CN113468857B - 风格转换模型的训练方法、装置、电子设备以及存储介质 - Google Patents
风格转换模型的训练方法、装置、电子设备以及存储介质 Download PDFInfo
- Publication number
- CN113468857B CN113468857B CN202110791488.4A CN202110791488A CN113468857B CN 113468857 B CN113468857 B CN 113468857B CN 202110791488 A CN202110791488 A CN 202110791488A CN 113468857 B CN113468857 B CN 113468857B
- Authority
- CN
- China
- Prior art keywords
- style
- layer
- training
- sample text
- text
- 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
- 238000012549 training Methods 0.000 title claims abstract description 168
- 238000006243 chemical reaction Methods 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000013598 vector Substances 0.000 claims description 84
- 230000006870 function Effects 0.000 claims description 45
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000003058 natural language processing Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000008451 emotion Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000008569 process 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
- 230000002996 emotional effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/12—Use of codes for handling textual entities
- G06F40/151—Transformation
- G06F40/16—Automatic learning of transformation rules, e.g. from examples
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/35—Clustering; Classification
-
- 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)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了一种风格转换模型的训练方法、装置、电子设备以及存储介质,涉及人工智能技术领域,具体涉及自然语言处理、深度学习技术领域。具体实现方案为:获取训练语料,其中,训练语料包括:原始风格的样本文本以及目标风格的样本文本;构建初始的训练模型,其中,训练模型包括:编码层、分别与编码层连接的分类层和解码层;以原始风格的样本文本作为编码层的输入特征和解码层的输出特征,以目标风格的样本文本作为分类层的输入特征,对训练模型进行训练;根据训练好的训练模型中的编码层,生成从原始风格的文本至目标风格的文本的风格转换模型,不需要获取内容相同且风格不同的样本文本进行训练,降低了风格转换模型的训练成本。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及自然语言处理、深度学习技术领域,尤其涉及风格转换模型的训练方法、装置、电子设备以及存储介质。
背景技术
目前,风格转换模型的训练方法为,获取大量的样本文本对,其中,样本文本对包括原始风格的样本文本和目标风格的样本文本,且原始风格的样本文本和目标风格的样本文本的内容相同;采用大量的样本文本对对初始的循环神经网络模型进行训练得到风格转换模型。其中,样本文本对难以获取,导致风格转换模型的训练成本较高。
发明内容
本公开提供了一种风格转换模型的训练方法、装置、电子设备以及存储介质。
根据本公开的一方面,提供了一种风格转换模型的训练方法,包括:获取训练语料,其中,所述训练语料包括:原始风格的样本文本以及目标风格的样本文本;构建初始的训练模型,其中,所述训练模型包括:编码层、分别与所述编码层连接的分类层和解码层;以所述原始风格的样本文本作为所述编码层的输入特征和所述解码层的输出特征,以所述目标风格的样本文本作为所述分类层的输入特征,对所述训练模型进行训练;根据训练好的训练模型中的所述编码层,生成从所述原始风格的文本至所述目标风格的文本的风格转换模型。
根据本公开的另一方面,提供了一种风格转换模型的训练装置,包括:获取模块,用于获取训练语料,其中,所述训练语料包括:原始风格的样本文本以及目标风格的样本文本;构建模块,用于构建初始的训练模型,其中,所述训练模型包括:编码层、分别与所述编码层连接的分类层和解码层;训练模块,用于以所述原始风格的样本文本作为所述编码层的输入特征和所述解码层的输出特征,以所述目标风格的样本文本作为所述分类层的输入特征,对所述训练模型进行训练;生成模块,用于根据训练好的训练模型中的所述编码层,生成从所述原始风格的文本至所述目标风格的文本的风格转换模型。
根据本公开的又一方面,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本公开上述一方面提出的风格转换模型的训练方法。
根据本公开的再一方面,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,所述计算机指令用于使所述计算机执行本公开上述一方面提出的风格转换模型的训练方法。
根据本公开的再一方面,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本公开上述一方面提出的风格转换模型的训练方法。
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
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是根据本公开第一实施例的示意图;
图2是根据本公开第二实施例的示意图;
图3是训练模型的示意图;
图4是根据本公开第三实施例的示意图;
图5是用来实现本公开实施例的示例电子设备的框图;
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。
相关技术中,风格转换模型的训练方法为,获取大量的样本文本对,其中,样本文本对包括原始风格的样本文本和目标风格的样本文本,且原始风格的样本文本和目标风格的样本文本的内容相同;采用大量的样本文本对对初始的循环神经网络模型进行训练得到风格转换模型。其中,样本文本对难以获取,导致风格转换模型的训练成本较高。
针对上述问题,本公开提出一种风格转换模型的训练方法、装置、电子设备以及存储介质。
图1是根据本公开第一实施例的示意图,需要说明的是,本公开实施例的风格转换模型的训练方法可应用于本公开实施例的风格转换模型的训练装置,该装置可被配置于电子设备中,以使该电子设备可以执行风格转换模型的训练功能。
其中,电子设备可以为任一具有计算能力的设备,例如可以为个人电脑(PersonalComputer,简称PC)、移动终端、服务器等,移动终端例如可以为车载设备、手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。
如图1所示,该风格转换模型的训练方法可以包括如下步骤:
步骤101,获取训练语料,其中,训练语料包括:原始风格的样本文本以及目标风格的样本文本。
在本公开实施例中,原始风格和目标风格具体可以为情感风格,表征不同的情感。其中,情感风格例如,悲伤、积极、乐观、消极等。情感风格为积极的文本,例如“这款手机的音质令人惊叹”;情感风格为消极的文本,例如“这款相机的电池续航时间太短”。
在本公开实施例中,原始风格的样本文本以及目标风格的样本文本的内容相同或者不同。例如,以原始风格为积极,目标风格为消极为例,原始风格的样本文本可以为“这款手机的音质令人惊叹”;目标风格的样本文本可以为“这款相机的电池续航时间太短”。
因此,本公开中不限定原始风格的样本文本以及目标风格的样本文本必须内容相同,原始风格的样本文本以及目标风格的样本文本也可以内容不同。而带情感风格的文本比较容易获取,从而降低了训练语料的获取成本,进而降低了风格转换模型的训练成本。
步骤102,构建初始的训练模型,其中,训练模型包括:编码层、分别与编码层连接的分类层和解码层。
在本公开实施例中,编码层的输出,分别为分类层的输入和解码层的输入。其中,编码层用于对输入内容进行编码处理,解码层用于对编码层的输出内容进行解码处理,分类层用于对编码层的输出内容进行分类处理。其中,解码层与编码层对应,用于对编码层的输出内容进行解码处理,以获取编码层的输入内容。
步骤103,以原始风格的样本文本作为编码层的输入特征和解码层的输出特征,以目标风格的样本文本作为分类层的输入特征,对训练模型进行训练。
在本公开实施例中,风格转换模型的训练装置执行步骤103的过程例如可以为,根据原始风格的样本文本,确定原始风格的样本文本向量;根据目标风格的样本文本,确定目标风格的样本文本向量;以原始风格的样本文本向量作为编码层的输入特征和解码层的输出特征,以目标风格的样本文本向量作为分类层的输入特征,对训练模型进行训练。
因此,在一种示例中,编码层的输入可以为原始风格的样本文本,分类层的输入可以包括目标风格的样本文本,解码层的输出可以为原始风格的预测文本。对应的,编码层用于对原始风格的样本文本进行向量转换以及编码处理,得到中间向量;解码层用于对中间向量进行解码以及向量转换处理,得到原始风格的预测文本;分类层用于基于中间向量以及目标风格的样本文本进行风格分类处理,确定中间向量对应的文本的风格为目标风格的概率。结合分类层的输出以及解码层的输出对训练模型进行训练。
在另一种示例中,编码层的输入可以为原始风格的样本文本向量,分类层的输入可以包括目标风格的样本文本向量,解码层的输出可以为原始风格的预测文本向量。对应的,编码层用于对原始风格的样本文本向量进行编码处理,得到中间向量;解码层用于对中间向量进行解码处理,得到原始风格的预测文本向量;分类层用于基于中间向量以及目标风格的样本文本向量进行风格分类处理,确定中间向量对应的文本的风格为目标风格的概率。结合分类层的输出以及解码层的输出对训练模型进行训练。
在本公开实施例中,原始风格的样本文本向量,可以为将原始风格的样本文本输入词向量模型后得到的向量;目标风格的样本文本向量,可以为将目标风格的样本文本输入词向量模型后得到的向量。其中,词向量模型例如可以为word2vec模型。
步骤104,根据训练好的训练模型中的编码层,生成从原始风格的文本至目标风格的文本的风格转换模型。
在本公开实施例中,在一种示例中,编码层的输入可以为原始风格的样本文本,分类层的输入可以包括目标风格的样本文本,解码层的输出可以为原始风格的预测文本。对应的,风格转换模型的训练装置可以根据训练好的训练模型中的编码层,以及预设的向量预测层,生成风格转换模型。即,风格转换模型包括:编码层以及与编码层连接的向量预测层。其中,向量预测层用于对编码层输出的中间向量进行向量转换,得到目标风格的预测文本。
在另一种示例中,编码层的输入可以为原始风格的样本文本向量,分类层的输入可以包括目标风格的样本文本向量,解码层的输出可以为原始风格的预测文本向量。对应的,风格转换模型的训练装置可以直接将训练好的训练模型中的编码层,作为从原始风格的文本至目标风格的文本的风格转换模型。
本公开实施例的风格转换模型的训练方法,通过获取训练语料,其中,训练语料包括:原始风格的样本文本以及目标风格的样本文本;构建初始的训练模型,其中,训练模型包括:编码层、分别与编码层连接的分类层和解码层;以原始风格的样本文本作为编码层的输入特征和解码层的输出特征,以目标风格的样本文本作为分类层的输入特征,对训练模型进行训练;根据训练好的训练模型中的编码层,生成从原始风格的文本至目标风格的文本的风格转换模型,从而能够根据内容不同且风格不同的样本文本对初始的训练模型进行训练,以得到训练好的风格转换模型,不需要获取内容相同且风格不同的样本文本进行训练,降低了风格转换模型的训练成本。
为了进一步提高风格转换模型的准确度,如图2所示,图2是根据本公开第二实施例的示意图,在本公开实施例中,可以根据原始风格的样本文本、解码层输出的原始风格的预测文本以及分类层输出的分类结果构建损失函数,对训练模型的系数进行调整。图2所示实施例可以包括以下步骤:
步骤201,获取训练语料,其中,训练语料包括:原始风格的样本文本以及目标风格的样本文本。
步骤202,构建初始的训练模型,其中,训练模型包括:编码层、分别与编码层连接的分类层和解码层。
步骤203,根据原始风格的样本文本以及原始风格的预测文本构建第一子损失函数。
在本公开实施例中,第一子损失函数例如可以为,原始风格的样本文本向量以及原始风格的预测文本向量的余弦相似度的负数。其中,两个向量越相似,则余弦相似度的数值越大,因此,需要以原始风格的样本文本向量以及原始风格的预测文本向量的余弦相似度的负数作为第一子损失函数,使得当原始风格的样本文本向量以及原始风格的预测文本向量越相似时,第一子损失函数越小。
步骤204,根据分类结果以及目标概率构建第二子损失函数,其中,分类结果表征编码层输出的中间向量的风格为目标风格的概率。
在本公开实施例中,第二子损失函数例如可以为分类结果以及目标概率的差值,或者差值的绝对值。例如,以分类层为sigmoid层为例,sigmoid层的输出结果具体为中间向量对应的文本的风格为目标风格的概率,也就是说,中间向量对应的文本的风格与目标风格越相似,概率越高。其中,中间向量对应的文本的风格为目标风格时,概率为1。因此,在分类层为sigmoid层的情况下,目标概率具体可以为1。
又例如,以分类层为softmax层为例,softmax层的输出结果具体为对中间向量对应的文本的风格为目标风格的概率以及输入的文本向量对应的文本的风格为目标风格的概率。其中,当中间向量对应的文本的风格为目标风格时,softmax层难以从风格上区分中间向量和输入的文本向量,因此,中间向量对应的文本的风格为目标风格的概率和输入的文本向量对应的文本的概率分别为0.5。其中,输入的文本向量对应的文本,即为目标风格的样本文本。因此,在分类层为softmax层的情况下,目标概率具体可以为0.5。
步骤205,根据第一子损失函数和第二子损失函数,构建损失函数。
在本公开实施例中,风格转换模型的训练装置,可以先确定第一子损失函数的权重和第二子损失函数的权重;根据权重对第一子损失函数和第二子损失函数进行加权求和,得到损失函数。
步骤206,根据损失函数的值,对训练模型中各层的系数进行调整,以实现训练。
步骤207,根据训练好的训练模型中的编码层,生成从原始风格的文本至目标风格的文本的风格转换模型。
需要说明的是,步骤201、202和207可以分别采用本公开的各实施例中的任一种方式实现,本公开实施例并不对此作出限定,也不再赘述。
本公开实施例的风格转换模型的训练方法,通过获取训练语料,其中,训练语料包括:原始风格的样本文本以及目标风格的样本文本;构建初始的训练模型,其中,训练模型包括:编码层、分别与编码层连接的分类层和解码层;根据原始风格的样本文本以及原始风格的预测文本构建第一子损失函数;根据分类结果以及目标概率构建第二子损失函数,其中,分类结果表征编码层输出的中间向量的风格为目标风格的概率;根据第一子损失函数和第二子损失函数,构建损失函数;根据损失函数的值,对训练模型中各层的系数进行调整,以实现训练;根据训练好的训练模型中的编码层,生成从原始风格的文本至目标风格的文本的风格转换模型,从而能够根据内容不同且风格不同的样本文本对初始的训练模型进行训练,以得到训练好的风格转换模型,不需要获取内容相同且风格不同的样本文本进行训练,降低了风格转换模型的训练成本。
为了使本领域技术人员更加清楚地了解本公开,现举例进行说明。
图3为训练模型的示意图。如图3所示,训练模型可以包括:编码层、解码层和分类层。编码层的输入向量为原始风格的样本文本向量,编码层的输出向量为中间向量;中间向量输入解码层后,解码层输出的输出向量为原始风格的预测文本向量。图3中的自监督loss为原始风格的样本文本向量以及原始风格的预测文本向量的余弦相似度的负数;分类loss为分类结果以及目标概率的差值,或者差值的绝对值,其中,分类结果表征编码层输出的中间向量的风格为目标风格的概率。结合自监督loss以及分类loss对训练模型进行训练,使得训练好的训练模型中编码层输出的中间向量对应的文本的风格为目标风格的概率为目标概率。
在本公开实施例中,图3中的编码层和解码层例如可以为循环神经网络层。其中,循环神经网络层的循环神经网络例如可以为长短期记忆神经网络(Long Short-TermMemory,LSTM)。
为了实现上述实施例,本公开实施例还提出一种风格转换模型的训练装置。
图4是根据本公开第三实施例的示意图,如图4所示,该风格转换模型的训练装置400包括:获取模块410、构建模块420、训练模块430、生成模块440。
其中,获取模块410,用于获取训练语料,其中,训练语料包括:原始风格的样本文本以及目标风格的样本文本。
构建模块420,用于构建初始的训练模型,其中,训练模型包括:编码层、分别与编码层连接的分类层和解码层。
训练模块430,用于以原始风格的样本文本作为编码层的输入特征和解码层的输出特征,以目标风格的样本文本作为分类层的输入特征,对训练模型进行训练。
生成模块440,用于根据训练好的训练模型中的编码层,生成从原始风格的文本至目标风格的文本的风格转换模型。
作为本公开实施例的一种可能实现的方式,其中,训练模块430具体用于,
根据原始风格的样本文本、解码层输出的原始风格的预测文本以及分类层输出的分类结果构建损失函数;
根据损失函数的值,对训练模型中各层的系数进行调整,以实现训练。
作为本公开实施例的一种可能实现的方式,其中,训练模块430具体用于,
根据原始风格的样本文本以及原始风格的预测文本构建第一子损失函数;
根据分类结果以及目标概率构建第二子损失函数,其中,分类结果表征编码层输出的中间向量的风格为目标风格的概率;
根据第一子损失函数和第二子损失函数,构建损失函数。
作为本公开实施例的一种可能实现的方式,其中,训练模块430具体用于,
根据原始风格的样本文本,确定原始风格的样本文本向量;
根据目标风格的样本文本,确定目标风格的样本文本向量;
以原始风格的样本文本向量作为编码层的输入特征和解码层的输出特征,以目标风格的样本文本向量作为分类层的输入特征,对训练模型进行训练。
作为本公开实施例的一种可能实现的方式,其中,生成模块440具体用于,
根据训练好的训练模型中的编码层,以及预设的向量预测层,生成风格转换模型。
作为本公开实施例的一种可能实现的方式,其中,原始风格的样本文本以及目标风格的样本文本的内容相同或者不同。
本公开实施例的风格转换模型的训练装置,通过获取训练语料,其中,训练语料包括:原始风格的样本文本以及目标风格的样本文本;构建初始的训练模型,其中,训练模型包括:编码层、分别与编码层连接的分类层和解码层;以原始风格的样本文本作为编码层的输入特征和解码层的输出特征,以目标风格的样本文本作为分类层的输入特征,对训练模型进行训练;根据训练好的训练模型中的编码层,生成从原始风格的文本至目标风格的文本的风格转换模型,从而能够根据内容不同且风格不同的样本文本对初始的训练模型进行训练,以得到训练好的风格转换模型,不需要获取内容相同且风格不同的样本文本进行训练,降低了风格转换模型的训练成本。
本公开的技术方案中,所涉及的用户个人信息的获取,存储和应用等,均符合相关法律法规的规定,且不违背公序良俗。
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。
本公开提供的计算机程序产品,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上所述的风格转换模型的训练方法。
图5示出了可以用来实现本公开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,例如风格转换模型的训练方法。例如,在一些实施例中,风格转换模型的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风格转换模型的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)而被配置为执行风格转换模型的训练方法。
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,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 (11)
1.一种风格转换模型的训练方法,包括:
获取训练语料,其中,所述训练语料包括:原始风格的样本文本以及目标风格的样本文本;
构建初始的训练模型,其中,所述训练模型包括:编码层、分别与所述编码层连接的分类层和解码层;以所述原始风格的样本文本作为所述编码层的输入特征和以所述原始风格的预测文本作为所述解码层的输出特征,以所述目标风格的样本文本作为所述分类层的输入特征,对所述训练模型进行训练;
根据训练好的训练模型中的所述编码层,生成从所述原始风格的文本至所述目标风格的文本的风格转换模型;
其中,所述对所述训练模型进行训练,包括:
根据所述原始风格的样本文本以及所述解码层输出的原始风格的预测文本构建第一子损失函数;
根据所述分类层输出的分类结果以及目标概率构建第二子损失函数,其中,所述分类结果表征所述编码层输出的中间向量的风格为所述目标风格的概率;
根据所述第一子损失函数和所述第二子损失函数,构建所述损失函数;
根据所述损失函数的值,对所述训练模型中各层的系数进行调整,以实现训练。
2.根据权利要求1所述的方法,其中,所述以所述原始风格的样本文本作为所述编码层的输入特征和所述解码层的输出特征,以所述目标风格的样本文本作为所述分类层的输入特征,对所述训练模型进行训练,包括:
根据所述原始风格的样本文本,确定所述原始风格的样本文本向量;
根据所述目标风格的样本文本,确定所述目标风格的样本文本向量;
以所述原始风格的样本文本向量作为所述编码层的输入特征和所述解码层的输出特征,以所述目标风格的样本文本向量作为所述分类层的输入特征,对所述训练模型进行训练。
3.根据权利要求2所述的方法,其中,所述根据训练好的训练模型中的所述编码层,生成从所述原始风格的文本至所述目标风格的文本的风格转换模型,包括:
根据训练好的训练模型中的所述编码层,以及预设的向量预测层,生成所述风格转换模型。
4.根据权利要求1所述的方法,其中,所述原始风格的样本文本以及所述目标风格的样本文本的内容相同或者不同。
5.一种风格转换模型的训练装置,包括:
获取模块,用于获取训练语料,其中,所述训练语料包括:原始风格的样本文本以及目标风格的样本文本;
构建模块,用于构建初始的训练模型,其中,所述训练模型包括:编码层、分别与所述编码层连接的分类层和解码层;
训练模块,用于以所述原始风格的样本文本作为所述编码层的输入特征和以所述原始风格的预测文本作为所述解码层的输出特征,以所述目标风格的样本文本作为所述分类层的输入特征,对所述训练模型进行训练;
生成模块,用于根据训练好的训练模型中的所述编码层,生成从所述原始风格的文本至所述目标风格的文本的风格转换模型;
其中,所述训练模块具体用于,
根据所述原始风格的样本文本以及所述解码层输出的原始风格的预测文本构建第一子损失函数;
根据所述分类层输出的分类结果以及目标概率构建第二子损失函数,其中,所述分类结果表征所述编码层输出的中间向量的风格为所述目标风格的概率;
根据所述第一子损失函数和所述第二子损失函数,构建所述损失函数;
根据所述损失函数的值,对所述训练模型中各层的系数进行调整,以实现训练。
6.根据权利要求5所述的装置,其中,所述训练模块具体用于,
根据所述原始风格的样本文本,确定所述原始风格的样本文本向量;
根据所述目标风格的样本文本,确定所述目标风格的样本文本向量;
以所述原始风格的样本文本向量作为所述编码层的输入特征和所述解码层的输出特征,以所述目标风格的样本文本向量作为所述分类层的输入特征,对所述训练模型进行训练。
7.根据权利要求6所述的装置,其中,所述生成模块具体用于,
根据训练好的训练模型中的所述编码层,以及预设的向量预测层,生成所述风格转换模型。
8.根据权利要求5所述的装置,其中,所述原始风格的样本文本以及所述目标风格的样本文本的内容相同或者不同。
9. 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1-4中任一项所述的方法。
10.一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1-4中任一项所述的方法。
11.一种计算机程序产品,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1-4中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791488.4A CN113468857B (zh) | 2021-07-13 | 2021-07-13 | 风格转换模型的训练方法、装置、电子设备以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110791488.4A CN113468857B (zh) | 2021-07-13 | 2021-07-13 | 风格转换模型的训练方法、装置、电子设备以及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113468857A CN113468857A (zh) | 2021-10-01 |
CN113468857B true CN113468857B (zh) | 2024-03-29 |
Family
ID=77880240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110791488.4A Active CN113468857B (zh) | 2021-07-13 | 2021-07-13 | 风格转换模型的训练方法、装置、电子设备以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113468857B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115879469B (zh) * | 2022-12-30 | 2023-10-03 | 北京百度网讯科技有限公司 | 文本数据处理方法、模型训练方法、装置及介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189985A (zh) * | 2018-08-17 | 2019-01-11 | 北京达佳互联信息技术有限公司 | 文本风格处理方法、装置、电子设备及存储介质 |
CN111767744A (zh) * | 2020-07-06 | 2020-10-13 | 北京猿力未来科技有限公司 | 文本风格迁移系统的训练方法及装置 |
CN111797597A (zh) * | 2019-04-01 | 2020-10-20 | 国际商业机器公司 | 可控的基于风格的文本转换 |
CN111931496A (zh) * | 2020-07-08 | 2020-11-13 | 广东工业大学 | 一种基于递归神经网络模型的文本风格转换系统及方法 |
CN112016271A (zh) * | 2019-05-30 | 2020-12-01 | 北京三星通信技术研究有限公司 | 语言风格转换模型的训练方法、文本处理方法以及装置 |
JP2021026760A (ja) * | 2019-07-31 | 2021-02-22 | 株式会社Nttドコモ | 機械翻訳装置及び方法 |
KR102229572B1 (ko) * | 2019-11-28 | 2021-03-18 | 영남대학교 산학협력단 | 영상 스타일 변환 장치 및 방법 |
CN112785493A (zh) * | 2021-01-22 | 2021-05-11 | 北京百度网讯科技有限公司 | 模型的训练方法、风格迁移方法、装置、设备及存储介质 |
CN112819686A (zh) * | 2020-08-18 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像风格处理方法、装置及电子设备 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3128439A1 (en) * | 2015-08-07 | 2017-02-08 | Google, Inc. | Text classification and transformation based on author |
US10832387B2 (en) * | 2017-07-19 | 2020-11-10 | Petuum Inc. | Real-time intelligent image manipulation system |
US11210477B2 (en) * | 2019-05-09 | 2021-12-28 | Adobe Inc. | Systems and methods for transferring stylistic expression in machine translation of sequence data |
-
2021
- 2021-07-13 CN CN202110791488.4A patent/CN113468857B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109189985A (zh) * | 2018-08-17 | 2019-01-11 | 北京达佳互联信息技术有限公司 | 文本风格处理方法、装置、电子设备及存储介质 |
CN111797597A (zh) * | 2019-04-01 | 2020-10-20 | 国际商业机器公司 | 可控的基于风格的文本转换 |
CN112016271A (zh) * | 2019-05-30 | 2020-12-01 | 北京三星通信技术研究有限公司 | 语言风格转换模型的训练方法、文本处理方法以及装置 |
JP2021026760A (ja) * | 2019-07-31 | 2021-02-22 | 株式会社Nttドコモ | 機械翻訳装置及び方法 |
KR102229572B1 (ko) * | 2019-11-28 | 2021-03-18 | 영남대학교 산학협력단 | 영상 스타일 변환 장치 및 방법 |
CN111767744A (zh) * | 2020-07-06 | 2020-10-13 | 北京猿力未来科技有限公司 | 文本风格迁移系统的训练方法及装置 |
CN111931496A (zh) * | 2020-07-08 | 2020-11-13 | 广东工业大学 | 一种基于递归神经网络模型的文本风格转换系统及方法 |
CN112819686A (zh) * | 2020-08-18 | 2021-05-18 | 腾讯科技(深圳)有限公司 | 基于人工智能的图像风格处理方法、装置及电子设备 |
CN112785493A (zh) * | 2021-01-22 | 2021-05-11 | 北京百度网讯科技有限公司 | 模型的训练方法、风格迁移方法、装置、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
Image Artistic Style Migration Based on Convolutional Neural Network;Wei Wang等;IEEE;20190103;969-972 * |
图像风格迁移方法研究;侯玉兵;;中国新通信;20200905(17);138-139 * |
基于变分自编码器的无监督文本风格转换;聂锦燃;魏蛟龙;唐祖平;;中文信息学报;20200715(07);83-92 * |
基于生成对抗网络的图片风格迁移;许哲豪;陈玮;;软件导刊;20180529(06);211-213+216+232 * |
Also Published As
Publication number | Publication date |
---|---|
CN113468857A (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113553864B (zh) | 翻译模型的训练方法、装置、电子设备及存储介质 | |
CN113239705B (zh) | 语义表示模型的预训练方法、装置、电子设备和存储介质 | |
CN113590858B (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
CN114861889B (zh) | 深度学习模型的训练方法、目标对象检测方法和装置 | |
CN115309877B (zh) | 对话生成方法、对话模型训练方法及装置 | |
CN112506359B (zh) | 输入法中候选长句的提供方法、装置及电子设备 | |
CN113240177B (zh) | 训练预测模型的方法、预测方法、装置、电子设备及介质 | |
CN112906368B (zh) | 行业文本增量方法、相关装置及计算机程序产品 | |
CN112910761B (zh) | 即时通讯方法、装置、设备、存储介质以及程序产品 | |
CN113468857B (zh) | 风格转换模型的训练方法、装置、电子设备以及存储介质 | |
CN113360683A (zh) | 训练跨模态检索模型的方法以及跨模态检索方法和装置 | |
CN116579407A (zh) | 神经网络模型的压缩方法、训练方法、处理方法和装置 | |
CN113222414B (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN113792876A (zh) | 骨干网络的生成方法、装置、设备以及存储介质 | |
CN113553413A (zh) | 对话状态的生成方法、装置、电子设备和存储介质 | |
CN112948584A (zh) | 短文本分类方法、装置、设备以及存储介质 | |
CN113362428B (zh) | 用于配置颜色的方法、装置、设备、介质和产品 | |
CN116257611B (zh) | 问答模型的训练方法、问答处理方法、装置及存储介质 | |
CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
CN113344405B (zh) | 基于知识图谱生成信息的方法、装置、设备、介质和产品 | |
CN115169549B (zh) | 人工智能模型更新方法、装置、电子设备及存储介质 | |
CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
CN116451770B (zh) | 神经网络模型的压缩方法、训练方法、处理方法和装置 |
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 |