CN113641804A - 预训练模型获取方法、装置、电子设备及存储介质 - Google Patents
预训练模型获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113641804A CN113641804A CN202110813275.7A CN202110813275A CN113641804A CN 113641804 A CN113641804 A CN 113641804A CN 202110813275 A CN202110813275 A CN 202110813275A CN 113641804 A CN113641804 A CN 113641804A
- Authority
- CN
- China
- Prior art keywords
- training
- task
- tasks
- question
- training task
- 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
Images
Classifications
-
- 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
- G06F16/33—Querying
- G06F16/332—Query formulation
- G06F16/3329—Natural language query formulation or dialogue systems
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Human Computer Interaction (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提供了预训练模型获取方法、装置、电子设备及存储介质,涉及深度学习、自然语言处理、知识图谱以及智能语音等领域,其中的方法可包括:获取由M个预训练任务组成的预训练任务集合,M为大于一的正整数,所述预训练任务包括:分别对应于不同问答形态的N个问答任务,N为大于一的正整数,且小于或等于M;根据M个预训练任务对预训练模型进行联合预训练。应用本公开所述方案,可减少资源消耗及节省时间成本等。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及深度学习、自然语言处理、知识图谱以及智能语音等领域的预训练模型获取方法、装置、电子设备及存储介质。
背景技术
问答是一种比检索更高级的信息获取形式,能够针对用户的问题直接给出答案,与其它自然语言处理任务不同的是,问答同时涉及问题、数据源以及二者之间的推理计算。根据数据源的不同,可包括文本问答、知识图谱问答、表格问答、图像问答和视频问答等多种问答形态。
近年来,预训练模型得到了广泛应用,相应地,也被应用到了问答任务中,比如,针对不同的问答形态,可分别训练得到对应的预训练模型。但这种方式得到的预训练模型仅适用于特定的问答形态,不具备普遍适用性,另外,由于需要针对不同的问答形态分别训练对应的预训练模型,因此需要耗费大量的资源及时间成本等。
发明内容
本公开提供了预训练模型获取方法、装置、电子设备及存储介质。
一种预训练模型获取方法,包括:
获取由M个预训练任务组成的预训练任务集合,M为大于一的正整数,所述预训练任务包括:分别对应于不同问答形态的N个问答任务,N为大于一的正整数,且小于或等于M;
根据所述M个预训练任务对所述预训练模型进行联合预训练。
一种预训练模型获取装置,包括:获取模块以及训练模块;
所述获取模块,用于获取由M个预训练任务组成的预训练任务集合,M为大于一的正整数,所述预训练任务包括:分别对应于不同问答形态的N个问答任务,N为大于一的正整数,且小于或等于M;
所述训练模块,用于根据所述M个预训练任务对所述预训练模型进行联合预训练。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果:将多种不同问答形态在同一框架下进行预训练,即实现了多种不同问答形态的联合预训练,从而可得到适用于不同问答形态的预训练模型,进而减少了资源消耗及节省了时间成本等。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1为本公开所述预训练模型获取方法实施例的流程图;
图2为本公开所述预训练模型的预训练架构示意图;
图3为本公开所述预训练模型获取装置实施例300的组成结构示意图;
图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述预训练模型获取方法实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,获取由M个预训练任务组成的预训练任务集合,M为大于一的正整数,所述预训练任务包括:分别对应于不同问答形态的N个问答任务,N为大于一的正整数,且小于或等于M。
在步骤102中,根据M个预训练任务对预训练模型进行联合预训练。
可以看出,上述方法实施例所述方案中,可将多种不同问答形态在同一框架下进行预训练,即实现了多种不同问答形态的联合预训练,从而可得到适用于不同问答形态的预训练模型,进而减少了资源消耗及节省了时间成本等。
尽管不同问答形态的数据源不同,但它们之间在问题和数据源的理解以及推理计算等方面存在共性,因此可进行多种不同问答形态的联合预训练,从而可得到适用于不同问答形态的预训练模型,另外,某些问答形态如视频问答,通常难以获取足够多的训练样本,因此按照现有方式得到的对应的预训练模型的问答效果通常较差,而采用本公开所述方式后,可利用联合预训练来实现知识迁移,从而可利用训练样本丰富的问答形态来改进训练样本不足的问答形态的问答效果等。
所述预训练模型具体为何种模型不作限制。
为进行预训练模型的预训练,可首先获取由M个预训练任务组成的预训练任务集合,M为大于一的正整数,所述预训练任务可包括:分别对应于不同问答形态的N个问答任务,N为大于一的正整数,且小于或等于M。
M和N的具体取值均可根据实际需要而定,若N等于M,说明预训练任务集合中仅包括N个问答任务,若N小于M,说明预训练任务集合中除包括N个问答任务外,还包括至少一个其它任务。
比如,N的取值可为5,相应地,5个问答任务可包括:文本问答任务、知识图谱问答任务、表格问答任务、图像问答任务以及视频问答任务。
本公开的一个实施例中,预训练任务集合中可包括:问答预训练任务子集合,问答预训练任务子集合中可包括:N个问答任务,另外还可进一步包括以下之一或任意组合:问题与数据源匹配性判断任务、数据源中与问题相关部分检测任务、问题和/或数据源有效性判断任务。
可以看出,问答预训练任务子集合中的任务均为与问答相关的预训练任务。其中,问题与数据源匹配性判断任务,用于判断给定的数据源如文本、知识图谱、表格、图像或视频能否回答给定的问题,数据源中与问题相关部分检测任务,用于标识出给定的数据源中能够回答问题的部分,问题和/或数据源有效性判断任务,用于判断给定的问题是否是有效的信息获取类问题,和/或,判断给定的数据源是否可以支持信息获取类问题。
进一步结合上述的问题与数据源匹配性判断任务、数据源中与问题相关部分检测任务以及问题和/或数据源有效性判断任务对预训练模型进行联合预训练,可使得得到的预训练模型能够更好地处理问答任务,提升问答效果等。
本公开的一个实施例中,预训练任务集合中还可进一步包括以下之一或全部:单模预训练任务子集合、多模预训练任务子集合。其中,单模预训练任务子集合中可包括:P个不同的单模预训练任务,P为正整数,多模预训练任务子集合中可包括:Q个不同的多模预训练任务,Q为正整数。P和Q的具体取值均可根据实际需要而定。
上述单模预训练任务和多模预训练任务通常是指现有的预训练工作中常用的预训练任务。具体包括哪些单模预训练任务和/或多模预训练任务可根据实际需要而定。比如,单模预训练任务可为“根据保留的列预测遮挡的列”等,多模预训练任务可为“文本与视频是否匹配”等。
上述单模预训练任务和多模预训练任务能够为问题和数据源的理解提供辅助,有助于达到更好的预训练效果。
基于预训练任务集合,可对预训练模型进行预训练。本公开所述方式中,预训练模型的学习过程可以异步的方式进行。
本公开的一个实施例中,在进行每轮的训练时,可分别进行以下处理:确定本轮训练对应的预训练任务,作为当前预训练任务;获取当前预训练任务对应的损失函数;根据获取到的损失函数对当前预训练任务对应的模型参数进行更新;其中,M个预训练任务中的每一预训练任务均会被作为当前预训练任务。
也就是说,每次模型参数更新都是在执行一个特定的预训练任务,为便于表述,将其称为当前预训练任务,根据输入的训练数据,可得到对应的损失函数,进而可根据得到的损失函数对当前预训练任务对应的模型参数进行更新。
比如,某一轮训练对应的当前预训练任务为“表格能否回答问题”的问题与数据源匹配性判断任务,根据输入的训练数据,可得到该任务对应的损失函数,进而可根据得到的损失函数对该任务对应的模型参数进行更新。再比如,下一轮训练对应的当前预训练任务为“文本与视频是否匹配”的多模预训练任务,根据输入的训练数据,可得到该任务对应的损失函数,进而可根据得到的损失函数对该任务对应的模型参数进行更新。
如何获取不同预训练任务对应的训练数据不作限制,比如,可通过人工或自动标注生成所述训练数据,或者,从大规模网络数据中自动获取等。
每一轮训练分别对应哪个预训练任务不作限制。比如,假设预训练任务集合中共存在8个预训练任务,为便于表述,分为称为预训练任务1~预训练任务8,那么第1轮训练对应的预训练任务可为预训练任务1,第2轮训练对应的预训练任务可为预训练任务2,第3轮训练对应的预训练任务可为预训练任务3,……,第8轮训练对应的预训练任务可为预训练任务8,第9轮训练对应的预训练任务可为预训练任务1,第10轮训练对应的预训练任务可为预训练任务2,以此类推,即可循环执行各预训练任务,直至模型达到收敛。
如何获取损失函数以及如何根据损失函数对模型参数进行更新等均为现有技术。另外,损失函数的具体形式不限,比如,可为交叉熵、笛卡尔距离、余弦距离、均方误差等。
本公开的一个实施例中,在获取当前预训练任务对应的损失函数时,可获取当前预训练任务对应的L个损失函数,L为正整数,相应地,当L大于一时,可根据L个损失函数确定出综合损失函数,根据所述综合损失函数对当前预训练任务对应的模型参数进行更新。
比如,当前预训练任务对应3个损失函数,为便于表述,分别称为损失函数1、损失函数2和损失函数3,那么可将这3个损失函数加权相加,将加权相加结果作为综合损失函数,不同损失函数对应的权重可以相同,也可以不同。
通过上述方式,可快速高效地训练得到所需的预训练模型,且确保了预训练模型的模型效果等。
综合上述介绍,图2为本公开所述预训练模型的预训练架构示意图。
如图2所示,输入可为问题、文本、图谱、表格、视觉(图像或视频)等,具体输入内容可根据实际需要而定。
如图2所示,问题理解、文本理解、图谱理解、表格理解和视觉理解等模块,可分别采用对应的神经网络编码器架构,任意两个不同模块对应的神经网络编码器架构可以相同,也可以不同。
如图2所示,预训练任务集合中可包括:问答预训练任务子集合、单模预训练任务子集合以及多模预训练任务子集合。其中,问答预训练任务子集合中可包括:多个问答任务、问题与数据源匹配性判断任务、数据源中与问题相关部分检测任务以及问题和/或数据源有效性判断任务。单模预训练任务子集合中可包括至少一个单模预训练任务,多模预训练任务子集合中可包括至少一个多模预训练任务。
如图2所示,在进行每轮的训练时,分别可确定出本轮训练对应的预训练任务,作为当前预训练任务,并可获取当前预训练任务对应的损失函数,进而可根据获取到的损失函数对当前预训练任务对应的模型参数进行更新等。
需要说明的是,对于前述的方法实施例,为了简单描述,将其表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图3为本公开所述预训练模型获取装置实施例300的组成结构示意图。如图3所示,包括:获取模块301以及训练模块302。
获取模块301,用于获取由M个预训练任务组成的预训练任务集合,M为大于一的正整数,所述预训练任务包括:分别对应于不同问答形态的N个问答任务,N为大于一的正整数,且小于或等于M。
训练模块302,用于根据M个预训练任务对预训练模型进行联合预训练。
为进行预训练模型的预训练,获取模块301可首先获取由M个预训练任务组成的预训练任务集合,M为大于一的正整数,所述预训练任务可包括:分别对应于不同问答形态的N个问答任务,N为大于一的正整数,且小于或等于M。
M和N的具体取值均可根据实际需要而定,若N等于M,表示预训练任务集合中仅包括N个问答任务,若N小于M,表示预训练任务集合中除包括N个问答任务外,还包括至少一个其它任务。
比如,N的取值可为5,相应地,5个问答任务可包括:文本问答任务、知识图谱问答任务、表格问答任务、图像问答任务以及视频问答任务。
本公开的一个实施例中,预训练任务集合中可包括:问答预训练任务子集合,问答预训练任务子集合中可包括:N个问答任务,另外还可进一步包括以下之一或任意组合:问题与数据源匹配性判断任务、数据源中与问题相关部分检测任务、问题和/或数据源有效性判断任务。
可以看出,问答预训练任务子集合中的任务均为与问答相关的预训练任务。其中,问题与数据源匹配性判断任务,用于判断给定的数据源如文本、知识图谱、表格、图像或视频能否回答给定的问题,数据源中与问题相关部分检测任务,用于标识出给定的数据源中能够回答问题的部分,问题和/或数据源有效性判断任务,用于判断给定的问题是否是有效的信息获取类问题,和/或,判断给定的数据源是否可以支持信息获取类问题。
本公开的一个实施例中,预训练任务集合中还可进一步包括以下之一或全部:单模预训练任务子集合、多模预训练任务子集合。其中,单模预训练任务子集合中可包括:P个不同的单模预训练任务,P为正整数,多模预训练任务子集合中可包括:Q个不同的多模预训练任务,Q为正整数。P和Q的具体取值均可根据实际需要而定。
上述单模预训练任务和多模预训练任务通常是指现有的预训练工作中常用的预训练任务。具体包括哪些单模预训练任务和/或多模预训练任务可根据实际需要而定。比如,单模预训练任务可为“根据保留的列预测遮挡的列”等,多模预训练任务可为“文本与视频是否匹配”等。
基于预训练任务集合,训练模块302可对预训练模型进行预训练。本公开所述方式中,预训练模型的学习过程可以异步的方式进行。
本公开的一个实施例中,在进行每轮的训练时,训练模块302可分别进行以下处理:确定本轮训练对应的预训练任务,作为当前预训练任务;获取当前预训练任务对应的损失函数;根据获取到的损失函数对当前预训练任务对应的模型参数进行更新;其中,M个预训练任务中的每一预训练任务均会被作为当前预训练任务。
也就是说,每次模型参数更新都是在执行一个特定的预训练任务,为便于表述,将其称为当前预训练任务,根据输入的训练数据,可得到对应的损失函数,进而可根据得到的损失函数对当前预训练任务对应的模型参数进行更新。
每一轮训练分别对应哪个预训练任务不作限制。比如,假设预训练任务集合中共存在8个预训练任务,为便于表述,分为称为预训练任务1~预训练任务8,那么第1轮训练对应的预训练任务可为预训练任务1,第2轮训练对应的预训练任务可为预训练任务2,第3轮训练对应的预训练任务可为预训练任务3,……,第8轮训练对应的预训练任务可为预训练任务8,第9轮训练对应的预训练任务可为预训练任务1,第10轮训练对应的预训练任务可为预训练任务2,以此类推,即可循环执行各预训练任务,直至模型达到收敛。
本公开的一个实施例中,训练模块302在获取当前预训练任务对应的损失函数时,可获取当前预训练任务对应的L个损失函数,L为正整数,相应地,当L大于一时,可根据L个损失函数确定出综合损失函数,进而可根据所述综合损失函数对当前预训练任务对应的模型参数进行更新。
比如,当前预训练任务对应3个损失函数,为便于表述,分别称为损失函数1、损失函数2和损失函数3,那么可将这3个损失函数加权相加,将加权相加结果作为综合损失函数,不同损失函数对应的权重可以相同,也可以不同。
图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开装置实施例所述方案,可将多种不同问答形态在同一框架下进行预训练,即实现了多种不同问答形态的联合预训练,从而可得到适用于不同问答形态的预训练模型,进而减少了资源消耗及节省了时间成本等。
本公开所述方案可应用于人工智能领域,特别涉及深度学习、自然语言处理、知识图谱以及智能语音等领域。人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术,人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术,人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
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。
图4示出了可以用来实施本公开的实施例的示例电子设备400的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字助理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,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 (13)
1.一种预训练模型获取方法,包括:
获取由M个预训练任务组成的预训练任务集合,M为大于一的正整数,所述预训练任务包括:分别对应于不同问答形态的N个问答任务,N为大于一的正整数,且小于或等于M;
根据所述M个预训练任务对所述预训练模型进行联合预训练。
2.根据权利要求1所述的方法,其中,所述根据所述M个预训练任务对所述预训练模型进行联合预训练包括:
在进行每轮的训练时,分别进行以下处理:
确定本轮训练对应的预训练任务,作为当前预训练任务;
获取所述当前预训练任务对应的损失函数;
根据所述损失函数对所述当前预训练任务对应的模型参数进行更新;
其中,所述M个预训练任务中的每一预训练任务均会被作为所述当前预训练任务。
3.根据权利要求2所述的方法,其中,
所述获取所述当前预训练任务对应的损失函数包括:获取所述当前预训练任务对应的L个损失函数,L为正整数;
当所述L大于一时,所述根据所述损失函数对所述当前预训练任务对应的模型参数进行更新包括:根据所述L个损失函数确定出综合损失函数,根据所述综合损失函数对所述当前预训练任务对应的模型参数进行更新。
4.根据权利要求1所述的方法,其中,
所述预训练任务集合中包括:问答预训练任务子集合;
所述问答预训练任务子集合中包括:所述N个问答任务,以及以下之一或任意组合:问题与数据源匹配性判断任务、数据源中与问题相关部分检测任务、问题和/或数据源有效性判断任务。
5.根据权利要求1~4中任一项所述的方法,其中,
所述预训练任务集合中还包括以下之一或全部:单模预训练任务子集合、多模预训练任务子集合;
所述单模预训练任务子集合中包括:P个不同的单模预训练任务,P为正整数;所述多模预训练任务子集合中包括:Q个不同的多模预训练任务,Q为正整数。
6.一种预训练模型获取装置,包括:获取模块以及训练模块;
所述获取模块,用于获取由M个预训练任务组成的预训练任务集合,M为大于一的正整数,所述预训练任务包括:分别对应于不同问答形态的N个问答任务,N为大于一的正整数,且小于或等于M;
所述训练模块,用于根据所述M个预训练任务对所述预训练模型进行联合预训练。
7.根据权利要求6所述的装置,其中,
所述训练模块在进行每轮的训练时,分别进行以下处理:确定本轮训练对应的预训练任务,作为当前预训练任务,获取所述当前预训练任务对应的损失函数,根据所述损失函数对所述当前预训练任务对应的模型参数进行更新;其中,所述M个预训练任务中的每一预训练任务均会被作为所述当前预训练任务。
8.根据权利要求7所述的装置,其中,
所述训练模块获取所述当前预训练任务对应的L个损失函数,L为正整数,当所述L大于一时,根据所述L个损失函数确定出综合损失函数,根据所述综合损失函数对所述当前预训练任务对应的模型参数进行更新。
9.根据权利要求6所述的装置,其中,
所述预训练任务集合中包括:问答预训练任务子集合;
所述问答预训练任务子集合中包括:所述N个问答任务,以及以下之一或任意组合:问题与数据源匹配性判断任务、数据源中与问题相关部分检测任务、问题和/或数据源有效性判断任务。
10.根据权利要求6~9中任一项所述的装置,其中,
所述预训练任务集合中还包括以下之一或全部:单模预训练任务子集合、多模预训练任务子集合;
所述单模预训练任务子集合中包括:P个不同的单模预训练任务,P为正整数;所述多模预训练任务子集合中包括:Q个不同的多模预训练任务,Q为正整数。
11.一种电子设备,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1-5中任一项所述的方法。
12.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-5中任一项所述的方法。
13.一种计算机程序产品,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1-5中任一项所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110813275.7A CN113641804A (zh) | 2021-07-19 | 2021-07-19 | 预训练模型获取方法、装置、电子设备及存储介质 |
EP22184865.8A EP4123516A1 (en) | 2021-07-19 | 2022-07-14 | Method and apparatus for acquiring pre-trained model, electronic device and storage medium |
US17/866,104 US20230013796A1 (en) | 2021-07-19 | 2022-07-15 | Method and apparatus for acquiring pre-trained model, electronic device and storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110813275.7A CN113641804A (zh) | 2021-07-19 | 2021-07-19 | 预训练模型获取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113641804A true CN113641804A (zh) | 2021-11-12 |
Family
ID=78417638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110813275.7A Pending CN113641804A (zh) | 2021-07-19 | 2021-07-19 | 预训练模型获取方法、装置、电子设备及存储介质 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230013796A1 (zh) |
EP (1) | EP4123516A1 (zh) |
CN (1) | CN113641804A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676761A (zh) * | 2022-03-10 | 2022-06-28 | 北京智源人工智能研究院 | 预训练模型训练处理方法、装置、电子设备及存储介质 |
CN114860411A (zh) * | 2022-05-17 | 2022-08-05 | 北京百度网讯科技有限公司 | 多任务学习方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079938A (zh) * | 2019-11-28 | 2020-04-28 | 百度在线网络技术(北京)有限公司 | 问答阅读理解模型获取方法、装置、电子设备及存储介质 |
CN111209383A (zh) * | 2020-01-06 | 2020-05-29 | 广州小鹏汽车科技有限公司 | 多轮对话的处理方法及处理装置、车辆、存储介质 |
CN111916067A (zh) * | 2020-07-27 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 语音识别模型的训练方法、装置、电子设备及存储介质 |
CN112507099A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 对话理解模型的训练方法、装置、设备和存储介质 |
CN112668671A (zh) * | 2021-03-15 | 2021-04-16 | 北京百度网讯科技有限公司 | 预训练模型的获取方法和装置 |
-
2021
- 2021-07-19 CN CN202110813275.7A patent/CN113641804A/zh active Pending
-
2022
- 2022-07-14 EP EP22184865.8A patent/EP4123516A1/en active Pending
- 2022-07-15 US US17/866,104 patent/US20230013796A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079938A (zh) * | 2019-11-28 | 2020-04-28 | 百度在线网络技术(北京)有限公司 | 问答阅读理解模型获取方法、装置、电子设备及存储介质 |
CN111209383A (zh) * | 2020-01-06 | 2020-05-29 | 广州小鹏汽车科技有限公司 | 多轮对话的处理方法及处理装置、车辆、存储介质 |
CN111916067A (zh) * | 2020-07-27 | 2020-11-10 | 腾讯科技(深圳)有限公司 | 语音识别模型的训练方法、装置、电子设备及存储介质 |
CN112507099A (zh) * | 2020-12-18 | 2021-03-16 | 北京百度网讯科技有限公司 | 对话理解模型的训练方法、装置、设备和存储介质 |
CN112668671A (zh) * | 2021-03-15 | 2021-04-16 | 北京百度网讯科技有限公司 | 预训练模型的获取方法和装置 |
Non-Patent Citations (2)
Title |
---|
徐菲菲;冯东升;: "文本词向量与预训练语言模型研究", 上海电力大学学报 * |
李舟军;范宇;吴贤杰;: "面向自然语言处理的预训练技术研究综述", 计算机科学 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676761A (zh) * | 2022-03-10 | 2022-06-28 | 北京智源人工智能研究院 | 预训练模型训练处理方法、装置、电子设备及存储介质 |
CN114676761B (zh) * | 2022-03-10 | 2024-03-19 | 北京智源人工智能研究院 | 预训练模型训练处理方法、装置、电子设备及存储介质 |
CN114860411A (zh) * | 2022-05-17 | 2022-08-05 | 北京百度网讯科技有限公司 | 多任务学习方法、装置、电子设备和存储介质 |
CN114860411B (zh) * | 2022-05-17 | 2023-05-05 | 北京百度网讯科技有限公司 | 多任务学习方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
EP4123516A1 (en) | 2023-01-25 |
US20230013796A1 (en) | 2023-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836333A (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
CN112559007B (zh) | 多任务模型的参数更新方法、装置及电子设备 | |
CN114492831B (zh) | 联邦学习模型的生成方法及其装置 | |
CN113344089B (zh) | 模型训练方法、装置及电子设备 | |
US20230013796A1 (en) | Method and apparatus for acquiring pre-trained model, electronic device and storage medium | |
CN113590776A (zh) | 基于知识图谱的文本处理方法、装置、电子设备及介质 | |
CN114612749A (zh) | 神经网络模型训练方法及装置、电子设备和介质 | |
CN114187459A (zh) | 目标检测模型的训练方法、装置、电子设备以及存储介质 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN114494815A (zh) | 神经网络训练方法、目标检测方法、装置、设备和介质 | |
CN113221565A (zh) | 实体识别模型的训练方法、装置、电子设备及存储介质 | |
CN112270168A (zh) | 对白情感风格预测方法、装置、电子设备及存储介质 | |
CN112989797B (zh) | 模型训练、文本扩展方法,装置,设备以及存储介质 | |
CN112528146B (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
CN112270169B (zh) | 对白角色预测方法、装置、电子设备及存储介质 | |
CN114970666B (zh) | 一种口语处理方法、装置、电子设备及存储介质 | |
CN114490965B (zh) | 问题处理方法、装置、电子设备和存储介质 | |
CN114743586B (zh) | 存储器模型的镜像存储实现方法、装置及存储介质 | |
CN114141236B (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN115984791A (zh) | 自动驾驶感知模型的生成方法、装置及电子设备 | |
CN114492370A (zh) | 网页识别方法、装置、电子设备和介质 | |
CN114998649A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN115840867A (zh) | 数学解题模型的生成方法、装置、电子设备和存储介质 | |
CN114490969A (zh) | 基于表格的问答方法、装置以及电子设备 | |
CN113033179A (zh) | 知识获取方法、装置、电子设备及可读存储介质 |
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 |