CN113657465A - 预训练模型的生成方法、装置、电子设备和存储介质 - Google Patents
预训练模型的生成方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113657465A CN113657465A CN202110865000.8A CN202110865000A CN113657465A CN 113657465 A CN113657465 A CN 113657465A CN 202110865000 A CN202110865000 A CN 202110865000A CN 113657465 A CN113657465 A CN 113657465A
- Authority
- CN
- China
- Prior art keywords
- model
- training
- candidate
- loss function
- network
- 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
- 238000012549 training Methods 0.000 title claims abstract description 105
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012360 testing method Methods 0.000 claims abstract description 24
- 230000006870 function Effects 0.000 claims description 62
- 230000004927 fusion Effects 0.000 claims description 56
- 238000004590 computer program Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 238000010845 search algorithm Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 12
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 3
- 230000000295 complement effect Effects 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
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 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
- 238000011144 upstream manufacturing 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本公开提出了一种预训练模型的生成方法、装置、电子设备和存储介质,涉及人工智能技术领域,尤其涉及计算机视觉和深度学习技术领域,可应用于图像处理、图像识别等场景。方法为:采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,并对各候选模型输出的特征进行特征融合,得到融合特征,根据融合特征执行设定的目标识别任务,以得到预测信息,根据预测信息与样本的标准信息之间的差异,确定多个候选模型的组合性能,在组合性能满足设定性能指标的情况下,根据多个候选模型生成预训练模型,本公开中根据候选模型的组合在目标识别任务上的综合性能表现,确定多个候选模型的组合是否为较优的模型组合,提高了预训练模型的精度。
Description
技术领域
本公开涉及人工智能技术领域,尤其涉及计算机视觉和深度学习技术领域,可应用于图像处理、图像识别等场景,具体涉及预训练模型的生成方法、装置、电子设备和存储介质。
背景技术
最近几年,预训练模型取得了巨大的成功。预训练模型在上游任务上通过大量的数据进行训练,进而,在下游任务上,只需要少量数据训练就可以取得较好的结果。而相关技术中的预训练模型在场景迁移上具有较大的局限性,无法满足精度的要求。因此,如何提高生成的预训练模型的精度是亟待解决的技术问题。
发明内容
本公开提供了一种预训练模型的生成方法、装置、电子设备和存储介质。
根据本公开的一方面,提供了一种预训练模型的生成方法,包括:
采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,得到各所述候选模型输出的特征;
对各所述候选模型输出的特征进行特征融合,得到融合特征;
根据所述融合特征执行设定的目标识别任务,以得到预测信息;
根据所述预测信息与所述样本的标准信息之间的差异,确定所述多个候选模型的组合性能;
在所述组合性能满足设定性能指标的情况下,根据所述多个候选模型生成预训练模型。
根据本公开的另一方面,提供了一种预训练模型的生成装置,包括:
提取模块,用于采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,得到各所述候选模型输出的特征;
融合模块,用于对各所述候选模型输出的特征进行特征融合,得到融合特征;
执行模块,用于根据所述融合特征执行设定的目标识别任务,以得到预测信息;
确定模块,用于根据所述预测信息与所述样本的标准信息之间的差异,确定所述多个候选模型的组合性能;
生成模块,用于在所述组合性能满足设定性能指标的情况下,根据所述多个候选模型生成预训练模型。
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前述一方面所述的方法。
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前述一方面所述的方法。
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前述一方面所述的方法。
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为本公开实施例提供的一种预训练模型的生成方法的流程示意图;
图2为本公开实施例提供的另一种预训练模型的生成方法的流程示意图;
图3为本公开实施例提供的另一种预训练模型的生成方法的流程示意图;
图4为本公开实施例提供的另一种预训练模型的生成装置的结构示意图;
图5为本公开实施例提供的示例电子设备500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。
下面参考附图描述本公开实施例的预训练模型的生成方法、装置、电子设备和存储介质。
图1为本公开实施例提供的一种预训练模型的生成方法的流程示意图。
如图1所示,该方法包含以下步骤:
步骤101,采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,得到各候选模型输出的特征。
本公开实施例中,模型集合中包含已经训练完成的多个模型,其中,多个模型可以为神经网络的模型。可通过随机选取的方式从模型集合中选取多个候选模型,或者是通过进化算法从模型集合中选取多个候选模型,其中,候选模型的选取方式,本实施例中不进行限定。
其中,测试集中包含大量的测试样本,测试样本已经预先标注了对应的标准信息。测样样本和分类任务相关,例如,在商品分类任务中,测试样本可以为包含苹果的图片,对该图片标识了标准信息为类别为“苹果”;在人脸识别分类任务中,测试样本可以为人脸的图像,人脸的图像标注了标准信息为“儿童”。
需要说明的是,测试样本对应的标准信息和目标识别任务具有对应关系,也就是说目标识别任务不同,样本对应的标准信息不同。
步骤102,对各候选模型输出的特征进行特征融合,得到融合特征。
本公开实施例中,针对选取的多个候选模型,根据测试集内的样本,先独立获取每一个候选模型提取得到的特征,再将各个候选模型输出的特征进行特征融合,作为第一种实现方式,可将各个候选模型提取得到的特征采用concat函数进行特征融合,以得到融合特征;作为第二种实现方式,可将各个候选模型提取得到的特征通过叠加的方式得到融合特征,例如,将两个候选模型分别输出的256维的特征,叠加得到512维的特征;作为第三种实现方式,可将各个候选模型提取得到的特征通过隐含狄利克雷分布(Latent DirichletAllocation,LDA)的方式对各个候选模型提取得到的特征进行降维,以得到融合特征;作为第四种实现方式,可将各个候选模型提取得到的特征通过主成分分析(Principalcomponents analysis,PCA)的方式对各个候选模型提取得到的特征进行降维以得到融合特征。
需要说明的是,本实施例中对于各个候选模型进行特征融合的方式不进行限定。
步骤103,根据融合特征执行设定的目标识别任务,以得到预测信息。
其中,设定的目标识别任务例如为人脸识别任务,商品分类任务等,可根据业务需求进行设定,本实施例中不进行限定。
在本实施例的一种实现方式中,根据预先训练的识别模型,预先训练得到的识别模型已经学习得到融合特征和预测信息之间的对应关系,将融合特征输入识别模型中,以得到输出的预测信息。
其中,预测信息可以为基于目标识别任务的预测概率,例如,在商品分类场景下,目标识别任务为识别图片中的商品是哪种类别,则输出的预测信息为商品为运动鞋的概率为90%,商品为高跟鞋的概率为20%,商品为布鞋的概率为35%。
例如,在人脸识别场景下,目标识别任务是识别出人脸是否为设定的某个人,预测信息为人脸为设定的某个人的概率为92%,不是某个人的概率为18%。
步骤104,根据预测信息与样本的标准信息之间的差异,确定多个候选模型的组合性能。
本公开实施例中,将获取得到的预测信息与样本的标准信息进行比对,以确定预测信息和标准信息之间的差异,根据差异的大小确定多个候选模型的组合性能。其中,差异愈大,则多个候选模型的组合性能也越差,差异越小,则多个候选模型的组合性能越好。
其中,预测信息和标准信息之间的差异,可以指示损失函数值的大小,或者是指示准确率,又或者是指示召回率。
步骤105,在组合性能满足设定性能指标的情况下,根据多个候选模型生成预训练模型。
作为本公开实施例的一种实现方式,若组合性能是根据损失函数值的大小确定的,则设定性能指标为损失函数值,则在损失函数值的大小满足设定值大小的情况下,根据多个候选模型生成预训练模型,即将多个候选模型的组合作为预训练模型;而若损失函数值的大小不满足设定值大小,则多个候选模型不满足预训练模型的生成条件。
作为本公开实施例的另一种实现方式,若组合性能是根据识别准确率确定的,则设定性能指标为准确率的值,则在准确率满足设定准确率的值的情况下,根据多个候选模型生成预训练模型,即将多个候选模型的组合作为预训练模型;则在准确率不满足设定准确率的值的情况下,多个候选模型不满足预训练模型的生成条件,即多个候选模型不能生成预训练模型。
作为本公开实施例的又一种实现方式,若组合性能是根据识别召回率确定的,则设定性能指标为召回率的值,则在召回率满足设定召回率的值的情况下,根据多个候选模型生成预训练模型,即将多个候选模型的组合作为预训练模型;则在召回率不满足设定准确率的值的情况下,多个候选模型不满足预训练模型的生成条件,即多个候选模型不能生成预训练模型。
作为本公开实施例的再一种实现方式,还可以根据准召率来确定多个候选模型组合是否可以作为预训练模型。
本公开实施例的预训练模型的生成方法中,采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,并对各候选模型输出的特征进行特征融合,得到融合特征,根据融合特征执行设定的目标识别任务,以得到预测信息,根据预测信息与样本的标准信息之间的差异,确定多个候选模型的组合性能,在组合性能满足设定性能指标的情况下,根据多个候选模型生成预训练模型,本公开中根据多个候选模型的组合在目标识别任务上的表现,在满足组合性能指标的时,将多个候选模型的组合作为预训练模型,提高了预训练模型的精度。
基于上述实施例,本实施例提供了另一种预训练模型的生成方法,说明了一种候选模型的确定方法,以及目标识别任务为多个时,如何确定多个候选模型在对应任务上的性能表现,图2为本公开实施例提供的另一种预训练模型的生成方法的流程示意图,如图2所示,该方法包含以下步骤:
步骤201,获取模型集合,将模型集合内的各模型组合得到超网络。
其中,超网络是用于加速模型训练的一种方式,在对模型集合训练的场景下,相比于对每个模型单独训练,提高了模型训练的速度,同时建立了模型间的关联关系和互补关系。
本公开实施例中,将模型集合内的各模型组合得到多个子网络,作为一种实现方式,可按照子网络可包含的模型的数量和结构,随机选取设定数量的模型,基于设定的结构组合得到子网络。作为另一种实现方式,可按照子网络可包含的模型的数量和结构,基于进化算法选取设定数量的模型,基于设定的结构组合得到子网络。根据生成的多个子网络构成超网络。
步骤202,对超网络进行训练。
在本公开实施例的一种实现方式中,采用训练集内的训练样本输入超网络,根据超网络中各子网络输出的特征,确定各子网络的损失函数值,对各子网络的损失函数值融合得到融合损失函数,作为一种实现方式,可将各子网络的损失函数值通过平均加权的方式融合得到融合损失函数;作为另一种实现方式,可以根据预先设定的各个子网络的重要程度,确定各个子网络的权重,即子网络的重要性和权重成正比,进而,根据各子网络的权重和各子网络的损失函数值进行加权计算,以得到融合损失函数。进而,根据融合损失函数,对超网络中的各模型进行模型参数调整,其中,融合损失函数是根据各个子网络的损失函数融合得到的,在通过融合损失函数对超网络中的各模型进行参数调整,以最终得到训练完成的各模型,使得各模型间建立了互补的关联性,以使得后续各模组间进行组合时组合模型的精度更高,提高模型组合的性能。
需要说明的是,超网络可以提高各模型训练的速度,是因为在通过融合损失函数对超网络中的各模型进行参数调整时,根据各个模型间参数共享的方式,实现同时调整多个模型的参数,从而整体上降低了可调整的参数的数量,提高了各个模型训练的速度。
其中,子网络是根据模型集合中的各模型组合得到的。
步骤203,采用设定搜索算法从超网络中搜索得到目标子网络。
在本公开实施例中,可采用随机搜索算法,或进化搜索算法,或蚁群搜索算法,又或者是强化学习算法,从超网络中搜索得到目标子网络,其中,目标子网络是通过搜索确定的较优的模型组合。
本公开实施例中,对于设定搜索算法不进行限定。
步骤204,将目标子网络中的各模型作为模型集合内选取的候选模型。
本公开实施例中,为了提高各个候选模型的准确度,采用上述步骤中基于超网络进行模型训练,提高了模型训练的速度和建立了模型间的互补关系,继而,基于超网络搜索得到的较优的模型组合,即目标子网络中的各个模型作为模型集合内选取的候选模型,实现了基于搜索确定目标子网络中的各个模型,确定是否可生成预训练模型,提高了预训练模型生成的成功率和可靠性。
步骤205,采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,得到各候选模型输出的特征。
步骤206,对各候选模型输出的特征进行特征融合,得到融合特征。
其中,步骤205和步骤206可参照上述实施例中步骤101和步骤102中的解释说明,原理相同,本实施例中不再赘述。
步骤207,根据融合特征执行设定的多个目标识别任务,以得到各个目标识别任务的预测信息。
其中,目标识别任务为多个。
本公开实施例中,将对各个候选模型输出的特征融合得到的融合特征分别执行设定的多个目标识别任务,以得到各个目标识别任务的预测信息,也就是说可以得到各个候选模型在每一个目标识别任务上的性能表现,相比对针对每一个候选模型,确定在各个目标识别任务上的性能表现,提高了预测效率。
步骤208,根据各目标识别任务的预测信息,与对应任务的标准信息之间的差异,确定多个候选模型的组合性能。
其中,测试集内的样本,对应不同的目标识别任务时,可具有不同的标准信息,也就是说测试集内的样本,预先针对不同的目标识别任务,标注了对应的标准信息,即样本中标注的标准信息和任务具有对应关系。
本公开实施例的一种实现方式中,针对每一个目标识别任务,将该目标识别任务的预测信息和该目标识别任务的标准信息之间的差异,确定该目标识别任务的损失函数值。进而,对各目标识别任务的损失函数值加权求和,得到总损失函数值,根据总损失函数值,确定多个候选模型的组合性能。根据多个候选模型的组合在多个目标识别任务上的总的性能表现,其中性能表现通过总损失函数值来指示,来确定组合性能,使得确定的组合性能准确性更高,并使得最终基于组合性能确定的目标候选模型组合可在多种目标识别任务上均有较好的表现,组合模型的精度更好,适配的场景更多。
其中,上述对各目标识别任务的损失函数值加权求和,可通过以下实现方式:
作为一种实现方式,可将各目标识别任务的损失函数值通过平均加权的方式得到总损失函数值;
作为另一种实现方式,可以根据预先设定的各个目标识别任务的重要程度,确定各目标识别任务的权重,即各目标识别任务的重要性和权重成正比,进而,根据各目标识别任务的权重和各目标识别任务的损失函数值进行加权求和,以得到总损失函数值。
在本公开实施例的另一种实现方式中,根据各目标识别任务的预测信息,与对应任务的标准信息之间的差异,确定各目标识别任务的准召率,根据各目标识别任务的准召率,确定多个候选模型的组合性能,提高了组合性能确定的准确性。
其中,准确率用于评估目标成果所占得比例;召回率,是从关注领域中,召回目标类别的比例;而准召率,则是综合准确率和召回率这二个指标的评估指标,用于综合反映整体的指标,提高了模型组合的组合性能确定的准确性。
步骤209,在组合性能满足设定性能指标的情况下,根据多个候选模型生成预训练模型。
具体可参照上述实施例中的解释说明,本实施例中不再限定。
本实施例的预训练模型的生成方法中,对模型基于超网络进行大规模预训练,提高了模型训练的速度,进而从训练得到的模型中通过搜索确定可能的最优模型组合,即目标子网络,以确定候选模型组合,利用候选模型,确定对应各个任务表现的综合性能,根据组合性能和设定性能指标的关系,生成预训练模型,使得预训练模型在同样的速度情况下精度更高,或者,在同样精度的情况下,速度更快,可以提升模型在特定硬件或芯片上处理图像或者音视频的速度。同时,在多任务上对模型进行预训练,可以解决相关技术中在单任务上对模型进行预训练的方式,存在应用场景的局限性的技术问题。
基于上述实施例,本公开实施例提供了另一种候选模型的确定方法,图3为本公开实施例提供的另一种预训练模型的生成方法的流程示意图,如图3所示,该方法包含以下步骤:
步骤301,采用训练集,分别对模型集合内的各模型进行训练。
步骤302,根据模型训练过程中各模型的损失函数的梯度,从模型集合中选取多个候选模型。
本公开实施例中,模型集合中的各模型的损失函数可以是基于梯度的损失函数,例如,基于可微结构搜索(Differentiable Architecture Search,DARTS)架构的模型。采用训练集中的样本,分别对模型集合内的各模型进行训练,并根据模型训练过程中各模型的损失函数的梯度,从模型集合中选取多个候选模型。作为一种实现方式,从各模型的损失函数的梯度中,将梯度变化相似的多个模型选取为多个候选模型。实现了基于各模型的损失函数的梯度,从模型集合中选取多个候选模型,建立了候选模型间的关联关系,提高了候选模型确定的可靠性。
步骤303,采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,得到各候选模型输出的特征。
步骤304,对各候选模型输出的特征进行特征融合,得到融合特征。
步骤305,根据融合特征执行设定的多个目标识别任务,以得到各个目标识别任务的预测信息。
步骤306,根据各目标识别任务的预测信息,与对应任务的标准信息之间的差异,确定多个候选模型的组合性能。
其中,步骤306可参照前述实施例中步骤208的解释说明,原理相同,本实施例中不再赘述。
步骤307,在组合性能满足设定性能指标的情况下,根据多个候选模型生成预训练模型。
需要说明的是,步骤303至步骤307,可参照前述实施例中的解释说明,原理相同,本实施例中不再赘述。
本实施例的预训练模型的生成方法中,对模型进行大规模预训练,提高了模型训练的速度,进而从训练得到的模型中通过搜索确定可能的最优模型组合,即目标子网络,以确定候选模型组合,利用候选模型,确定对应各个任务表现的综合性能,根据组合性能和设定性能指标的关系,生成预训练模型,使得预训练模型在同样的速度情况下精度更高,或者,在同样精度的情况下,速度更快,可以提升模型在特定硬件或芯片上处理图像或者音视频的速度。同时,在多任务上对模型进行预训练,可以解决相关技术中在单任务上对模型进行预训练的方式,存在应用场景的局限性的技术问题。
为了实现上述实施例,本实施例提供了一种预训练模型的生成装置。
图4为本公开实施例提供的另一种预训练模型的生成装置的结构示意图,如图4所示,该装置包括:
提取模块41,用于采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,得到各所述候选模型输出的特征。
融合模块42,用于对各所述候选模型输出的特征进行特征融合,得到融合特征。
执行模块43,用于根据所述融合特征执行设定的目标识别任务,以得到预测信息。
确定模块44,用于根据所述预测信息与所述样本的标准信息之间的差异,确定所述多个候选模型的组合性能。
生成模块45,用于在所述组合性能满足设定性能指标的情况下,根据所述多个候选模型生成预训练模型。
进一步,在本公开实施例的一种实现方式中,该装置,还包括:
获取模块,用于获取模型集合。
组合模块,用于将所述模型集合内的各模型组合得到超网络。
第一训练模块,用于对所述超网络进行训练。
搜索模块,用于采用设定搜索算法从所述超网络中搜索得到目标子网络。
确定模块44,用于将所述目标子网络中的各所述模型作为所述模型集合内选取的所述候选模型。
在本公开实施例的一种实现方式中,第一训练模块,用于:
采用训练集内的训练样本输入所述超网络;
根据所述超网络中各子网络输出的特征,确定各所述子网络的损失函数值;
对各所述子网络的损失函数值融合得到融合损失函数;
根据所述融合损失函数,对所述超网络中的各模型进行模型参数调整。
在本公开实施例的一种实现方式中,该装置,还包括:
第二训练模块,用于采用训练集,分别对所述模型集合内的各模型进行训练;
选取模块,用于根据模型训练过程中各模型的损失函数的梯度,从所述模型集合中选取多个所述候选模型。
在本公开实施例的一种实现方式中,目标识别任务为多个,确定模块44,还用于:
根据各所述目标识别任务的预测信息,与对应任务的所述标准信息之间的差异,确定各所述目标识别任务的损失函数值;
对各所述目标识别任务的损失函数值加权求和,得到总损失函数值;
根据所述总损失函数值,确定所述多个候选模型的组合性能。
在本公开实施例的一种实现方式中,目标识别任务为多个,确定模块44,还用于:
根据各所述目标识别任务的预测信息,与对应任务的所述标准信息之间的差异,确定各所述目标识别任务的准召率;
根据各所述目标识别任务的准召率,确定所述多个候选模型的组合性能。
需要说明的是,前述对方法实施例的解释说明也适用于本实施例的装置,原理相同,本实施例中不再赘述。
本公开实施例的预训练模型的生成装置中,采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,并对各候选模型输出的特征进行特征融合,得到融合特征,根据融合特征执行设定的目标识别任务,以得到预测信息,根据预测信息与样本的标准信息之间的差异,确定多个候选模型的组合性能,在组合性能满足设定性能指标的情况下,根据多个候选模型生成预训练模型,本公开中根据组合性能指标,将筛选得到的满足组合性能指标的多个候选模型组合作为预训练模型,提高了预训练模型的精度。
为了实现上述实施例,本公开实施例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前述方法实施例所述的方法。
为了实现上述实施例,本公开实施例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前述方法实施例所述的方法。
为了实现上述实施例,本公开实施例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前述方法实施例所述的方法。
根据本公开的实施例,本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图5为本公开实施例提供的示例电子设备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ROM(Read-OnlyMemory,只读存储器)502中的计算机程序或者从存储单元508加载到RAM(Random AccessMemory,随机访问/存取存储器)503中的计算机程序,来执行各种适当的动作和处理。在RAM503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。I/O(Input/Output,输入/输出)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CPU(Central Processing Unit,中央处理单元)、GPU(Graphic Processing Units,图形处理单元)、各种专用的AI(Artificial Intelligence,人工智能)计算芯片、各种运行机器学习模型算法的计算单元、DSP(Digital SignalProcessor,数字信号处理器)、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,例如预训练模型的生成方法。例如,在一些实施例中,预训练模型的生成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预训练模型的生成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)而被配置为执行预训练模型的生成方法。
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、FPGA(Field Programmable Gate Array,现场可编程门阵列)、ASIC(Application-Specific Integrated Circuit,专用集成电路)、ASSP(Application Specific StandardProduct,专用标准产品)、SOC(System On Chip,芯片上系统的系统)、CPLD(ComplexProgrammable Logic Device,复杂可编程逻辑设备)、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、RAM、ROM、EPROM(Electrically Programmable Read-Only-Memory,可擦除可编程只读存储器)或快闪存储器、光纤、CD-ROM(Compact Disc Read-Only Memory,便捷式紧凑盘只读存储器)、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(Cathode-Ray Tube,阴极射线管)或者LCD(Liquid Crystal Display,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:LAN(LocalArea Network,局域网)、WAN(Wide Area Network,广域网)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务("Virtual Private Server",或简称"VPS")中,存在的管理难度大,业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器,或者是结合了区块链的服务器。
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 (15)
1.一种预训练模型的生成方法,包括:
采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,得到各所述候选模型输出的特征;
对各所述候选模型输出的特征进行特征融合,得到融合特征;
根据所述融合特征执行设定的目标识别任务,以得到预测信息;
根据所述预测信息与所述样本的标准信息之间的差异,确定所述多个候选模型的组合性能;
在所述组合性能满足设定性能指标的情况下,根据所述多个候选模型生成预训练模型。
2.根据权利要求1所述的方法,其中,所述采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,得到各所述候选模型输出的特征之前,还包括:
获取模型集合;
将所述模型集合内的各模型组合得到超网络;
对所述超网络进行训练;
采用设定搜索算法从所述超网络中搜索得到目标子网络;
将所述目标子网络中的各所述模型作为所述模型集合内选取的所述候选模型。
3.根据权利要求2所述的方法,其中,所述对所述超网络进行训练,包括:
采用训练集内的训练样本输入所述超网络;
根据所述超网络中各子网络输出的特征,确定各所述子网络的损失函数值;
对各所述子网络的损失函数值融合得到融合损失函数;
根据所述融合损失函数,对所述超网络中的各模型进行模型参数调整。
4.根据权利要求1所述的方法,其中,所述采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,得到各所述候选模型输出的特征之前,还包括:
采用训练集,分别对所述模型集合内的各模型进行训练;
根据模型训练过程中各模型的损失函数的梯度,从所述模型集合中选取多个所述候选模型。
5.根据权利要求1-4任一项所述的方法,其中,所述目标识别任务为多个,所述根据所述预测信息与所述样本的标准信息之间的差异,确定所述多个候选模型的组合性能,包括:
根据各所述目标识别任务的预测信息,与对应任务的所述标准信息之间的差异,确定各所述目标识别任务的损失函数值;
对各所述目标识别任务的损失函数值加权求和,得到总损失函数值;
根据所述总损失函数值,确定所述多个候选模型的组合性能。
6.根据权利要求1-4任一项所述的方法,其中,所述目标识别任务为多个,所述根据所述预测信息与所述样本的标准信息之间的差异,确定所述多个候选模型的组合性能,包括:
根据各所述目标识别任务的预测信息,与对应任务的所述标准信息之间的差异,确定各所述目标识别任务的准召率;
根据各所述目标识别任务的准召率,确定所述多个候选模型的组合性能。
7.一种预训练模型的生成装置,包括:
提取模块,用于采用模型集合内选取的多个候选模型,对测试集内的样本进行特征提取,得到各所述候选模型输出的特征;
融合模块,用于对各所述候选模型输出的特征进行特征融合,得到融合特征;
执行模块,用于根据所述融合特征执行设定的目标识别任务,以得到预测信息;
确定模块,用于根据所述预测信息与所述样本的标准信息之间的差异,确定所述多个候选模型的组合性能;
生成模块,用于在所述组合性能满足设定性能指标的情况下,根据所述多个候选模型生成预训练模型。
8.根据权利要求7所述的装置,其中,所述装置,还包括:
获取模块,用于获取模型集合;
组合模块,用于将所述模型集合内的各模型组合得到超网络;
第一训练模块,用于对所述超网络进行训练;
搜索模块,用于采用设定搜索算法从所述超网络中搜索得到目标子网络;
所述确定模块,用于将所述目标子网络中的各所述模型作为所述模型集合内选取的所述候选模型。
9.根据权利要求8所述的装置,其中,所述第一训练模块,用于:
采用训练集内的训练样本输入所述超网络;
根据所述超网络中各子网络输出的特征,确定各所述子网络的损失函数值;
对各所述子网络的损失函数值融合得到融合损失函数;
根据所述融合损失函数,对所述超网络中的各模型进行模型参数调整。
10.根据权利要求7所述的装置,其中,所述装置,还包括:
第二训练模块,用于采用训练集,分别对所述模型集合内的各模型进行训练;
选取模块,用于根据模型训练过程中各模型的损失函数的梯度,从所述模型集合中选取多个所述候选模型。
11.根据权利要求7-10任一项所述的装置,其中,所述目标识别任务为多个,所述确定模块,还用于:
根据各所述目标识别任务的预测信息,与对应任务的所述标准信息之间的差异,确定各所述目标识别任务的损失函数值;
对各所述目标识别任务的损失函数值加权求和,得到总损失函数值;
根据所述总损失函数值,确定所述多个候选模型的组合性能。
12.根据权利要求7-10任一项所述的装置,其中,所述目标识别任务为多个,所述确定模块,还用于:
根据各所述目标识别任务的预测信息,与对应任务的所述标准信息之间的差异,确定各所述目标识别任务的准召率;
根据各所述目标识别任务的准召率,确定所述多个候选模型的组合性能。
13.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-6中任一项所述的方法。
14.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。
15.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110865000.8A CN113657465B (zh) | 2021-07-29 | 2021-07-29 | 预训练模型的生成方法、装置、电子设备和存储介质 |
US17/853,633 US20220335711A1 (en) | 2021-07-29 | 2022-06-29 | Method for generating pre-trained model, electronic device and storage medium |
JP2022120757A JP2022141957A (ja) | 2021-07-29 | 2022-07-28 | メタデータのスナップショット方法及びそのスナップ装置 |
KR1020220093715A KR20220113881A (ko) | 2021-07-29 | 2022-07-28 | 사전 훈련 모델의 생성 방법, 장치, 전자 기기 및 저장 매체 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110865000.8A CN113657465B (zh) | 2021-07-29 | 2021-07-29 | 预训练模型的生成方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113657465A true CN113657465A (zh) | 2021-11-16 |
CN113657465B CN113657465B (zh) | 2024-04-09 |
Family
ID=78490877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110865000.8A Active CN113657465B (zh) | 2021-07-29 | 2021-07-29 | 预训练模型的生成方法、装置、电子设备和存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220335711A1 (zh) |
JP (1) | JP2022141957A (zh) |
KR (1) | KR20220113881A (zh) |
CN (1) | CN113657465B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065939A (zh) * | 2021-11-22 | 2022-02-18 | 北京百度网讯科技有限公司 | 量子芯片设计模型的训练方法、装置、设备及存储介质 |
CN114565030A (zh) * | 2022-02-17 | 2022-05-31 | 北京百度网讯科技有限公司 | 特征筛选方法、装置、电子设备和存储介质 |
CN114723966A (zh) * | 2022-03-30 | 2022-07-08 | 北京百度网讯科技有限公司 | 多任务识别方法、训练方法、装置、电子设备及存储介质 |
CN116502679A (zh) * | 2023-05-15 | 2023-07-28 | 之江实验室 | 一种模型构建方法、装置、存储介质及电子设备 |
CN117113137A (zh) * | 2023-08-07 | 2023-11-24 | 国网冀北电力有限公司信息通信分公司 | 电力模型匹配方法、装置、存储介质及电子设备 |
WO2024007105A1 (en) * | 2022-07-04 | 2024-01-11 | Robert Bosch Gmbh | Method and apparatus for continual learning of tasks |
WO2024065535A1 (en) * | 2022-09-29 | 2024-04-04 | Intel Corporation | Methods, apparatus, and articles of manufacture to generate hardware-aware machine learning model architectures for multiple domains without training |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024071845A1 (ko) * | 2022-09-28 | 2024-04-04 | 주식회사 메디컬에이아이 | 의료용 인공지능 모델의 구축 방법, 프로그램 및 장치 |
CN118036777A (zh) * | 2022-11-04 | 2024-05-14 | 大唐移动通信设备有限公司 | 模型训练方法、模型测试方法、装置及存储介质 |
CN115470873B (zh) * | 2022-11-14 | 2023-04-18 | 中国人民解放军国防科技大学 | 一种雷达辐射源识别方法与系统 |
CN115759232B (zh) * | 2022-11-23 | 2023-08-22 | 北京百度网讯科技有限公司 | 深度学习框架的多任务并行处理方法、装置、设备和介质 |
CN116151215B (zh) * | 2022-12-28 | 2023-12-01 | 北京百度网讯科技有限公司 | 文本处理方法、深度学习模型训练方法、装置以及设备 |
CN115905021B (zh) * | 2022-12-30 | 2023-11-28 | 长春吉大正元信息技术股份有限公司 | 一种模糊测试方法、装置、电子设备以及存储介质 |
CN115983609B (zh) * | 2023-03-17 | 2023-06-13 | 中关村科学城城市大脑股份有限公司 | 工单处理方法、装置、电子设备和计算机可读介质 |
CN116361463B (zh) * | 2023-03-27 | 2023-12-08 | 应急管理部国家减灾中心(应急管理部卫星减灾应用中心) | 一种地震灾情信息提取方法、装置、设备及介质 |
CN116049411B (zh) * | 2023-03-31 | 2023-06-27 | 北京中关村科金技术有限公司 | 一种信息匹配方法、装置、设备和可读存储介质 |
CN116527411B (zh) * | 2023-07-05 | 2023-09-22 | 安羚科技(杭州)有限公司 | 数据安全智能防护模型构建方法、装置及协作平台 |
CN117556753B (zh) * | 2024-01-11 | 2024-03-19 | 联和存储科技(江苏)有限公司 | 存储芯片的能耗分析方法、装置、设备及存储介质 |
CN117893873A (zh) * | 2024-03-18 | 2024-04-16 | 安徽大学 | 一种基于多模态信息融合的主动跟踪方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034365A (zh) * | 2018-07-06 | 2018-12-18 | 电子科技大学 | 深度学习模型的训练方法及装置 |
CN109711548A (zh) * | 2018-12-26 | 2019-05-03 | 歌尔股份有限公司 | 超参数的选取方法、使用方法、装置及电子设备 |
CN111612146A (zh) * | 2020-04-16 | 2020-09-01 | 杭州电子科技大学 | 一种基于无监督学习的模型预训练方法 |
CN111639753A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 用于训练超网络的方法、装置、设备以及存储介质 |
CN111680597A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 人脸识别模型处理方法、装置、设备和存储介质 |
US20200387795A1 (en) * | 2019-06-06 | 2020-12-10 | Beijing Xiaomi Mobile Software Co., Ltd. | Super network training method and device |
CN112329732A (zh) * | 2020-11-30 | 2021-02-05 | 北京百度网讯科技有限公司 | 模型生成方法、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 |
CN112559870A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 多模型融合方法、装置、电子设备和存储介质 |
CN112580723A (zh) * | 2020-12-18 | 2021-03-30 | 北京百度网讯科技有限公司 | 多模型融合方法、装置、电子设备和存储介质 |
CN112686299A (zh) * | 2020-12-29 | 2021-04-20 | 北京迈格威科技有限公司 | 计算机执行的神经网络模型获取方法及装置 |
CN112784961A (zh) * | 2021-01-21 | 2021-05-11 | 北京百度网讯科技有限公司 | 超网络的训练方法、装置、电子设备和存储介质 |
CN112784962A (zh) * | 2021-01-21 | 2021-05-11 | 北京百度网讯科技有限公司 | 超网络的训练方法、装置、电子设备和存储介质 |
CN112801215A (zh) * | 2021-03-17 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 图像处理模型搜索、图像处理方法、装置和存储介质 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08106473A (ja) * | 1994-10-06 | 1996-04-23 | Fujitsu Ltd | データベース管理システム |
US11157517B2 (en) * | 2016-04-18 | 2021-10-26 | Amazon Technologies, Inc. | Versioned hierarchical data structures in a distributed data store |
-
2021
- 2021-07-29 CN CN202110865000.8A patent/CN113657465B/zh active Active
-
2022
- 2022-06-29 US US17/853,633 patent/US20220335711A1/en not_active Abandoned
- 2022-07-28 KR KR1020220093715A patent/KR20220113881A/ko unknown
- 2022-07-28 JP JP2022120757A patent/JP2022141957A/ja active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109034365A (zh) * | 2018-07-06 | 2018-12-18 | 电子科技大学 | 深度学习模型的训练方法及装置 |
CN109711548A (zh) * | 2018-12-26 | 2019-05-03 | 歌尔股份有限公司 | 超参数的选取方法、使用方法、装置及电子设备 |
US20200387795A1 (en) * | 2019-06-06 | 2020-12-10 | Beijing Xiaomi Mobile Software Co., Ltd. | Super network training method and device |
CN111612146A (zh) * | 2020-04-16 | 2020-09-01 | 杭州电子科技大学 | 一种基于无监督学习的模型预训练方法 |
CN111639753A (zh) * | 2020-05-29 | 2020-09-08 | 北京百度网讯科技有限公司 | 用于训练超网络的方法、装置、设备以及存储介质 |
CN111680597A (zh) * | 2020-05-29 | 2020-09-18 | 北京百度网讯科技有限公司 | 人脸识别模型处理方法、装置、设备和存储介质 |
CN112329732A (zh) * | 2020-11-30 | 2021-02-05 | 北京百度网讯科技有限公司 | 模型生成方法、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 |
CN112559870A (zh) * | 2020-12-18 | 2021-03-26 | 北京百度网讯科技有限公司 | 多模型融合方法、装置、电子设备和存储介质 |
CN112580723A (zh) * | 2020-12-18 | 2021-03-30 | 北京百度网讯科技有限公司 | 多模型融合方法、装置、电子设备和存储介质 |
CN112686299A (zh) * | 2020-12-29 | 2021-04-20 | 北京迈格威科技有限公司 | 计算机执行的神经网络模型获取方法及装置 |
CN112784961A (zh) * | 2021-01-21 | 2021-05-11 | 北京百度网讯科技有限公司 | 超网络的训练方法、装置、电子设备和存储介质 |
CN112784962A (zh) * | 2021-01-21 | 2021-05-11 | 北京百度网讯科技有限公司 | 超网络的训练方法、装置、电子设备和存储介质 |
CN112801215A (zh) * | 2021-03-17 | 2021-05-14 | 腾讯科技(深圳)有限公司 | 图像处理模型搜索、图像处理方法、装置和存储介质 |
Non-Patent Citations (2)
Title |
---|
SAM ADÉ JACOBS 等: "Towards Scalable Parallel Training of Deep Neural Networks", 《MLHPC\'17: PROCEEDINGS OF THE MACHINE LEARNING ON HPC ENVIRONMENTS》, 12 November 2017 (2017-11-12), pages 1 * |
胡丹 等: "基于深度特征与LBP纹理融合的视觉跟踪", 《计算机工程》, 30 September 2016 (2016-09-30), pages 220 - 225 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114065939A (zh) * | 2021-11-22 | 2022-02-18 | 北京百度网讯科技有限公司 | 量子芯片设计模型的训练方法、装置、设备及存储介质 |
CN114565030A (zh) * | 2022-02-17 | 2022-05-31 | 北京百度网讯科技有限公司 | 特征筛选方法、装置、电子设备和存储介质 |
CN114565030B (zh) * | 2022-02-17 | 2022-12-20 | 北京百度网讯科技有限公司 | 特征筛选方法、装置、电子设备和存储介质 |
CN114723966A (zh) * | 2022-03-30 | 2022-07-08 | 北京百度网讯科技有限公司 | 多任务识别方法、训练方法、装置、电子设备及存储介质 |
WO2024007105A1 (en) * | 2022-07-04 | 2024-01-11 | Robert Bosch Gmbh | Method and apparatus for continual learning of tasks |
WO2024065535A1 (en) * | 2022-09-29 | 2024-04-04 | Intel Corporation | Methods, apparatus, and articles of manufacture to generate hardware-aware machine learning model architectures for multiple domains without training |
CN116502679A (zh) * | 2023-05-15 | 2023-07-28 | 之江实验室 | 一种模型构建方法、装置、存储介质及电子设备 |
CN116502679B (zh) * | 2023-05-15 | 2023-09-05 | 之江实验室 | 一种模型构建方法、装置、存储介质及电子设备 |
CN117113137A (zh) * | 2023-08-07 | 2023-11-24 | 国网冀北电力有限公司信息通信分公司 | 电力模型匹配方法、装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
JP2022141957A (ja) | 2022-09-29 |
KR20220113881A (ko) | 2022-08-17 |
CN113657465B (zh) | 2024-04-09 |
US20220335711A1 (en) | 2022-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113657465B (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN112906502A (zh) | 目标检测模型的训练方法、装置、设备以及存储介质 | |
CN113642431A (zh) | 目标检测模型的训练方法及装置、电子设备和存储介质 | |
CN113065614B (zh) | 分类模型的训练方法和对目标对象进行分类的方法 | |
CN112580733B (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
CN112862005B (zh) | 视频的分类方法、装置、电子设备和存储介质 | |
US20230186607A1 (en) | Multi-task identification method, training method, electronic device, and storage medium | |
CN113379059B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN112784778A (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
CN112560985A (zh) | 神经网络的搜索方法、装置及电子设备 | |
CN114449343A (zh) | 一种视频处理方法、装置、设备及存储介质 | |
CN113627536A (zh) | 模型训练、视频分类方法,装置,设备以及存储介质 | |
CN114169425B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN113657468A (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN114360027A (zh) | 一种特征提取网络的训练方法、装置及电子设备 | |
CN113627361A (zh) | 人脸识别模型的训练方法、装置及计算机程序产品 | |
CN112508126A (zh) | 深度学习模型训练方法、装置、电子设备及可读存储介质 | |
CN113657466B (zh) | 预训练模型的生成方法、装置、电子设备和存储介质 | |
CN113961765B (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN113449778B (zh) | 用于量子数据分类的模型训练方法以及量子数据分类方法 | |
CN114548307A (zh) | 分类模型训练方法和装置、分类方法和装置 | |
CN113963011A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN114359993A (zh) | 模型训练方法、人脸识别方法、装置、设备、介质及产品 | |
CN114581751B (zh) | 图像识别模型的训练方法和图像识别方法、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 |