CN113553864A - 翻译模型的训练方法、装置、电子设备及存储介质 - Google Patents
翻译模型的训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113553864A CN113553864A CN202110737812.4A CN202110737812A CN113553864A CN 113553864 A CN113553864 A CN 113553864A CN 202110737812 A CN202110737812 A CN 202110737812A CN 113553864 A CN113553864 A CN 113553864A
- Authority
- CN
- China
- Prior art keywords
- text sample
- neural network
- masked
- network model
- deep neural
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/40—Processing or translation of natural language
- G06F40/58—Use of machine translation, e.g. for multi-lingual retrieval, for server-side translation for client devices or for real-time translation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Machine Translation (AREA)
Abstract
本公开提出了翻译模型的训练方法、装置、电子设备及存储介质,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:通过获取训练语料,其中,训练语料包括:源文本样本以及对应的目标文本样本;对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,并将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,对深度神经网络模型进行训练,使得深度神经网络模型可对待掩码字符进行预测,学习到部分语言知识,进而将该深度神经网络模型应用于实际翻译任务时,可提高翻译的准确度。
Description
技术领域
本公开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,尤其涉及翻译模型的训练方法、装置、电子设备及存储介质。
背景技术
机器翻译,是将一种源语言翻译成目标语言的过程。目前,神经机器翻译是一个主流的翻译框架,神经机器翻译是端到端的模型结构,神经机器翻译可包含编码端、解码端。为了提高机器翻译模型的性能,可在编码端或者解码端引入预训练语言模型。
发明内容
本公开提供了一种用于翻译模型的训练方法、装置、电子设备及存储介质。
根据本公开的一方面,提供了一种翻译模型的训练方法,包括:获取训练语料,其中,所述训练语料包括:源文本样本以及对应的目标文本样本;对所述源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;将所述源文本样本和所述掩码文本样本作为深度神经网络模型的输入特征,并将所述目标文本样本和所述待掩码字符作为所述深度神经网络模型的输出特征,对所述深度神经网络模型进行训练。
根据本公开的另一方面,提供了一种翻译模型的训练装置,包括:获取模块,用于获取训练语料,其中,所述训练语料包括:源文本样本以及对应的目标文本样本;处理模块,用于对所述源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;训练模块,用于将所述源文本样本和所述掩码文本样本作为深度神经网络模型的输入特征,并将所述目标文本样本和所述待掩码字符作为所述深度神经网络模型的输出特征,对所述深度神经网络模型进行训练。
根据本公开的另一方面,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第一方面实施例所述的方法。
根据本公开的另一方面,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,其中,所述计算机指令用于使所述计算机执行本公开第一方面实施例所述的方法。
根据本公开的另一方面,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第一方面实施例所述的方法。
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
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是根据本公开第三实施例的示意图;
图4是根据本公开第四实施例的示意图;
图5是根据本公开实施例的翻译模型的训练方法的示意图;
图6是根据本公开第五实施例的示意图;
图7是用来实现本公开实施例的翻译模型的训练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。
机器翻译,是将一种源语言翻译成目标语言的过程。目前,神经机器翻译是一个主流的翻译框架,神经机器翻译是端到端的模型结构,神经机器翻译可包含编码端、解码端。为了提高机器翻译模型的性能,可在编码端或者解码端引入预训练语言模型。
相关技术中,将预训练语言模型Bert-fused model引入机器翻译模型的编码端或解码端,比如,将Bert表征输入到机器翻译模型的编码端、解码端的每一层中,用注意力机制控制每一层输入如何与Bert表征的交互,并处理分层不同的问题。与标准的机器翻译模型相比,增加Bert-fused model的机器翻译模型增加了2个注意力模型,即Bert-encoder注意力模块和Bert-decoder注意力模块。
但是,上述技术中在编码端或者解码端引入预训练的语言模型,会导致机器翻译模型参数量增大,训练麻烦,模型不易收敛,推理速度较慢,在实际翻译任务应用时,翻译准确度不高。
针对上述问题,本公开提出一种翻译模型的训练方法、装置、电子设备及存储介质。
图1是根据本公开第一实施例的示意图,需要说明的是,本公开实施例的翻译模型的训练方法可应用于本公开实施例的翻译模型的训练装置,该装置可被配置于电子设备中。其中,该电子设备可以是移动终端,例如,手机、平板电脑、个人数字助理等具有各种操作系统的硬件设备。
如图1所示,该翻译模型的训练方法可包括如下步骤:
步骤101,获取训练语料,其中,训练语料包括:源文本样本以及对应的目标文本样本。
在本公开实施例中,可从源语言文本中截取部分文本作为源文本样本,将源文本样本以与源文本不同的语言进行翻译,可得到与源文本样本对应的目标文本样本。比如,源文本样本为“我很好”,对应的目标文本样本可为“I am fine”。
步骤102,对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本。
可选地,可将源文本样本中的一个或多个字符作为待掩码字符,将源文本样本中的待掩码字符进行掩码处理,将掩码处理后的源文本样本作为掩码文本。比如,源文本样本为“我很好”,可将“我很好”中的“好”作为待掩码字符,将“我很好”中的“好”进行掩码处理,得到掩码文本样本“我很*”。
步骤103,将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,并将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,对深度神经网络模型进行训练。
进一步地,机器翻译模型可为深度神经网络模型,将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,对深度神经网络模型进行训练,使得深度模型可对待掩码字符进行预测,学习到部分语言知识。
接着,将训练好的深度神经网络模型应用于翻译任务时,在编码端可输入待翻译的源文本中的各个词的词向量和位置向量,可将编码端输出的编码结果以及解码端前一时刻预测得到的词的词向量以及位置向量输入解码端,使得解码端可根据前一时刻预测得到的词的词向量以及位置向量进行当前时刻的词的词向量以及位置向量的预测,解码端可输出更加准确的预测目标文本,提高了翻译的准确度。
综上,通过获取训练语料,其中,训练语料包括:源文本样本以及对应的目标文本样本;对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,并将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,对深度神经网络模型进行训练,使得深度神经网络模型可对待掩码字符进行预测,学习到部分语言知识,进而将该深度神经网络模型应用于实际翻译任务时,可提高翻译的准确度。
为了提高深度神经网络的鲁棒性,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,对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本的方式可包括以下中的至少一种:对源文本样本中的待掩码字符采用随机字符进行替换;对源文本样本中的待掩码字符采用预设标识符进行替换。图2所示实施例包括如下步骤:
步骤201,获取训练语料,其中,训练语料包括:源文本样本以及对应的目标文本样本。
步骤202,对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本的方式可包括以下中的至少一种:对源文本样本中的待掩码字符采用随机字符进行替换;对源文本样本中的待掩码字符采用预设标识符进行替换。
为了提高深度神经网络模型的鲁棒性,在本公开实施例中,待掩码字符可为源文本样本中的任意一个或者多个字符,进而,可将待掩码字符进行掩码处理,得到掩码文本样本。
作为一种示例,对源文本样本中的待掩码字符采用随机字符进行替换,将采用随机字符替换后的源文本样本作为掩码文本样本。比如,可采用随机字符库中的随机字符对源文本样本中的待掩码字符进行替换,获取掩码文本样本。
作为另一种示例,可预先设置标识符作为预设标识符,采用预设标识符对源文本样本中的待掩码字符进行替换,获取掩码文本样本。
作为另一种示例,同时采用采用随机字符和预设标识符对源文本样本中的待掩码字符进行替换,获取掩码文本样本。
步骤203,将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,并将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,对深度神经网络模型进行训练。
需要说明的是,步骤201、203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。
综上,通过获取训练语料,其中,训练语料包括:源文本样本以及对应的目标文本样本;对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本的方式可包括以下中的至少一种:对源文本样本中的待掩码字符采用随机字符进行替换;对源文本样本中的待掩码字符采用预设标识符进行替换;将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,并将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,对深度神经网络模型进行训练,使得深度神经网络模型可对源文本样本中的一个或多个待掩码字符进行预测,增强了深度神经网络模型的鲁棒性并学习到部分语言知识,进而将该深度神经网络模型应用于实际翻译任务时,可提高翻译的准确度。
为了提高深度神经网络模型的翻译准确度,同时使深度神经网络模型的训练更加简单,如图3所示,图3是根据本公开第三实施例的示意图,在本公开实施例中,可根据深度神经网络模型输出的预测目标文本以及预测掩码字符,结合目标文本样本、待掩码字符构建损失函数,根据该损失函数对深度神经网络模型进行训练,图3所示实施例可包括如下步骤:
步骤301,获取训练语料,其中,所述训练语料包括:源文本样本以及对应的目标文本样本。
步骤302,对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本。
步骤303,将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,并将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,获取深度神经网络模型输出的预测目标文本以及预测掩码字符。
可选地,获取深度神经网络模型的编码模块输出的编码结果;对编码结果进行预测,得到预测掩码字符;获取深度神经网络模型的解码模块输出的预测目标文本。
也就是说,可将源文本样本和掩码文本样本输入至深度神经网络模型的编码模块中,编码模块可输出对应的编码结果,将编码结果经过softmax函数处理,可得到预测掩码字符,将编码模块输出的编码结果,以及将源文本样本对应的目标文本样本输入深度神经网络模型中,深度神经网络模型的解码模块可输出预测目标文本样本。
步骤304,根据预测目标文本、目标文本样本、待掩码字符以及预测掩码字符构建损失函数。
为了提高深度神经网络模型训练的有效性以及推理速度,作为本公开实施例的一种可能实现方式,可根据预测目标文本以及目标文本样本构建第一子损失函数;根据待掩码字符以及预测掩码字符构建第二子损失函数;确定第一子损失函数的权重以及第二子损失函数的权重;根据第一子损失函数的权重以及第二子损失函数的权重,对第一子损失函数和第二子损失函数进行加权处理,得到损失函数。
也就是说,可将预测目标文本与目标文本样本进行比对,根据预测目标文本与目标文本样本的比对结果构建第一子损失函数;将待掩码字符与预测掩码字符进行比对,根据待掩码字符与预测掩码字符的比对结果确定第二子损失函数;可预先设置第一子损失函数和第二子损失函数的权重,根据第一子损失函数的权重以及第二子损失函数的权重,对第一子损失函数和第二子损失函数进行加权处理,得到损失函数。
步骤305,根据损失函数的值,对深度神经网络模型的系数进行调整,以实现训练。
进一步地,根据损失函数的值,对深度神经网络模型的系数进行调整,对深度神经网络进行训练,直至预测目标文本与目标文本样本一致、待掩码字符与预测掩码字符一致。
需要说明的是,步骤301、302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。
综上,通过获取训练语料,其中,所述训练语料包括:源文本样本以及对应的目标文本样本;对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,并将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,获取深度神经网络模型输出的预测目标文本以及预测掩码字符;根据预测目标文本、目标文本样本、待掩码字符以及预测掩码字符构建损失函数;根据损失函数的值,对深度神经网络模型的系数进行调整,以实现训练。由此,根据深度神经网络模型输出的预测目标文本以及预测掩码字符,结合目标文本样本、待掩码字符构建损失函数,根据该损失函数对深度神经网络模型进行训练,可提高深度神经网络模型训练的有效性以及推理速度,并使深度神经网络模型可对待掩码字符进行预测,学习到部分语言知识,进而将该深度神经网络模型应用于实际翻译任务时,可提高翻译的准确度。
为了提高深度神经网络模型的翻译准确度和推理速度,如图4所示,图4是根据本公开第四实施例的示意图,在本公开实施例中,在深度神经网络模型训练时,将源文本样本中各个词的词向量以及位置向量、掩码文本样本中各个词的词向量以及位置向量作为输入特征,并将目标文本样本和待掩码字符作为输出特征,对所述深度神经网络模型进行训练,图4所示实施例可包括如下步骤:
步骤401,获取训练语料,其中,训练语料包括:源文本样本以及对应的目标文本样本。
步骤402,对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本。
步骤403,确定源文本样本中各个词的词向量以及位置向量。
在本公开实施例中,可将源文本样本经过相关算法获取源文本样本中各个词向量,并根据源文本样本中各个词的位置信息特征确定各个词的位置向量。其中,需要说明的是,获取源文本样本中各个词向量的相关算法可包括word2vec(用来产生词向量的相关模型)、Bag of words(词袋模型)等。
步骤404,确定掩码文本样本中各个词的词向量以及位置向量。
同理,可将掩码文本样本经过相关算法获取掩码文本样本中各个词的词向量,并根据掩码文本样本中各个词的位置信息特征确定各个词的位置向量。
步骤405,将源文本样本中各个词的词向量以及位置向量、掩码文本样本中各个词的词向量以及位置向量作为输入特征,并将目标文本样本和待掩码字符作为输出特征,对深度神经网络模型进行训练。
进一步地,可将源文本样本中各个词的词向量以及位置向量、掩码文本样本中各个词的词向量以及位置向量输入至深度神经网络模型中,深度神经网络模型以目标文本样本和待掩码字符作为输出特征,对深度神经网络模型进行训练。
需要说明的是,步骤401、402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。
综上,通过获取训练语料,其中,训练语料包括:源文本样本以及对应的目标文本样本;对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;确定源文本样本中各个词的词向量以及位置向量;确定掩码文本样本中各个词的词向量以及位置向量;将源文本样本中各个词的词向量以及位置向量、掩码文本样本中各个词的词向量以及位置向量作为输入特征,并将目标文本样本和待掩码字符作为输出特征,对深度神经网络模型进行训练,由此,使得深度神经网络模型可对待掩码字符以及对应的位置进行预测,学习到部分语言知识,进而将该深度神经网络模型应用于实际翻译任务时,可提高翻译的准确度和推理速度。
为了使本领域技术人员更加清楚地了解本申请,现举例进行说明。
如图5所示,深度神经网络模型可包括Encoder(编码模块)、Decoder(解码模块)。将word+pos(源文本样本中各个词的词向量以及位置向量)、masked emb(掩码文本样本中各个词的词向量以及位置向量)输入至Encoder,Encoder可输出一个三维向量的编码结果,将该编码结果和与输入Encoder的源文本样本对应的目标文本样本中各个词的词向量以及位置向量输入Decoder,如,在Encoder输入“我很好”中各个词的词向量以及位置向量,以及掩码文本样本“我很*”中各个词的词向量以及位置向量,Encoder可输出一个三维向量的编码结果,可将Encoder输出的编码结果和“I am fine”中各个词的词向量以及位置向量输入Decoder。Decoder可根据目标文本样本(如,“I am fine”)输出预测目标文本,将Encode输出的编码结果经过softmax with cross entropy(计算交叉熵的softmax),可得到预测掩码字符,接着,softmax with cross entropy可根据Decoder输出的预测目标文本以及ground truth(目标文本样本)构建第一子损失函数Lossmt,以及预测掩码字符和待掩码字符(masked label)构建第二子损失函数Losslm,进一步地,对第一子损失函数和第二子损失函数进行加权处理,得到损失函数Loss,具体可表现为如下公式:
Loss=Losslm*a+Lossmt*(1-a);
其中,a表示损失函数的权重。
进而,根据该损失函数,可对深度神经网络模型进行训练。进一步地,将训练好的深度神经网络模型应用于翻译任务时,可在编码端输入待翻译的源文本中的各个词的词向量和位置向量;将编码端输出的编码结果输入解码端,为了使解码端输出的预测目标文本更加准确,可在解码端输入前一时刻预测得到的词的词向量以及位置向量,使得解码端可根据前一时刻预测得到的词的词向量以及位置向量进行当前时刻的词的词向量以及位置向量的预测。
本公开实施例的翻译模型的训练方法,通过获取训练语料,其中,训练语料包括:源文本样本以及对应的目标文本样本;对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,并将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,对深度神经网络模型进行训练,使得深度神经网络模型可对待掩码字符进行预测,学习到部分语言知识,进而将该深度神经网络模型应用于实际翻译任务时,可提高翻译的准确度。
为了实现上述实施例,本公开实施例还提出一种翻译模型的训练装置。
图6是根据本公开第五实施例的示意图,如图6所示,该翻译模型的训练装置包括:获取模块610、处理模块620、训练模块630。
其中,获取模块610,用于获取训练语料,其中,训练语料包括:源文本样本以及对应的目标文本样本;处理模块620,用于对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;训练模块630,用于将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,并将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,对深度神经网络模型进行训练。
作为本公开实施例的一种可能实现方式,处理模块620对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本的方式包括以下中的至少一种:对源文本样本中的待掩码字符采用随机字符进行替换;对源文本样本中的待掩码字符采用预设标识符进行替换。
作为本公开实施例的一种可能实现方式,待掩码字符为源文本样本中的任意一个或者多个字符。
作为本公开实施例的一种可能实现方式,训练模块630,具体用于:获取所述深度神经网络模型输出的预测目标文本以及预测掩码字符;根据所述预测目标文本、所述目标文本样本、所述待掩码字符以及所述预测掩码字符构建损失函数;根据损失函数的值,对深度神经网络模型的系数进行调整,以实现训练。
作为本公开实施例的一种可能实现方式,训练模块630,还用于:根据预测目标文本以及目标文本样本构建第一子损失函数;根据待掩码字符以及预测掩码字符构建第二子损失函数;确定第一子损失函数的权重以及第二子损失函数的权重;根据第一子损失函数的权重以及第二子损失函数的权重,对第一子损失函数和第二子损失函数进行加权处理,得到损失函数。
作为本公开实施例的一种可能实现方式,训练模块630,还用于:获取深度神经网络模型的编码模块输出的编码结果;对编码结果进行预测,得到预测掩码字符;获取深度神经网络模型的解码模块输出的预测目标文本。
作为本公开实施例的一种可能实现方式,训练模块630,还用于:确定源文本样本中各个词的词向量以及位置向量;确定掩码文本样本中各个词的词向量以及位置向量;将源文本样本中各个词的词向量以及位置向量、掩码文本样本中各个词的词向量以及位置向量作为输入特征,并将目标文本样本和待掩码字符作为所述输出特征,对深度神经网络模型进行训练。
本公开实施例的翻译模型的训练装置,通过获取训练语料,其中,训练语料包括:源文本样本以及对应的目标文本样本;对源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;将源文本样本和掩码文本样本作为深度神经网络模型的输入特征,并将目标文本样本和待掩码字符作为深度神经网络模型的输出特征,对深度神经网络模型进行训练,使得深度神经网络模型可对待掩码字符进行预测,学习到部分语言知识,进而将该深度神经网络模型应用于实际翻译任务时,可提高翻译的准确度。
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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如翻译模型的训练方法。例如,在一些实施例中,翻译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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的翻译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701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行翻译模型的训练方法。
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)、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。
其中,需要说明的是,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。
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 (17)
1.一种翻译模型的训练方法,其中,包括:
获取训练语料,其中,所述训练语料包括:源文本样本以及对应的目标文本样本;
对所述源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;
将所述源文本样本和所述掩码文本样本作为深度神经网络模型的输入特征,并将所述目标文本样本和所述待掩码字符作为所述深度神经网络模型的输出特征,对所述深度神经网络模型进行训练。
2.根据权利要求1所述的方法,其中,所述对所述源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本的方式包括以下中的至少一种:
对所述源文本样本中的所述待掩码字符采用随机字符进行替换;
对所述源文本样本中的所述待掩码字符采用预设标识符进行替换。
3.根据权利要求1或2所述的方法,其中,所述待掩码字符为所述源文本样本中的任意一个或者多个字符。
4.根据权利要求1所述的方法,其中,所述对所述深度神经网络模型进行训练,包括:
获取所述深度神经网络模型输出的预测目标文本以及预测掩码字符;
根据所述预测目标文本、所述目标文本样本、所述待掩码字符以及所述预测掩码字符构建损失函数;
根据所述损失函数的值,对所述深度神经网络模型的系数进行调整,以实现训练。
5.根据权利要求4所述的方法,其中,所述根据所述预测目标文本、所述目标文本样本、所述待掩码字符以及所述预测掩码字符构建损失函数,包括:
根据所述预测目标文本以及所述目标文本样本构建第一子损失函数;
根据所述待掩码字符以及所述预测掩码字符构建第二子损失函数;
确定所述第一子损失函数的权重以及所述第二子损失函数的权重;
根据所述第一子损失函数的权重以及所述第二子损失函数的权重,对所述第一子损失函数和所述第二子损失函数进行加权处理,得到所述损失函数。
6.根据权利要求4所述的方法,其中,所述获取所述深度神经网络模型输出的预测目标文本以及预测掩码字符,包括:
获取所述深度神经网络模型的编码模块输出的编码结果;
对所述编码结果进行预测,得到所述预测掩码字符;
获取所述深度神经网络模型的解码模块输出的所述预测目标文本。
7.根据权利要求1至6任一项所述的方法,其中,所述将所述源文本样本和所述掩码文本样本作为深度神经网络模型的输入特征,并将所述目标文本样本和所述待掩码字符作为所述深度神经网络模型的输出特征,对所述深度神经网络模型进行训练,包括:
确定所述源文本样本中各个词的词向量以及位置向量;
确定所述掩码文本样本中各个词的词向量以及位置向量;
将所述源文本样本中各个词的词向量以及位置向量、所述掩码文本样本中各个词的词向量以及位置向量作为所述输入特征,并将所述目标文本样本和所述待掩码字符作为所述输出特征,对所述深度神经网络模型进行训练。
8.一种翻译模型的训练装置,其中,包括:
获取模块,用于获取训练语料,其中,所述训练语料包括:源文本样本以及对应的目标文本样本;
处理模块,用于对所述源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本;
训练模块,用于将所述源文本样本和所述掩码文本样本作为深度神经网络模型的输入特征,并将所述目标文本样本和所述待掩码字符作为所述深度神经网络模型的输出特征,对所述深度神经网络模型进行训练。
9.根据权利要求8所述的装置,其中,所述处理模块对所述源文本样本中的待掩码字符进行掩码处理,得到掩码文本样本的方式包括以下中的至少一种:
对所述源文本样本中的所述待掩码字符采用随机字符进行替换;
对所述源文本样本中的所述待掩码字符采用预设标识符进行替换。
10.根据权利要求8或9所述的装置,其中,所述待掩码字符为所述源文本样本中的任意一个或者多个字符。
11.根据权利要求8所述的装置,其中,所述训练模块,具体用于:
获取所述深度神经网络模型输出的预测目标文本以及预测掩码字符;
根据所述预测目标文本、所述目标文本样本、所述待掩码字符以及所述预测掩码字符构建损失函数;
根据所述损失函数的值,对所述深度神经网络模型的系数进行调整,以实现训练。
12.根据权利要求11所述的装置,其中,所述训练模块,还用于:
根据所述预测目标文本以及所述目标文本样本构建第一子损失函数;
根据所述待掩码字符以及所述预测掩码字符构建第二子损失函数;
确定所述第一子损失函数的权重以及所述第二子损失函数的权重;
根据所述第一子损失函数的权重以及所述第二子损失函数的权重,对所述第一子损失函数和所述第二子损失函数进行加权处理,得到所述损失函数。
13.根据权利要求11所述的装置,其中,所述训练模块,还用于:
获取所述深度神经网络模型的编码模块输出的编码结果;
对所述编码结果进行预测,得到所述预测掩码字符;
获取所述深度神经网络模型的解码模块输出的所述预测目标文本。
14.根据权利要求8至13任一项所述的方法,其中,所述训练模块,还用于:
确定所述源文本样本中各个词的词向量以及位置向量;
确定所述掩码文本样本中各个词的词向量以及位置向量;
将所述源文本样本中各个词的词向量以及位置向量、所述掩码文本样本中各个词的词向量以及位置向量作为所述输入特征,并将所述目标文本样本和所述待掩码字符作为所述输出特征,对所述深度神经网络模型进行训练。
15.一种电子设备,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1-7中任一项所述的方法。
16.一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如权利要求1-7中任一项所述的方法。
17.一种计算机程序产品,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权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110737812.4A CN113553864B (zh) | 2021-06-30 | 2021-06-30 | 翻译模型的训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110737812.4A CN113553864B (zh) | 2021-06-30 | 2021-06-30 | 翻译模型的训练方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553864A true CN113553864A (zh) | 2021-10-26 |
CN113553864B CN113553864B (zh) | 2023-04-07 |
Family
ID=78131169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110737812.4A Active CN113553864B (zh) | 2021-06-30 | 2021-06-30 | 翻译模型的训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553864B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065784A (zh) * | 2021-11-16 | 2022-02-18 | 北京百度网讯科技有限公司 | 训练方法、译文方法、装置、电子设备以及存储介质 |
CN114186564A (zh) * | 2021-11-05 | 2022-03-15 | 北京百度网讯科技有限公司 | 语义表示模型的预训练方法、装置以及电子设备 |
CN114282552A (zh) * | 2021-11-16 | 2022-04-05 | 北京百度网讯科技有限公司 | 非自回归翻译模型的训练方法及其装置 |
CN114330512A (zh) * | 2021-12-13 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN114330339A (zh) * | 2022-03-03 | 2022-04-12 | 阿里巴巴(中国)有限公司 | 文本处理方法、计算机可读存储介质及计算机设备 |
CN114579699A (zh) * | 2022-02-18 | 2022-06-03 | 阿里巴巴(中国)有限公司 | 预训练语言模型的训练方法以及装置 |
CN114611532A (zh) * | 2022-05-06 | 2022-06-10 | 北京百度网讯科技有限公司 | 语言模型训练方法及装置、目标翻译错误检测方法及装置 |
CN114860616A (zh) * | 2022-06-07 | 2022-08-05 | 慕思健康睡眠股份有限公司 | 一种代码检测方法、装置、设备和存储介质 |
CN115115920A (zh) * | 2022-05-16 | 2022-09-27 | 清华大学 | 一种数据训练方法及装置 |
CN115600646A (zh) * | 2022-10-19 | 2023-01-13 | 北京百度网讯科技有限公司(Cn) | 语言模型的训练方法、装置、介质及设备 |
CN115643062A (zh) * | 2022-10-12 | 2023-01-24 | 时粤科技(广州)有限公司 | 一种基于人工智能的业务数据管理系统及其处理方法 |
WO2023116572A1 (zh) * | 2021-12-21 | 2023-06-29 | 华为技术有限公司 | 一种词句生成方法及相关设备 |
CN116932728A (zh) * | 2023-08-30 | 2023-10-24 | 苏州浪潮智能科技有限公司 | 语言交互方法、装置、通信设备及存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079450A (zh) * | 2019-12-20 | 2020-04-28 | 北京百度网讯科技有限公司 | 基于顺句驱动的语言转换方法和装置 |
JP2020140710A (ja) * | 2019-02-26 | 2020-09-03 | 株式会社リコー | ニューラル機械翻訳モデルの訓練方法、装置及び記憶媒体 |
CN111709248A (zh) * | 2020-05-28 | 2020-09-25 | 北京百度网讯科技有限公司 | 文本生成模型的训练方法、装置及电子设备 |
CN111859994A (zh) * | 2020-06-08 | 2020-10-30 | 北京百度网讯科技有限公司 | 机器翻译模型获取及文本翻译方法、装置及存储介质 |
CN112001181A (zh) * | 2020-07-17 | 2020-11-27 | 北京百度网讯科技有限公司 | 多语言语义表示模型的训练方法、装置、设备及存储介质 |
CN112507735A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 机器翻译模型的训练方法、装置和电子设备 |
CN113033801A (zh) * | 2021-03-04 | 2021-06-25 | 北京百度网讯科技有限公司 | 神经网络模型的预训练方法、装置、电子设备和介质 |
-
2021
- 2021-06-30 CN CN202110737812.4A patent/CN113553864B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020140710A (ja) * | 2019-02-26 | 2020-09-03 | 株式会社リコー | ニューラル機械翻訳モデルの訓練方法、装置及び記憶媒体 |
CN111079450A (zh) * | 2019-12-20 | 2020-04-28 | 北京百度网讯科技有限公司 | 基于顺句驱动的语言转换方法和装置 |
CN111709248A (zh) * | 2020-05-28 | 2020-09-25 | 北京百度网讯科技有限公司 | 文本生成模型的训练方法、装置及电子设备 |
CN111859994A (zh) * | 2020-06-08 | 2020-10-30 | 北京百度网讯科技有限公司 | 机器翻译模型获取及文本翻译方法、装置及存储介质 |
CN112001181A (zh) * | 2020-07-17 | 2020-11-27 | 北京百度网讯科技有限公司 | 多语言语义表示模型的训练方法、装置、设备及存储介质 |
CN112507735A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 机器翻译模型的训练方法、装置和电子设备 |
CN113033801A (zh) * | 2021-03-04 | 2021-06-25 | 北京百度网讯科技有限公司 | 神经网络模型的预训练方法、装置、电子设备和介质 |
Non-Patent Citations (2)
Title |
---|
MENG SUN等: "Baidu Neural Machine Translation Systems for WMT19" * |
丁亮;姚长青;何彦青;李辉;: "深度学习在统计机器翻译领域自适应中的应用研究" * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114186564B (zh) * | 2021-11-05 | 2023-11-24 | 北京百度网讯科技有限公司 | 语义表示模型的预训练方法、装置以及电子设备 |
CN114186564A (zh) * | 2021-11-05 | 2022-03-15 | 北京百度网讯科技有限公司 | 语义表示模型的预训练方法、装置以及电子设备 |
CN114282552A (zh) * | 2021-11-16 | 2022-04-05 | 北京百度网讯科技有限公司 | 非自回归翻译模型的训练方法及其装置 |
CN114065784B (zh) * | 2021-11-16 | 2023-03-10 | 北京百度网讯科技有限公司 | 训练方法、译文方法、装置、电子设备以及存储介质 |
CN114065784A (zh) * | 2021-11-16 | 2022-02-18 | 北京百度网讯科技有限公司 | 训练方法、译文方法、装置、电子设备以及存储介质 |
CN114282552B (zh) * | 2021-11-16 | 2022-11-04 | 北京百度网讯科技有限公司 | 非自回归翻译模型的训练方法及其装置 |
CN114330512A (zh) * | 2021-12-13 | 2022-04-12 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
CN114330512B (zh) * | 2021-12-13 | 2024-04-26 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、电子设备及计算机可读存储介质 |
WO2023116572A1 (zh) * | 2021-12-21 | 2023-06-29 | 华为技术有限公司 | 一种词句生成方法及相关设备 |
CN114579699A (zh) * | 2022-02-18 | 2022-06-03 | 阿里巴巴(中国)有限公司 | 预训练语言模型的训练方法以及装置 |
CN114330339A (zh) * | 2022-03-03 | 2022-04-12 | 阿里巴巴(中国)有限公司 | 文本处理方法、计算机可读存储介质及计算机设备 |
CN114330339B (zh) * | 2022-03-03 | 2022-06-24 | 阿里巴巴(中国)有限公司 | 文本处理方法、计算机可读存储介质及计算机设备 |
CN114611532A (zh) * | 2022-05-06 | 2022-06-10 | 北京百度网讯科技有限公司 | 语言模型训练方法及装置、目标翻译错误检测方法及装置 |
CN114611532B (zh) * | 2022-05-06 | 2022-08-19 | 北京百度网讯科技有限公司 | 语言模型训练方法及装置、目标翻译错误检测方法及装置 |
CN115115920A (zh) * | 2022-05-16 | 2022-09-27 | 清华大学 | 一种数据训练方法及装置 |
CN114860616B (zh) * | 2022-06-07 | 2023-05-19 | 慕思健康睡眠股份有限公司 | 一种代码检测方法、装置、设备和存储介质 |
CN114860616A (zh) * | 2022-06-07 | 2022-08-05 | 慕思健康睡眠股份有限公司 | 一种代码检测方法、装置、设备和存储介质 |
CN115643062A (zh) * | 2022-10-12 | 2023-01-24 | 时粤科技(广州)有限公司 | 一种基于人工智能的业务数据管理系统及其处理方法 |
CN115600646B (zh) * | 2022-10-19 | 2023-10-03 | 北京百度网讯科技有限公司 | 语言模型的训练方法、装置、介质及设备 |
CN115600646A (zh) * | 2022-10-19 | 2023-01-13 | 北京百度网讯科技有限公司(Cn) | 语言模型的训练方法、装置、介质及设备 |
CN116932728A (zh) * | 2023-08-30 | 2023-10-24 | 苏州浪潮智能科技有限公司 | 语言交互方法、装置、通信设备及存储介质 |
CN116932728B (zh) * | 2023-08-30 | 2024-01-26 | 苏州浪潮智能科技有限公司 | 语言交互方法、装置、通信设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113553864B (zh) | 2023-04-07 |
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 | |
JP7331975B2 (ja) | クロスモーダル検索モデルのトレーニング方法、装置、機器、および記憶媒体 | |
JP7346788B2 (ja) | 音声認識モデルのトレーニング方法、装置、機器、および記憶媒体 | |
CN112528655B (zh) | 关键词生成方法、装置、设备及存储介质 | |
CN113792854A (zh) | 一种模型训练及字库建立方法、装置、设备及存储介质 | |
CN113590858A (zh) | 目标对象的生成方法、装置、电子设备以及存储介质 | |
CN113792855A (zh) | 一种模型训练及字库建立方法、装置、设备和存储介质 | |
CN115640520B (zh) | 跨语言跨模态模型的预训练方法、设备和存储介质 | |
CN114202076A (zh) | 深度学习模型的训练方法、自然语言处理方法和装置 | |
CN116152833B (zh) | 基于图像的表格还原模型的训练方法及表格还原方法 | |
CN112580733A (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN114715145B (zh) | 一种轨迹预测方法、装置、设备及自动驾驶车辆 | |
CN112559885A (zh) | 地图兴趣点的训练模型确定方法、装置及电子设备 | |
CN112949818A (zh) | 模型蒸馏方法、装置、设备以及存储介质 | |
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 | |
CN115358243A (zh) | 多轮对话识别模型的训练方法、装置、设备及存储介质 | |
CN112949433B (zh) | 视频分类模型的生成方法、装置、设备和存储介质 | |
CN116030235A (zh) | 目标检测模型训练方法、目标检测方法、装置和电子设备 | |
CN114898742A (zh) | 流式语音识别模型的训练方法、装置、设备和存储介质 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN113989569A (zh) | 图像处理方法、装置、电子设备和存储介质 | |
CN113361621A (zh) | 用于训练模型的方法和装置 | |
CN113553863B (zh) | 文本生成方法、装置、电子设备和存储介质 | |
CN114896993B (zh) | 翻译模型的生成方法、装置、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |