CN113313049A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN113313049A CN113313049A CN202110655240.5A CN202110655240A CN113313049A CN 113313049 A CN113313049 A CN 113313049A CN 202110655240 A CN202110655240 A CN 202110655240A CN 113313049 A CN113313049 A CN 113313049A
- Authority
- CN
- China
- Prior art keywords
- hyper
- candidate
- model
- parameter
- determining
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 198
- 238000004590 computer program Methods 0.000 title claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 111
- 238000012549 training Methods 0.000 claims abstract description 73
- 230000006870 function Effects 0.000 claims abstract description 66
- 238000012804 iterative process Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 230000004044 response Effects 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 17
- 238000007476 Maximum Likelihood Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims 1
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004891 communication Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 239000003795 chemical substances by application Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- 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
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Molecular Biology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Computer Interaction (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种超参数的确定方法、装置、设备、存储介质以及计算机程序产品,涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,可应用于智慧城市和智慧金融场景下。该方法的一具体实施方式包括:利用以下步骤进行迭代处理,直至满足迭代结束条件:确定候选超参数组;利用候选超参数组对模型进行训练,得到训练后的模型以及模型精度;基于候选超参数组与模型精度确定高斯过程函数;基于高斯过程函数确定新的候选超参数组;以及响应于满足迭代结束条件,从迭代过程产生的所有候选超参数组中确定目标超参数组。该实施方式无需手动调节超参数,省时省力,也提升了确定超参数的效率。
Description
技术领域
本公开涉及人工智能技术领域,具体为计算机视觉和深度学习技术领域,尤其涉及超参数的确定方法、装置、设备、存储介质以及计算机程序产品,可应用于智慧城市和智慧金融场景下。
背景技术
随着计算机技术的发展,数据处理模型获得了广泛的应用。数据处理模型的超参数是指在开始学习过程之前设置的参数,而不是在训练过程中学习到的参数。超参数的选取直接影响着数据处理模型的性能。
发明内容
本公开实施例提出了一种超参数的确定方法、装置、设备、存储介质以及计算机程序产品。
第一方面,本公开实施例提出了一种超参数的确定方法,包括:利用以下步骤进行迭代处理,直至满足迭代结束条件:确定候选超参数组;利用候选超参数组对模型进行训练,得到训练后的模型以及模型精度;基于候选超参数组与模型精度确定高斯过程函数;基于高斯过程函数确定新的候选超参数组;以及响应于满足迭代结束条件,从迭代过程产生的所有候选超参数组中确定目标超参数组。
第二方面,本公开实施例提出了一种超参数的确定装置,包括:迭代模块,被配置成利用以下模块进行迭代处理,直至满足迭代结束条件;第一确定模块,被配置成确定候选超参数组;训练模块,被配置成利用候选超参数组对模型进行训练,得到训练后的模型以及模型精度;第二确定模块,被配置成基于候选超参数组与模型精度确定高斯过程函数;第三确定模块,被配置成基于高斯过程函数确定新的候选超参数组;第四确定模块,被配置成响应于满足迭代结束条件,从迭代过程产生的所有候选超参数组中确定目标超参数组。
第三方面,本公开实施例提出了一种模型训练方法,包括:获取初始识别模型和训练样本集,其中,训练样本集中包括多个人脸图像样本;配置初始识别模型的超参数,其中,超参数通过第一方面中任一实现方式描述的方法确定;利用训练样本集对初始识别模型进行训练,得到训练完成的人脸识别模型。
第四方面,本公开实施例提出了一种人脸识别方法,包括:获取待识别人脸图像;利用第三方面中任一实现方式得到的人脸识别模型对待识别人脸图像进行识别,得到人脸识别结果。
第五方面,本公开实施例提出了一种模型训练装置,包括:第一获取模块,被配置成获取初始识别模型和训练样本集,其中,训练样本集中包括多个人脸图像样本;配置模块,被配置成配置初始识别模型的超参数,其中,超参数通过第一方面中任一实现方式描述的方法确定;得到模块,被配置成利用训练样本集对初始识别模型进行训练,得到训练完成的人脸识别模型。
第六方面,本公开实施例提出了一种人脸识别装置,包括:第二获取模块,被配置成获取待识别人脸图像;识别模块,被配置成利用第五方面中任一实现方式得到的人脸识别模型对所述待识别人脸图像进行识别,得到人脸识别结果。
第七方面,本公开实施例提出了一种电子设备,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,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如第一方面中任一实现方式描述的方法。
第八方面,本公开实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行如第一方面中任一实现方式描述的方法。
第九方面,本公开实施例提出了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现如第一方面中任一实现方式描述的方法。
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
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显。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是本公开可以应用于其中的示例性系统架构图;
图2是根据本公开的超参数的确定方法的一个实施例的流程图;
图3是根据本公开的超参数的确定方法的另一个实施例的流程图;
图4是根据本公开的超参数的确定方法的又一个实施例的流程图;
图5是根据本公开的模型训练方法的一个实施例的流程图;
图6是根据本公开的人脸识别方法的一个实施例的流程图;
图7是根据本公开的超参数的确定装置的一个实施例的结构示意图;
图8是根据本公开的模型训练装置的一个实施例的结构示意图;
图9是根据本公开的人脸识别装置的一个实施例的结构示意图;
图10是用来实现本公开实施例的超参数的确定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。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的超参数的确定方法或超参数的确定装置的实施例的示例性系统架构100。
如图1所示,系统架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述电子设备中。其可以实现成多个软件或软件模块,也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以提供各种服务。例如,服务器105可以对从终端设备101、102、103获取到的候选超参数组进行分析和处理,并生成处理结果(例如目标超参数组等)。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是,本公开实施例所提供的超参数的确定方法一般由服务器105执行,相应地,超参数的确定装置一般设置于服务器105中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本公开的超参数的确定方法的一个实施例的流程200。该超参数的确定方法包括以下步骤:
步骤201,确定候选超参数组。
在本实施例中,超参数的确定方法的执行主体(例如图1所示的服务器105)可以确定候选超参数组,其中,候选超参数组即为训练模型时使用的超参数。其中,候选超参数组为至少包含一个超参数的组合,具体来说,候选超参数组中包括有至少一个维度的候选超参数,并且,每个维度的候选超参数指示了模型在每个维度下的模型结构特征,值得注意的是,候选超参数组中包括的是每个候选超参数具体的取值。本实施例中的候选超参数组中可以包含模型训练过程中的常用超参数,例如学习率、采样率、隐藏层数等等。
其中,超参数的维度为用于区分不同超参数的类别概念,作为示例,可以认为同一类别的超参数为用同一维度下的超参数,而不同类别的超参数则为不同类别;譬如,可以认为学习率为超参数的一个维度,而隐藏层数为超参数的另一维度等等。
其中,模型结构特征指描述模型结构的相关特征,具体来说,模型结构特征可以与超参数的维度相关联或对应。例如,模型结构特征可以包括学习率的取值,迭代次数所设置的值,隐藏层数所设置的值等等。
其中,从技术分解的角度来说,上述模型可以包括线性回归模型、逻辑回归模型、卷积神经网络等等;从应用的角度来说,上述模型可以包括人脸识别模型、图像分割模型、语音生成模型等。
相应的,本次迭代过程可以为首次迭代过程,此时,上述候选超参数组可以为确定的用于首次迭代过程的初始候选超参数组。或者,本次迭代过程可以为非首次迭代过程,此时,上述候选超参数组可以为上一次迭代过程确定的新的候选超参数组,该候选超参数组的取值可以为上一次迭代过程中确定的取值。
需要说明的是,超参数是在训练前预先设置的参数数据,而不是在训练过程中学习到的参数,超参数可以调节以及控制模型的结构、功能和效率等。
步骤202,利用候选超参数组对模型进行训练,得到训练后的模型以及模型精度。
在本实施例中,上述执行主体可以利用步骤201确定的候选超参数组对模型进行训练,从而得到训练后的模型以及模型精度。由于超参数的取值表征了模型的结构或属性,所以,在确定了模型的超参数组后,可以得到确定了超参数而未确定学习参数的模型,例如学习参数可以为神经网络中的权重与偏置。上述执行主体可以利用训练数据集合对模型进行训练,从而得到训练后的模型。具体来说,在神经网络中,训练的过程是指从训练数据中学习到学习参数的过程。
然后再利用测试数据集合对训练后的模型进行测试,以得到训练后的模型的模型精度。其中,训练数据集合可以包括至少一个训练数据,测试数据集合中可以包括至少一个测试数据。
可以理解的是,不同的候选超参数组训练出来的模型是不同的,对应的模型精度也是不同的,模型精度能表示该候选超参数组训练模型的效果。
步骤203,基于候选超参数组与模型精度确定高斯过程函数。
在本实施例中,上述执行主体可以基于候选超参数组与模型精度确定高斯过程函数。例如,可将候选超参数组与其对应的模型精度作为样本数据输入至高斯过程中,从而确定高斯过程函数。高斯过程其实是一个定义在连续域上的无限多个高斯随机变量所组成的随机过程,换句话说,高斯过程是一个无限维的高斯分布。
作为一个实例,将候选超参数组表示为x,将该候选超参数组对应的模型精度表示为y,得到的高斯函数可以表示为y=GP(x,t),其中,t为能使该等式成立的参数。确定的高斯过程函数将候选超参数组与其对应的模型精度之间的关系以映射的形式进行了表示。
步骤204,基于高斯过程函数确定新的候选超参数组。
在本实施例中,上述执行主体可以基于步骤203确定的高斯过程函数来确定新的候选超参数组。例如,基于确定的高斯过程函数可以计算后验概率分布和采集功能,通过均值和方差来确定新的候选超参数组;再例如,还可以将取得极值时的超参数组作为新的超参数组,本公开对此不做具体限定。之后使用新的候选超参数组继续进行迭代过程,也即使用确定的新的候选超参数组继续执行步骤202-204的迭代过程。
步骤205,判断是否满足迭代结束条件。
在本实施例中,上述执行主体可以判断是否满足迭代结束条件。在本实施例中,可以预先设置期望迭代次数,在当前迭代次数以达到预设的期望迭代次数的情况下,结束上述迭代过程。或者,还可以预先设置期望模型精度,在使用候选超参数组训练模型得到的模型精度值达到期望模型精度的情况下,结束上述迭代过程。
步骤206,响应于满足迭代结束条件,从迭代过程产生的所有候选超参数组中确定目标超参数组。
在本实施例中,上述执行主体可以在迭代结束以后,从迭代过程产生的所有候选超参数组中确定目标超参数组。由于每次的迭代过程中都会对应一个候选超参数组,所以,在迭代过程结束后,上述执行主体可以从迭代过程中产生的所有候选超参数组中确定目标超参数组,其中,目标超参数组即本公开中确定的超参数组。
本公开实施例提供的超参数的确定方法,首先确定候选超参数组,并利用该候选超参数组对模型进行训练,得到训练后的模型以及模型精度;然后基于候选超参数组与模型精度确定高斯过程函数;之后基于高斯过程函数确定新的候选超参数组,并使用新的候选超参数组来继续迭代过程;最后在迭代结束以后,从迭代过程产生的所有候选超参数组中来确定目标超参数组。本方法中通过多次迭代过程来确定目标超参数组,无需手动对超参数进行调节,省时省力,也提升了确定超参数的效率。
继续参考图3,图3示出了根据本公开的超参数的确定方法的另一个实施例的流程300。该超参数的确定方法包括以下步骤:
步骤301,定义超参数搜索空间。
在本实施例中,超参数的确定方法的执行主体(例如图1所示的服务器105)可以定义超参数搜索空间,超参数搜索空间即是本公开中的所有超参数的搜索空间,搜索空间即指超参数的范围,也即本公开中超参数的候选值的取值区间。
步骤302,在超参数搜索空间中,通过随机初始化操作确定候选超参数组。
在本实施例中,上述执行主体可以在步骤301定义的超参数搜索空间中,通过随机初始化操作来确定候选超参数组。不同的候选超参数可以具有相同或不同的初始值。具体地,针对每种超参数,可以随机从与搜索空间对应的候选值集合中选取一个候选值,作为该候选超参数的初始值。或者,针对每种超参数,还可以根据经验从与搜索空间对应的候选值集合中选取一个候选值,作为该候选超参数的初始值。使得根据经验获得的多种超参数的初始值能使模型达到较好的性能,例如能够达到更好的模型精度,从而减少迭代次数。
步骤303,利用候选超参数组对模型进行训练,得到训练后的模型以及模型精度。
步骤303与前述实施例的步骤202基本一致,具体实现方式可以参考前述对步骤202的描述,此处不再赘述。
步骤304,将候选超参数组与模型精度输入至高斯过程中,对高斯过程的参数进行更新,得到高斯过程函数。
在本实施例中,上述执行主体可以将候选超参数组与模型精度输入至高斯过程中,对高斯过程的参数进行更新,得到高斯过程函数。
高斯过程可以被用来表示函数的分布情况。高斯过程回归是使用高斯过程先验对数据进行回归分析的非参数模型。高斯过程回归可以将候选超参数组与其对应的模型精度进行拟合,从而得到能表征候选超参数组和其对应的模型精度之间的关系的函数,也即高斯过程函数。上述执行主体可将候选超参数组与对应的模型精度作为一组训练数据,输入至高斯过程中,从而对高斯过程的参数进行更新,得到高斯过程函数。
需要说明的是,高斯过程回归和其他回归算法的区别是:一般的回归算法给定输入,希望得到的是对应的输出值,拟合函数可以有多种多样,线性拟合、多项式拟合等等,而高斯回归是要得到函数的分布。
步骤305,基于高斯过程函数确定新的候选超参数组。
步骤306,判断是否满足迭代结束条件。
步骤305-306与前述实施例的步骤204-205基本一致,具体实现方式可以参考前述对步骤204-205的描述,此处不再赘述。
步骤307,在迭代结束以后,基于迭代过程产生的所有候选超参数组对应的模型精度,从所有候选超参数组中确定目标超参数组。
在本实施例中,上述执行主体可以在迭代结束以后,基于迭代过程产生的所有候选超参数组对应的模型精度,从所有候选超参数组中确定目标超参数组。
可以理解的是,由于模型精度表示了该候选超参数组训练模型的效果,且每次迭代过程中都会产生一个候选超参数组以及该候选超参数组对应的模型精度,所以,在迭代结束后,可在迭代过程产生的所有候选超参数组中来确定目标超参数组。由于模型精度越高,则表示该候选超参数组的训练效果越好,所以,可从上述所有候选超参数组中选取模型精度值最高的那个候选超参数组,将其确定为本实施例中的目标超参数组。
需要说明的是,也可以根据其他参数来确定目标超参数组,本公开中对此不做具体限定。
从图3中可以看出,与图2对应的实施例相比,本实施例中的超参数的确定方法通过定义超参数搜索空间来确定候选超参数组,并基于高斯过程函数来确定新的候选超参数组,保证了确定的新的超参数组的模型训练效果,应用效果更好。
继续参考图4,图4示出了根据本公开的超参数的确定方法的又一个实施例的流程400。该超参数的确定方法包括以下步骤:
步骤401,定义超参数搜索空间。
步骤402,在超参数搜索空间中,通过随机初始化操作确定候选超参数组。
步骤403,利用候选超参数组对模型进行训练,得到训练后的模型以及模型精度。
步骤401-403与前述实施例的步骤301-303基本一致,具体实现方式可以参考前述对步骤301-303的描述,此处不再赘述。
步骤404,将候选超参数组与模型精度输入至高斯过程中,利用极大似然估计方法对候选超参数组与模型精度进行拟合。
本实施例中,超参数的确定方法的执行主体(例如图1所示的服务器105)可以将候选超参数组与模型精度输入至高斯过程中,利用极大似然估计方法对候选超参数组与模型精度进行拟合。
极大似然估计方法(Maximum Likelihood Estimate,MLE)也称为最大概似估计或最大似然估计,是求估计的一种方法。极大似然估计可以利用已知的样本结果信息,反推最具有可能(最大概率)导致这些样本结果出现的模型参数值。所以,本实施例中,将候选超参数组与模型精度作为一条样本数据,将该样本数据输入至高斯过程中,并通过极大似然估计来对该样本数据进行拟合,以确定能得到样本结果的模型参数值。
步骤405,基于拟合结果对高斯过程的参数进行更新,得到高斯过程函数。
本实施例中,上述执行主体可以基于拟合结果对高斯过程的参数进行更新,得到高斯过程函数。由上述内容可知,使用极大似然估计方法对候选超参数组与模型精度进行拟合,可以确定能得到样本结果的模型参数值,从而对高斯过程的参数进行更新,从而得到更新后的高斯过程函数。
步骤406,利用最大值自变量点集函数对高斯过程函数进行求解,得到新的候选超参数组的采样点。
在本实施例中,上述执行主体可以利用最大值自变量点集(arguments of themaxima,argmax)函数对高斯过程函数进行求解,得到新的候选超参数组的采样点。argmax是一种对函数求参数(集合)的函数,利用argmax对步骤405得到的高斯过程函数进行求解,可以得到在函数取得最大值处的点集,得到的点集就是新的超参数组的采样点。例如,将新的超参数组表示为x_next,则可以将上述求解过程表示为:x_next=argmax(GP(x,t))。
步骤407,基于采样点确定新的候选超参数组。
在本实施例中,上述执行主体可以基于采样点确定新的候选超参数组。每个采样点都有一个对应的超参数值,所以,本实施例中,可以基于步骤406确定的采样点获得该采样点对应的超参数组,并将其作为新的候选超参数组。并使用该新的候选超参数组继续进行上述迭代过程。
步骤408,判断是否满足迭代结束条件。
步骤409,在迭代结束以后,基于迭代过程产生的所有候选超参数组对应的模型精度,从所有候选超参数组中确定目标超参数组。
步骤408-409与前述实施例的步骤306-307基本一致,具体实现方式可以参考前述对步骤306-307的描述,此处不再赘述。
从图4中可以看出,与图3对应的实施例相比,本实施例中的超参数的确定方法突出了利用极大似然估计方法来得到高斯过程函数的过程,以及突出了利用最大值自变量点集函数对得到的高斯过程函数进行求解,得到新的候选超参数组的采样点的过程,提高了确定的新的候选超参数组的训练效果;再基于新的候选超参数组对模型进行训练,得到的训练完成的模型,提高了该训练完成的模型的模型精度。
继续参考图5,图5示出了根据本公开的模型训练方法的一个实施例的流程500。该模型训练方法包括以下步骤:
步骤501,获取初始识别模型和训练样本集。
在本实施例中,人脸识别模型的训练方法的执行主体(例如图1所示的服务器105)可以获取初始识别模型和训练样本集。其中,训练样本集中包括多个人脸图像样本;以及该初始人脸识别模型可以是现有的模型,本公开对此不做具体限定。
步骤502,配置初始识别模型的超参数。
在本实施例中,上述执行主体可以配置初始识别模型的超参数。其中,超参数可以是通过上述实施例中所述的方法来确定的,且超参数可以为学习率、采样率、隐藏层数等。上述执行主体可以为初始人脸识别模型配置预先确定的超参数。
步骤503,利用训练样本集对初始识别模型进行训练,得到训练完成的人脸识别模型。
在本实施例中,上述执行主体可以利用步骤501获取的训练样本集对上述初始识别模型进行训练,从而得到训练完成的人脸识别模型。具体地,可以利用训练样本集对配置完成超参数的初始识别模型进行训练,从而调整初始识别模型的参数,最终得到训练完成的人脸识别模型。
本公开实施例提供的模型训练方法,首先获取初始识别模型和训练样本集,之后配置初始识别模型的超参数,最后利用训练样本集对初始识别模型进行训练,得到训练完成的人脸识别模型。该方法基于预先预定的超参数来训练初始识别模型,得到训练完成的人脸识别模型,提高了训练完成的人脸识别模型的精度。
继续参考图6,图6示出了根据本公开的人脸识别方法的一个实施例的流程600。该人脸识别方法包括以下步骤:
步骤601,获取待识别人脸图像。
在本实施例中,人脸识别模型的训练方法的执行主体(例如图1所示的服务器105)可以获取待识别人脸图像。其中,待识别人脸图像为包含人脸的图像。
步骤602,利用人脸识别模型对待识别人脸图像进行识别,得到人脸识别结果。
在本实施例中,上述执行主体可以利用训练完成的人脸识别模型对步骤601获取的待识别人脸图像进行识别,从而得到人脸识别结果。其中,人脸识别模型可通过上述实施例中所述的方法训练得到。
上述执行主体在获取到待识别人脸图像后,可以利用训练好的人脸识别模型对该待识别人脸图像进行识别,以得到人脸识别结果,其中,该人脸识别结果中可以包括人脸各个关键点的检测结果。
本公开实施例提供的模型训练方法,首先获取待识别人脸图像,然后利用人脸识别模型对待识别人脸图像进行识别,得到人脸识别结果。本实施例中的人脸识别方法,可以使用训练完成的人脸识别模型对获取的待识别人脸图像进行识别,以得到对应的人脸识别结果,提高了识别结果的准确性,应用范围更广。
进一步参考图7,作为对上述各图所示方法的实现,本公开提供了一种超参数的确定装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例的超参数的确定装置700可以包括:迭代模块701、第一确定模块702、训练模块703、第二确定模块704、第三确定模块705和第四确定模块706。其中,迭代模块701,被配置成利用以下模块进行迭代处理,直至满足迭代结束条件;第一确定模块702,被配置成确定候选超参数组;训练模块703,被配置成利用候选超参数组对模型进行训练,得到训练后的模型以及模型精度;第二确定模块704,被配置成基于候选超参数组与模型精度确定高斯过程函数;第三确定模块705,被配置成基于高斯过程函数确定新的候选超参数组;第四确定模块706,被配置成在迭代结束以后,从迭代过程产生的所有候选超参数组中确定目标超参数组。
在本实施例中,超参数的确定装置700中:迭代模块701、第一确定模块702、训练模块703、第二确定模块704、第三确定模块705和第四确定模块706的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201-206的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,该超参数的确定装置还包括:定义模块,被配置成定义超参数搜索空间;以及第一确定模块包括:第一确定子模块,被配置成在超参数搜索空间中,通过随机初始化操作确定候选超参数组。
在本实施例的一些可选的实现方式中,第二确定模块包括:更新子模块,被配置成将候选超参数组与模型精度输入至高斯过程中,对高斯过程的参数进行更新,得到高斯过程函数。
在本实施例的一些可选的实现方式中,更新子模块包括:拟合单元,配置成将候选超参数组与模型精度输入至高斯过程中,利用极大似然估计方法对候选超参数组与模型精度进行拟合;更新单元,配置成基于拟合结果对高斯过程的参数进行更新,得到高斯过程函数。
在本实施例的一些可选的实现方式中,第三确定模块包括:求解子模块,被配置成利用最大值自变量点集函数对高斯过程函数进行求解,得到新的候选超参数组的采样点;第二确定子模块,被配置成基于采样点确定新的候选超参数组。
在本实施例的一些可选的实现方式中,第四确定模块包括:第三确定子模块,被配置成基于迭代过程产生的所有候选超参数组对应的模型精度,从所有候选超参数组中确定目标超参数组。
进一步参考图8,作为对上述各图所示方法的实现,本公开提供了一种模型训练装置的一个实施例,该装置实施例与图5所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图8所示,本实施例的模型训练装置800可以包括:第一获取模块801、配置模块802和得到模块803。其中,第一获取模块801,被配置成获取初始识别模型和训练样本集,其中,训练样本集中包括多个人脸图像样本;配置模块802,被配置成配置初始识别模型的超参数;得到模块803,被配置成利用训练样本集对初始识别模型进行训练,得到训练完成的人脸识别模型。
在本实施例中,模型训练装置800中:第一获取模块801、配置模块802和得到模块803的具体处理及其所带来的技术效果可分别参考图5对应实施例中的步骤501-503的相关说明,在此不再赘述。
进一步参考图9,作为对上述各图所示方法的实现,本公开提供了一种人脸识别装置的一个实施例,该装置实施例与图6所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图9所示,本实施例的人脸识别装置900可以包括:第二获取模块901和识别模块902。其中,第二获取模块901,被配置成获取待识别人脸图像;识别模块902,被配置成被配置成利用人脸识别模型对待识别人脸图像进行识别,得到人脸识别结果。
在本实施例中,人脸识别装置900中:第二获取模块901和识别模块902的具体处理及其所带来的技术效果可分别参考图6对应实施例中的步骤601-602的相关说明,在此不再赘述。
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10示出了可以用来实施本公开的实施例的示例电子设备1000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10所示,设备1000包括计算单元1001,其可以根据存储在只读存储器(ROM)1002中的计算机程序或者从存储单元1008加载到随机访问存储器(RAM)1003中的计算机程序,来执行各种适当的动作和处理。在RAM 1003中,还可存储设备1000操作所需的各种程序和数据。计算单元1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
设备1000中的多个部件连接至I/O接口1005,包括:输入单元1006,例如键盘、鼠标等;输出单元1007,例如各种类型的显示器、扬声器等;存储单元1008,例如磁盘、光盘等;以及通信单元1009,例如网卡、调制解调器、无线通信收发机等。通信单元1009允许设备1000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1001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1001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1001执行上文所描述的各个方法和处理,例如超参数的确定方法。例如,在一些实施例中,超参数的确定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1008。在一些实施例中,计算机程序的部分或者全部可以经由ROM 1002和/或通信单元1009而被载入和/或安装到设备1000上。当计算机程序加载到RAM 1003并由计算单元1001执行时,可以执行上文描述的超参数的确定方法的一个或多个步骤。备选地,在其他实施例中,计算单元1001可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行超参数的确定方法。
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,Virtual Private Server)服务中存在的管理难度大,业务扩展性弱的缺陷。
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 (19)
1.一种超参数的确定方法,包括:
利用以下步骤进行迭代处理,直至满足迭代结束条件:
确定候选超参数组;
利用所述候选超参数组对模型进行训练,得到训练后的模型以及模型精度;
基于所述候选超参数组与所述模型精度确定高斯过程函数;
基于所述高斯过程函数确定新的候选超参数组;以及
响应于满足迭代结束条件,从迭代过程产生的所有候选超参数组中确定目标超参数组。
2.根据权利要求1所述的方法,其中,所述方法还包括:
定义超参数搜索空间;以及
所述确定候选超参数组,包括:
在所述超参数搜索空间中,通过随机初始化操作确定候选超参数组。
3.根据权利要求1或2所述的方法,其中,所述基于所述候选超参数组与所述模型精度确定高斯过程函数,包括:
将所述候选超参数组与所述模型精度输入至高斯过程中,对所述高斯过程的参数进行更新,得到高斯过程函数。
4.根据权利要求3所述的方法,其中,所述将所述候选超参数组与所述模型精度输入至高斯过程中,对所述高斯过程的参数进行更新,得到高斯过程函数,包括:
将所述候选超参数组与所述模型精度输入至高斯过程中,利用极大似然估计方法对所述候选超参数组与所述模型精度进行拟合;
基于拟合结果对所述高斯过程的参数进行更新,得到高斯过程函数。
5.根据权利要求1-4中任一项所述的方法,其中,所述基于所述高斯过程函数确定新的候选超参数组,包括:
利用最大值自变量点集函数对所述高斯过程函数进行求解,得到新的候选超参数组的采样点;
基于所述采样点确定所述新的候选超参数组。
6.根据权利要求1-5中任一项所述的方法,其中,所述从迭代过程产生的所有候选超参数组中确定目标超参数组,包括:
基于迭代过程产生的所有候选超参数组对应的模型精度,从所述所有候选超参数组中确定目标超参数组。
7.一种模型训练方法,包括:
获取初始识别模型和训练样本集,其中,所述训练样本集中包括多个人脸图像样本;
配置所述初始识别模型的超参数,其中,所述超参数通过如权利要求1-6中任一项所述的方法确定;
利用所述训练样本集对所述初始识别模型进行训练,得到训练完成的人脸识别模型。
8.一种人脸识别方法,包括:
获取待识别人脸图像;
利用如权利要求7所述的人脸识别模型对所述待识别人脸图像进行识别,得到人脸识别结果。
9.一种超参数的确定装置,包括:
迭代模块,被配置成利用以下模块进行迭代处理,直至满足迭代结束条件;
第一确定模块,被配置成确定候选超参数组;
训练模块,被配置成利用所述候选超参数组对模型进行训练,得到训练后的模型以及模型精度;
第二确定模块,被配置成基于所述候选超参数组与所述模型精度确定高斯过程函数;
第三确定模块,被配置成基于所述高斯过程函数确定新的候选超参数组;
第四确定模块,被配置成响应于满足迭代结束条件,从迭代过程产生的所有候选超参数组中确定目标超参数组。
10.根据权利要求9所述的装置,其中,所述装置还包括:
定义模块,被配置成定义超参数搜索空间;以及
所述第一确定模块包括:
第一确定子模块,被配置成在所述超参数搜索空间中,通过随机初始化操作确定候选超参数组。
11.根据权利要求9或10所述的装置,其中,所述第二确定模块包括:
更新子模块,被配置成将所述候选超参数组与所述模型精度输入至高斯过程中,对所述高斯过程的参数进行更新,得到高斯过程函数。
12.根据权利要求11所述的装置,其中,所述更新子模块包括:
拟合单元,配置成将所述候选超参数组与所述模型精度输入至高斯过程中,利用极大似然估计方法对所述候选超参数组与所述模型精度进行拟合;
更新单元,配置成基于拟合结果对所述高斯过程的参数进行更新,得到高斯过程函数。
13.根据权利要求9-12中任一项所述的装置,其中,所述第三确定模块包括:
求解子模块,被配置成利用最大值自变量点集函数对所述高斯过程函数进行求解,得到新的候选超参数组的采样点;
第二确定子模块,被配置成基于所述采样点确定所述新的候选超参数组。
14.根据权利要求9-13中任一项所述的装置,其中,所述第四确定模块包括:
第三确定子模块,被配置成基于迭代过程产生的所有候选超参数组对应的模型精度,从所述所有候选超参数组中确定目标超参数组。
15.一种模型训练装置,包括:
第一获取模块,被配置成获取初始识别模型和训练样本集,其中,所述训练样本集中包括多个人脸图像样本;
配置模块,被配置成配置所述初始识别模型的超参数,其中,所述超参数通过如权利要求1-6中任一项所述的方法确定;
得到模块,被配置成利用所述训练样本集对所述初始识别模型进行训练,得到训练完成的人脸识别模型。
16.一种人脸识别装置,包括:
第二获取模块,被配置成获取待识别人脸图像;
识别模块,被配置成利用如权利要求7所述的人脸识别模型对所述待识别人脸图像进行识别,得到人脸识别结果。
17.一种电子设备,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。
18.一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1-6中任一项所述的方法。
19.一种计算机程序产品,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110655240.5A CN113313049A (zh) | 2021-06-11 | 2021-06-11 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110655240.5A CN113313049A (zh) | 2021-06-11 | 2021-06-11 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113313049A true CN113313049A (zh) | 2021-08-27 |
Family
ID=77378619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110655240.5A Pending CN113313049A (zh) | 2021-06-11 | 2021-06-11 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313049A (zh) |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067342A1 (en) * | 2012-08-28 | 2014-03-06 | Numerica Corporation | Particle tracking in biological systems |
CN107392226A (zh) * | 2017-06-13 | 2017-11-24 | 上海交通大学 | 飞行员工作状态识别模型的建模方法 |
CN108983179A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种群智能敏捷的雷达海上目标检测系统 |
CN109507888A (zh) * | 2018-12-28 | 2019-03-22 | 浙江大学 | 基于集成学习的丙烯聚合生产过程最优在线预报系统 |
CN109800884A (zh) * | 2017-11-14 | 2019-05-24 | 阿里巴巴集团控股有限公司 | 模型参数的处理方法、装置、设备和计算机存储介质 |
CN109934348A (zh) * | 2018-09-04 | 2019-06-25 | 中国平安人寿保险股份有限公司 | 机器学习模型超参数推断方法及装置、介质、电子设备 |
CN110085255A (zh) * | 2019-03-27 | 2019-08-02 | 河海大学常州校区 | 语音转换基于深度内核学习高斯过程回归建模方法 |
CN110413494A (zh) * | 2019-06-19 | 2019-11-05 | 浙江工业大学 | 一种改进贝叶斯优化的LightGBM故障诊断方法 |
CN110918651A (zh) * | 2019-12-06 | 2020-03-27 | 东北大学 | 基于多分类支持向量机的钢铁冷轧精整生产原料分配方法 |
CN111260073A (zh) * | 2020-01-09 | 2020-06-09 | 京东数字科技控股有限公司 | 数据处理方法、装置和计算机可读存储介质 |
CN111460379A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的多工况动力系统性能预测方法及系统 |
CN111582374A (zh) * | 2020-05-09 | 2020-08-25 | 北京百度网讯科技有限公司 | 超参数搜索方法、装置、设备以及存储介质 |
CN111612528A (zh) * | 2020-04-30 | 2020-09-01 | 中国移动通信集团江苏有限公司 | 用户分类模型的确定方法、装置、设备及存储介质 |
CN112327219A (zh) * | 2020-10-29 | 2021-02-05 | 国网福建省电力有限公司南平供电公司 | 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法 |
CN112399458A (zh) * | 2020-11-16 | 2021-02-23 | 北京弘光浩宇科技有限公司 | 一种移动通信网络流量的大数据分析方法 |
CN112418476A (zh) * | 2019-08-23 | 2021-02-26 | 武汉剑心科技有限公司 | 一种超短期电力负荷预测方法 |
-
2021
- 2021-06-11 CN CN202110655240.5A patent/CN113313049A/zh active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140067342A1 (en) * | 2012-08-28 | 2014-03-06 | Numerica Corporation | Particle tracking in biological systems |
CN107392226A (zh) * | 2017-06-13 | 2017-11-24 | 上海交通大学 | 飞行员工作状态识别模型的建模方法 |
CN109800884A (zh) * | 2017-11-14 | 2019-05-24 | 阿里巴巴集团控股有限公司 | 模型参数的处理方法、装置、设备和计算机存储介质 |
CN108983179A (zh) * | 2018-06-28 | 2018-12-11 | 浙江大学 | 一种群智能敏捷的雷达海上目标检测系统 |
CN109934348A (zh) * | 2018-09-04 | 2019-06-25 | 中国平安人寿保险股份有限公司 | 机器学习模型超参数推断方法及装置、介质、电子设备 |
CN109507888A (zh) * | 2018-12-28 | 2019-03-22 | 浙江大学 | 基于集成学习的丙烯聚合生产过程最优在线预报系统 |
CN110085255A (zh) * | 2019-03-27 | 2019-08-02 | 河海大学常州校区 | 语音转换基于深度内核学习高斯过程回归建模方法 |
CN110413494A (zh) * | 2019-06-19 | 2019-11-05 | 浙江工业大学 | 一种改进贝叶斯优化的LightGBM故障诊断方法 |
CN112418476A (zh) * | 2019-08-23 | 2021-02-26 | 武汉剑心科技有限公司 | 一种超短期电力负荷预测方法 |
CN110918651A (zh) * | 2019-12-06 | 2020-03-27 | 东北大学 | 基于多分类支持向量机的钢铁冷轧精整生产原料分配方法 |
CN111260073A (zh) * | 2020-01-09 | 2020-06-09 | 京东数字科技控股有限公司 | 数据处理方法、装置和计算机可读存储介质 |
CN111460379A (zh) * | 2020-03-30 | 2020-07-28 | 上海交通大学 | 基于高斯过程回归的多工况动力系统性能预测方法及系统 |
CN111612528A (zh) * | 2020-04-30 | 2020-09-01 | 中国移动通信集团江苏有限公司 | 用户分类模型的确定方法、装置、设备及存储介质 |
CN111582374A (zh) * | 2020-05-09 | 2020-08-25 | 北京百度网讯科技有限公司 | 超参数搜索方法、装置、设备以及存储介质 |
CN112327219A (zh) * | 2020-10-29 | 2021-02-05 | 国网福建省电力有限公司南平供电公司 | 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法 |
CN112399458A (zh) * | 2020-11-16 | 2021-02-23 | 北京弘光浩宇科技有限公司 | 一种移动通信网络流量的大数据分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112487173A (zh) | 人机对话方法、设备和存储介质 | |
CN113095336A (zh) | 关键点检测模型的训练方法和检测目标对象关键点的方法 | |
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN113627536B (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN112580733A (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN113378855A (zh) | 用于处理多任务的方法、相关装置及计算机程序产品 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN112580666A (zh) | 图像特征的提取方法、训练方法、装置、电子设备及介质 | |
CN115147680A (zh) | 目标检测模型的预训练方法、装置以及设备 | |
CN113627361B (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN114186681A (zh) | 用于生成模型簇的方法、装置及计算机程序产品 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
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 | |
CN113361621A (zh) | 用于训练模型的方法和装置 | |
CN113052325A (zh) | 在线模型的优化方法、装置、设备、存储介质及程序产品 | |
CN116257611B (zh) | 问答模型的训练方法、问答处理方法、装置及存储介质 | |
CN114494818B (zh) | 图像处理方法、模型训练方法、相关装置及电子设备 | |
CN116416500B (zh) | 图像识别模型训练方法、图像识别方法、装置及电子设备 | |
CN112560481B (zh) | 语句处理方法、设备和存储介质 | |
CN115131709B (zh) | 视频类别预测方法、视频类别预测模型的训练方法及装置 | |
CN114692866A (zh) | 用于辅助模型训练的方法、装置及计算机程序产品 | |
CN112579842A (zh) | 模型搜索方法、装置、电子设备、存储介质和程序产品 |
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 |