选择一个Transformer层并设置为运算Transformer层；
第一计算模块，用于将所述样本集合输入所述运算Transformer层中进行前向计算，以获取第一计算结果；
第二计算模块，用于将所述样本集合与所述噪声样本相加，并输入所述运算Transformer层中进行前向计算，以获取第二计算结果，其中，所述噪声稳定性损失值根据所述第一计算结果和所述第二计算结果生成。
可选地，其中，所述噪声样本的数据格式和所述样本集合的数据格式相同。
可选地，所述噪声稳定性损失值通过以下公式生成：
Lr＝||M1-M0||2，其中，Lr为所述噪声稳定性损失值，M1为所述第一计算结果，M0为所述第二计算结果。
可选地，所述每层Transformer层的损失值通过以下公式生成：
L＝Le+λ×Lr，其中，L为所述Transformer层的损失值，λ为经验权值，Le为所述经验损失值，Lr为所述噪声稳定性损失值。
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所述第一方面中任一项所述的方法。
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，其中，所述计算机指令用于使所述计算机执行所述第一方面中任一项所述的方法。
根据本公开的第五方面，提供了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所述第一方面中任一项所述的方法。
通过将噪声样本和样本集合输入待迁移模型获取噪声稳定性损失值和Transformer层损失值，实现了待迁移模型的迁移学习，降低了待迁移模型识别的错误率，提高了待迁移模型的识别准确率，同时提升了待迁移模型的鲁棒性。
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，不构成对本公开的限定。其中：
图1是根据本公开实施例提供的一种迁移学习方法的流程示意图；
图2是根据本公开实施例提供的一种迁移学习方法的流程示意图；
图3是根据本公开实施例提供的一种迁移学习装置的结构示意图；
图4是根据本公开实施例提供的一种迁移学习装置的结构示意图；
图5是用来实现本公开实施例中迁移学习方法的电子设备的框图。
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。
目前多层转换transformer模型在多种自然语言处理任务、计算机视觉任务上取得了良好的效果。在真实世界的任务中，标注样本量往往不是很充足。常用补偿方式为：对预训练的多层transformer模型进行微调。但是由于模型参数量巨大以及训练样本有限，训练不稳定，微调虽然完全拟合了训练数据，但得到的模型泛化能力弱。直接微调的方法容易导致模型过拟合到泛化能力不好的参数上。噪声稳定性和模型的泛化能力有关，如果直接对预训练的多层transformer进行微调，得到的模型对输入的噪声非常敏感，说明直接微调得到的模型泛化能力弱。目前缺乏多层transformer模型的迁移学习技术。
基于此本公开实施例提供一种迁移学习的方法，通过随机采样噪声，随机采样样本集合并输入待迁移模型并进行训练，实现了对待迁移模型的迁移，降低了待迁移模型识别的错误率，提高了多层待迁移模型的识别准确率，同时提升了待迁移模型的鲁棒性。
图1为本公开实施例提供的一种迁移学习方法的流程示意图。本公开实施例提供的技术方案可以适用于多种系统，特别是神经网络、深度学习系统。
如图1所示，该迁移学习方法，包括：
步骤101：获取预训练模型，根据预训练模型生成待迁移模型，其中，所述待迁移模型包括N层转换Transformer层，其中，N为正整数；
步骤102：对目标训练集进行随机采样，以获取样本集合；
步骤103：根据所述样本集合对所述待迁移模型进行训练，其中，每层Transformer层的损失值根据经验损失值和噪声稳定性损失值生成。
在一种可能的实施方式中，每次从目标训练集中采集一个样本集合(mini-batch)，直到目标训练集中每个样本都被采样三次，即训练3个轮次(epochs)。所述样本集合包含128个样本。
每个样本集合包含的样本数量较少，是为了引入一些随机性，否则梯度的方向太稳定，待迁移模型容易过拟合。
并且由于梯度更新法是一种需要大量迭代的算法，需要更新很多次梯度才能让待迁移模型的参数收敛，所以目标训练集中每个样本都需要多次输入网络进行计算。
可选地，所述根据预训练模型生成待迁移模型，包括：
将所述预训练模型中第N层Transformer层的输出维度设置为与目标任务的分类数量相等，其中，所述目标任务的分类数量为目标训练集中样本的类数。
预训练模型为通用模型，所述预训练模型的最后一层的结构一般不能满足目标任务，在一种可能的情况中：预训练将输入模型的物体分为1000类，而目标任务是将输入模型的物体分为100类。并且类别的概念也不同，所以必须将预训练模型的最后一层替换成输出维度为100的结构，且令预训练模型的最后一层权重随机初始化。以此使获取的待迁移模型适应目标任务。
图2为本公开实施例提供的一种迁移学习方法的流程示意图。在本申请一种可能的实施方式中，包括：
步骤201：获取噪声样本，以均匀分布的概率在所述待迁移模型中第2至第N-1层Transformer层中选择一个Transformer层并设置为运算Transformer层；
在一种可能的实施方式中，以均匀分布的概率在区间[2,N-1]内随机采样一个数字e，以第e层Transformer层为运算层。
待迁移模型的最后一个Transformer层的作用不是学习表征，而是用其他Transformer层学习到的表征执行目标任务，也就是说输入模型的信息到最后一个Transformer层时，已经被压缩到只剩最后的分类结果，所以不用将最后一个Transformer层设置为运算Transformer层。
这里同样去掉了第一层，噪音样本可以加在第一层Transformer层里。但对于自然语言处理任务而言，高斯噪声没法直接叠加在文字上，只能加在网络的第一个表征层上，在添加高斯噪声的层上直接计算输出损失没有意义，所以第一层排除掉。
假设随机变量z服从标准正态分布N(0,1)，令x＝σ·z+μ，则x服从均值为μ、方差为σ2的高斯分布N(μ,σ2)。因此，任意高斯分布都可以由标准正态分布通过拉伸和平移得到，所以这里只考虑标准正态分布的采样。所述噪声样本的常用获取方法为：逆变换法、拒绝采样、重要性采样、马尔科夫蒙特卡罗采样法等。
步骤202：将所述样本集合输入所述运算Transformer层中进行前向计算，以获取第一计算结果；
步骤203：将所述样本集合与所述噪声样本相加，并输入所述运算Transformer层中进行前向计算，以获取第二计算结果，其中，所述噪声稳定性损失值根据所述第一计算结果和所述第二计算结果生成。
在一种可能的实施方式中，将样本集合的数据Di输入待迁移模型并进行前向计算，获取运算Transformer层的输出M0，所述M0为第一计算结果。
在一种可能的实施方式中，将样本集合的数据Di和噪声样本数据Δi相加，并输入待迁移模型，即将Di+Δi输入待迁移模型并进行前向计算，获取运算Transformer层的输出M1，所述M1为第二计算结果。
可选地，所述噪声样本的数据格式和所述样本集合的数据格式相同。
所述数据格式指数据的大小，在一种可能的实施方式中，输入的样本为图像数据，如果样本集合的图像数据格式为(224,224,3)，则所述噪声的数据格式也应该为(224,224,3)。如果所述噪声样本的数据格式和所述样本集合的数据格式不相同，会导致噪声样本和样本集合无法相加，进一步地，无法获取所述第二计算结果。
可选地，所述噪声稳定性损失值通过以下公式生成：
Lr＝||M1-M0||2，其中，Lr为所述噪声稳定性损失值，M1为所述第一计算结果，M0为所述第二计算结果。
可选地，所述每层Transformer层的损失值通过以下公式生成：
L＝Le+λ×Lr，其中，L为所述Transformer层的损失值，λ为经验权值，Le为所述经验损失值，Lr为所述噪声稳定性损失值。
在一种可能的实施方式中，所述经验权值λ＝1。
需要说明的是，所述经验权重可以由实施者根据实际情况调整，本公开不对经验权值的具体数值进行限定。
通过该方法将噪声加在数据的浅层表征上，这样训练得到的目标模型的泛化能力更强，识别准确率更高。
通过随机采样噪声，随机采样样本集合并输入待迁移模型并进行训练，实现了对待迁移模型的迁移，降低了待迁移模型识别的错误率，提高了多层待迁移模型的识别准确率，同时提升了待迁移模型的鲁棒性。
图3是根据本公开实施例提供的一种迁移学习装置的结构示意图。本申请涉及的装置可以是深度学习装置。
如图3所示，该迁移学习装置300，包括：
待迁移模型获取模块310，用于获取预训练模型，根据预训练模型生成待迁移模型，其中，所述待迁移模型包括N层转换Transformer层，其中，N为正整数；
采样模块320，用于对目标训练集进行随机采样，以获取样本集合；
训练模块330，用于根据所述样本集合对所述待迁移模型进行训练，其中，每层Transformer层的损失值根据经验损失值和噪声稳定性损失值生成。
可选地，所述待迁移模型获取模块，包括：
维度调整子模块，用于将所述预训练模型中第N层Transformer层的输出维度设置为与目标任务的分类数量相等，其中，所述目标任务的分类数量为目标训练集中样本的类数。
图4是根据本公开实施例提供的一种迁移学习装置的结构示意图。
如图4所示，在一种可能的实施方式中，所述迁移学习装置400包括：
噪声获取模块410，用于获取噪声样本，以均匀分布的概率在所述待迁移模型中第2至第N-1层Transformer层中选择一个Transformer层并设置为运算Transformer层；
第一计算模块420，用于将所述样本集合输入所述运算Transformer层中进行前向计算，以获取第一计算结果；
第二计算模块430，用于将所述样本集合与所述噪声样本相加，并输入所述运算Transformer层中进行前向计算，以获取第二计算结果，其中，所述噪声稳定性损失值根据所述第一计算结果和所述第二计算结果生成。
可选地，其中，所述噪声样本的数据格式和所述样本集合的数据格式相同。
可选地，所述噪声稳定性损失值通过以下公式生成：
Lr＝||M1-M0||2，其中，Lr为所述噪声稳定性损失值，M1为所述第一计算结果，M0为所述第二计算结果。
可选地，所述每层Transformer层的损失值通过以下公式生成：
L＝Le+λ×Lr，其中，L为所述Transformer层的损失值，λ为经验权值，Le为所述经验损失值，Lr为所述噪声稳定性损失值。
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、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，例如针对多层Transformer预训练模型的迁移学习方法。例如，在一些实施例中，针对多层Transformer预训练模型的迁移学习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，可以执行上文描述的针对多层Transformer预训练模型的迁移学习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)而被配置为执行针对多层Transformer预训练模型的迁移学习方法。
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)、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)

1.一种迁移学习方法，包括：
获取预训练模型，根据预训练模型生成待迁移模型，其中，所述待迁移模型包括N层转换Transformer层，其中，N为正整数；
对目标训练集进行随机采样，以获取样本集合；
根据所述样本集合对所述待迁移模型进行训练，其中，每层Transformer层的损失值根据经验损失值和噪声稳定性损失值生成。
2.根据权利要求1所述的方法，所述根据预训练模型生成待迁移模型，包括：
将所述预训练模型中第N层Transformer层的输出维度设置为与目标任务的分类数量相等，其中，所述目标任务的分类数量为目标训练集中样本的类数。
3.根据权利要求1所述的方法，还包括：
获取噪声样本，以均匀分布的概率在所述待迁移模型中第2至第N-1层Transformer层中选择一个Transformer层并设置为运算Transformer层；
将所述样本集合输入所述运算Transformer层中进行前向计算，以获取第一计算结果；
将所述样本集合与所述噪声样本相加，并输入所述运算Transformer层中进行前向计算，以获取第二计算结果，其中，所述噪声稳定性损失值根据所述第一计算结果和所述第二计算结果生成。
4.根据权利要求3所述的方法，所述噪声样本的数据格式和所述样本集合的数据格式相同。
5.根据权利要求3所述的方法，所述噪声稳定性损失值通过以下公式生成：
Lr＝||M1-M0||2，其中，Lr为所述噪声稳定性损失值，M1为所述第一计算结果，M0为所述第二计算结果。
6.根据权利要求5所述的方法，其中，所述每层Transformer层的损失值通过以下公式生成：
L＝Le+λ×Lr，其中，L为所述Transformer层的损失值，λ为经验权值，Le为所述经验损失值，Lr为所述噪声稳定性损失值。
7.一种迁移学习装置，包括：
待迁移模型获取模块，用于获取预训练模型，根据预训练模型生成待迁移模型，其中，所述待迁移模型包括N层转换Transformer层，其中，N为正整数；
采样模块，用于对目标训练集进行随机采样，以获取样本集合；
训练模块，用于根据所述样本集合对所述待迁移模型进行训练，其中，每层Transformer层的损失值根据经验损失值和噪声稳定性损失值生成。
8.根据权利要求7所述的装置，所述待迁移模型获取模块，包括：
维度调整子模块，用于将所述预训练模型中第N层Transformer层的输出维度设置为与目标任务的分类数量相等，其中，所述目标任务的分类数量为目标训练集中样本的类数。
9.根据权利要求7所述的装置，还包括：
噪声获取模块，用于获取噪声样本，以均匀分布的概率在所述待迁移模型中第2至第N-1层Transformer层中选择一个Transformer层并设置为运算Transformer层；
第一计算模块，用于将所述样本集合输入所述运算Transformer层中进行前向计算，以获取第一计算结果；
第二计算模块，用于将所述样本集合与所述噪声样本相加，并输入所述运算Transformer层中进行前向计算，以获取第二计算结果，其中，所述噪声稳定性损失值根据所述第一计算结果和所述第二计算结果生成。
10.根据权利要求9所述的装置，其中，所述噪声样本的数据格式和所述样本集合的数据格式相同。
11.根据权利要求9所述的装置，所述噪声稳定性损失值通过以下公式生成：
Lr＝||M1-M0||2，其中，Lr为所述噪声稳定性损失值，M1为所述第一计算结果，M0为所述第二计算结果。
12.根据权利要求11所述的装置，其中，所述每层Transformer层的损失值通过以下公式生成：
L＝Le+λ×Lr，其中，L为所述Transformer层的损失值，λ为经验权值，Le为所述经验损失值，Lr为所述噪声稳定性损失值。
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所述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。
CN202110492357.6A 2021-05-06 2021-05-06 一种迁移学习的方法及装置 Pending CN113240082A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110492357.6A CN113240082A (zh) 2021-05-06 2021-05-06 一种迁移学习的方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110492357.6A CN113240082A (zh) 2021-05-06 2021-05-06 一种迁移学习的方法及装置

Publications (1)

Publication Number Publication Date
CN113240082A true CN113240082A (zh) 2021-08-10

Family

ID=77132158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110492357.6A Pending CN113240082A (zh) 2021-05-06 2021-05-06 一种迁移学习的方法及装置

Country Status (1)

Country Link
CN (1) CN113240082A (zh)

Similar Documents

Publication Publication Date Title
CN112560996B (zh) 用户画像识别模型训练方法、设备、可读存储介质及产品
US20220398834A1 (en) Method and apparatus for transfer learning
CN112907552A (zh) 图像处理模型的鲁棒性检测方法、设备及程序产品
CN112966744A (zh) 模型训练方法、图像处理方法、装置和电子设备
CN115147680B (zh) 目标检测模型的预训练方法、装置以及设备
CN112580666A (zh) 图像特征的提取方法、训练方法、装置、电子设备及介质
CN113033801A (zh) 神经网络模型的预训练方法、装置、电子设备和介质
CN115456167A (zh) 轻量级模型训练方法、图像处理方法、装置及电子设备
CN112949433B (zh) 视频分类模型的生成方法、装置、设备和存储介质
CN114494747A (zh) 模型的训练方法、图像处理方法、装置、电子设备及介质
CN114186681A (zh) 用于生成模型簇的方法、装置及计算机程序产品
CN113792876A (zh) 骨干网络的生成方法、装置、设备以及存储介质
CN114238611B (zh) 用于输出信息的方法、装置、设备以及存储介质
CN113361621B (zh) 用于训练模型的方法和装置
CN112784967B (zh) 信息处理方法、装置以及电子设备
CN115116080A (zh) 表格解析方法、装置、电子设备和存储介质
CN113313049A (zh) 超参数的确定方法、装置、设备、存储介质以及计算机程序产品
CN113240082A (zh) 一种迁移学习的方法及装置
CN114067805A (zh) 声纹识别模型的训练与声纹识别方法及装置
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
CN113989152A (zh) 图像增强方法、装置、设备以及存储介质
CN114119972A (zh) 模型获取及对象处理方法、装置、电子设备及存储介质
CN114358198A (zh) 实例分割方法、装置及电子设备
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN112861512A (zh) 数据处理方法、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