CN113807390A - 模型训练方法、装置、电子设备及存储介质 - Google Patents
模型训练方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113807390A CN113807390A CN202110890753.4A CN202110890753A CN113807390A CN 113807390 A CN113807390 A CN 113807390A CN 202110890753 A CN202110890753 A CN 202110890753A CN 113807390 A CN113807390 A CN 113807390A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- training
- category
- data set
- 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
- 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
- G06F18/24—Classification techniques
-
- 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
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了模型训练方法、装置、电子设备及存储介质,涉及深度学习以及计算机视觉等人工智能领域,其中的方法可包括:利用由已标注的数据组成的第一数据集训练得到教师模型;利用教师模型对由未标注的数据组成的第二数据集中的各数据进行标注,根据标注结果从第二数据集中选出符合要求的数据,组成第三数据集;其中,第三数据集中的数据条数大于第一数据集中的数据条数;根据第三数据集中的数据,利用教师模型对学生模型进行蒸馏训练,得到蒸馏训练后的学生模型。应用本公开所述方案,可节省人力和时间成本,并确保了得到的学生模型的性能。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及深度学习以及计算机视觉等领域,尤其涉及模型训练方法、装置、电子设备及存储介质。
背景技术
目前,通常采用预先训练得到的数据分类模型来进行数据分类。以数据是图像数据为例,通常为了得到图像分类模型,需要预先获取标注数据,即训练图像,相应地,可根据所述标注数据训练得到图像分类模型。通常来说,标注数据的数量越多,训练得到的图像分类模型的性能越好,那么,为了得到高质量的图像分类模型,则需要获取大量的标注数据。
相关技术中,标注数据通常采用人工标注的方式得到,从而需要耗费很大的人力和时间成本。
发明内容
本公开提供了模型训练方法、装置、电子设备及存储介质。
根据本公开的一个方面,提供了一种模型训练方法,包括:
利用由已标注的数据组成的第一数据集训练得到教师模型;
利用所述教师模型对由未标注的数据组成的第二数据集中的各数据进行标注,根据标注结果从所述第二数据集中选出符合要求的数据,组成第三数据集;其中,所述第三数据集中的数据条数大于所述第一数据集中的数据条数;
根据所述第三数据集中的数据,利用所述教师模型对学生模型进行蒸馏训练,得到蒸馏训练后的学生模型。
根据本公开的一个方面,提供了一种模型训练装置,包括:教师模型获取模块、数据筛选模块以及学生模型获取模块;
所述教师模型获取模块,用于利用由已标注的数据组成的第一数据集训练得到教师模型;
所述数据筛选模块,用于利用所述教师模型对由未标注的数据组成的第二数据集中的各数据进行标注,根据标注结果从所述第二数据集中选出符合要求的数据,组成第三数据集;其中,所述第三数据集中的数据条数大于所述第一数据集中的数据条数;
所述学生模型获取模块,用于根据所述第三数据集中的数据,利用所述教师模型对学生模型进行蒸馏训练,得到蒸馏训练后的学生模型。
根据本公开的一个方面,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如以上所述的方法。
根据本公开的一个方面,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计算机执行如以上所述的方法。
根据本公开的一个方面,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:仅需标注相对少量的数据以训练得到教师模型,之后可利用教师模型来标注和筛选出大量的训练数据,进而可利用训练数据及教师模型来对学生模型进行训练,即可结合蒸馏学习以及半监督学习来进行学生模型的训练,从而可得到最终所需的模型,相比于相关技术,不但节省了人力和时间成本,而且确保了得到的学生模型的性能。
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为本公开所述模型训练方法第一实施例的流程图;
图2为本公开所述得到新的训练图像的过程示意图;
图3为本公开所述模型训练方法第二实施例的流程图;
图4为本公开所述模型训练装置实施例400的组成结构示意图;
图5示出了可以用来实施本公开的实施例的电子设备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。
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为本公开所述模型训练方法第一实施例的流程图。如图1所示,包括以下具体实现步骤。
在步骤101中,利用由已标注的数据组成的第一数据集训练得到教师模型。
在步骤102中,利用教师模型对由未标注的数据组成的第二数据集中的各数据进行标注,根据标注结果从第二数据集中选出符合要求的数据,组成第三数据集;其中,第三数据集中的数据条数大于第一数据集中的数据条数。
在步骤103中,根据第三数据集中的数据,利用教师模型对学生模型进行蒸馏训练,得到蒸馏训练后的学生模型。
可以看出,上述方法实施例所述方案中,仅需标注相对少量的数据以训练得到教师模型,之后可利用教师模型来标注和筛选出大量的训练数据,进而可利用训练数据及教师模型来对学生模型进行训练,即可结合蒸馏学习以及半监督学习来进行学生模型的训练,从而可得到最终所需的模型,相比于相关技术,不但节省了人力和时间成本,而且确保了得到的学生模型的性能。
可选地,第一数据集和第二数据集中的数据为相同类型的数据,但第一数据集中的数据为已标注的数据,而第二数据集中的数据为未标注的数据。
可选地,以上的数据,可以包括但不限于:图像数据、音频数据等。相应地,上述相同类型的数据可以是指均为图像数据,或者均为音频数据等,已标注的数据指标注了数据的分类结果。
比如,在图像分类场景中,第一数据集和第二数据集中的数据均为图像数据,第一数据集中的图像数据均标注了对应的类别,该类别可以用于指示图像内容的类别,而第二数据集中的图像数据均未进行标注。
通常来说,第二数据集中的数据条数会远大于第一数据集中的数据条数。比如,第一数据集中可包括100万条图像数据,即可包括100万张图像,共可对应1000个类别,平均每个类别包括1000条图像数据,第二数据集中可包括1亿条图像数据。
可首先利用第一数据集训练得到教师模型。教师模型具体为何种模型不作限制,比如,可为深度残差网络(ResNet,Deep residual Network)101模型。
优选地,可采用数据增强的方式训练得到教师模型,以提升得到的教师模型的准确率。
所述数据增强的方式具体为何种方式不作限制,比如,可为切割混合(CutMix)方式。CutMix方式的实现思路如下:对于训练时所用的两张训练图像(即图像数据),从其中的一张训练图像中截取出一部分,用截取出的部分覆盖另一张训练图像中的对应区域,从而得到一张新的训练图像。如图2所示,图2为本公开所述得到新的训练图像的过程示意图。
通过上述处理,可增大样本空间,从而提升了教师模型的准确率等。
在获取到教师模型后,可利用教师模型来对第二数据集中的各数据进行标注,并可根据标注结果从第二数据集中选出符合要求的数据,组成第三数据集。
以图像分类场景为例,所述数据为图像数据,教师模型和学生模型均为图像分类模型,利用教师模型对第二数据集中的各数据进行标注的方式可包括:针对第二数据集中的每条图像数据,分别进行以下处理:利用教师模型确定出该图像数据分别对应于N个不同类别的分数,N为大于1的正整数,表示类别总数,将所述分数作为该图像数据的标注结果。也就是说,针对任一图像图像,可分别获取该图像数据属于每个类别的分数,所述分数用于反映该图像数据属于对应类别的概率大小。
上述分数可获取自教师模型的最后一层,通常为全连接层,即可获取教师模型的最后一层输出的所述分数。
相应地,根据标注结果从第二数据集中选出符合要求的数据的方式可包括:针对每条图像数据,分别进行以下处理:将该图像数据对应的N个分数按照从大到小的顺序进行排序,将排序后处于前M位的分数对应的类别作为该图像数据对应的类别,M为正整数,且M小于N,进一步地,针对每个类别,可分别进行以下处理:确定出该类别对应的图像数据,从该类别对应的图像数据中确定满足预设条件的图像数据作为选出的符合要求的图像数据。
比如,若任一类别对应的图像数据达到P条,可将该类别对应的各图像数据按照该类别对应的分数从大到小的顺序进行排序,将排序后处于前P位的图像数据作为选出的符合要求的图像数据,P为大于1的正整数,且P小于第二数据库中的数据条数,若任一类别对应的图像数据不足P条,可对该类别对应的图像数据进行重复采样,直到该类别对应的图像数据达到P条,并可将这P条图像数据作为选出的符合要求的图像数据。
上述过程可举例说明如下:
假设第二数据集中包括1亿条图像数据,针对每条图像数据,可分别利用教师模型获取到该图像数据对应于N个不同类别的分数,假设N的取值为1000,为便于表述,将1000个类别分别称为类别1~类别1000。
假设M的取值为10,那么针对每条图像数据,还可分别将该图像数据对应的1000个分数按照从大到小的顺序进行排序,将排序后处于前10位的分数对应的类别作为该图像数据对应的类别,即仅保留top-10的分数对应的类别,通常来说,取值越大的分数具有越高的置信度,这样处理可防止引入过多的噪声。
假设P的取值为1万,那么针对类别1,可首先确定出类别1对应的图像数据,即可确定出对应的类别中包括类别1的图像数据,之后可将确定出的各图像数据按照类别1的分数从大到小的顺序进行排序,将排序后处于前1万位的图像数据作为选出的符合要求的图像数据,即可按照类别1下的分数由大到小的顺序取前1万条图像数据,针对类别2,可首先确定出类别2对应的图像数据,之后可将确定出的各图像数据按照类别2的分数从大到小的顺序进行排序,将排序后处于前1万位的图像数据作为选出的符合要求的图像数据,针对类别3,可首先确定出类别3对应的图像数据,之后可将确定出的各图像数据按照类别3的分数从大到小的顺序进行排序,将排序后处于前1万位的图像数据作为选出的符合要求的图像数据,其它各类别以此类推,不再赘述。
这样,针对1000个类别,共可选出1000万(10000*1000)条图像数据,并可利用选出的图像数据组成第三数据集。
通过上述处理,可方便高效地从第二数据集中筛选出所需的图像数据,并确保了筛选出的图像数据的准确性等,从而为后续处理奠定了良好的基础。
若任一类别对应的图像数据不足P条,可通过对该类别对应的图像数据进行重复采样,得到P条该类别对应的图像数据,即可对该类别对应的图像数据进行重复采样,直到该类别对应的图像数据达到P条。
比如,类别10对应的图像数据为8000条,不足1万条,那么可对这8000条图像数据进行随机采样,采样出2000条图像数据,从而与原有的8000条图像数据一起,组成类别10对应的1万条图像数据。
通过上述处理,使得各类别对应相同数量的图像数据,从而方便了后续的模型训练等。
在获取到第三数据集后,可根据第三数据集中的数据,利用教师模型对学生模型进行蒸馏训练,从而得到所需的学生模型。
学生模型具体为何种模型不作限制,比如,可为ResNet50模型。
在利用教师模型对学生模型进行蒸馏训练时,需要固定教师模型的梯度,即教师模型在训练过程中保持不变,并可分别获取教师模型最后一层输出的分数以及学生模型最后一层输出的分数。通常来说,教师模型和学生模型的最后一层均为全连接层。
根据获取到的教师模型最后一层输出的分数以及学生模型最后一层输出的分数,可进一步计算出JS散度。
所述JS散度可定义如下:
其中,P1表示教师模型最后一层输出的分数,P2表示学生模型最后一层输出的分数,KL表示KL散度,KL散度常用来计算两个分数分布的差异,KL散度的取值越小,说明分数分布差异越小,JS(P1||P2)表示JS散度。
如何计算KL散度为现有技术,JS散度为基于KL散度的变体,解决了KL散度非对称等问题,能够很好地使学生模型学习到教师模型的分布,从而使得学生模型具有和教师模型基本一样的准确率,也就是说,相比于KL散度,JS散度的蒸馏效果会更好。
在获取到JS散度后,可利用JS散度来对学生模型进行优化,即可使用JS散度作为损失(Loss)进行蒸馏训练。
优选地,可采用数据增强的方式对学生模型进行蒸馏训练,以提升得到的学生模型的准确率。所述数据增强的方式具体为何种方式不作限制,比如,可为CutMix方式。
优选地,还可采用第一学习速率对学生模型进行蒸馏训练,第一学习速率小于学生模型的原始学习速率,原始学习速率与学生模型的类型对应。以学生模型为ResNet50模型为例,其原始学习速率通常为0.01,本公开所述方案中,在进行蒸馏训练时,可将学生模型的学习速率缩小10倍,即变为0.001。
通过上述处理,可减少Loss震荡,从而更容易收敛到合适位置,提升训练效率及训练效果等。
优选地,可对学生模型进行W轮蒸馏训练,W为大于1的正整数,且大于学生模型的原始训练轮数。训练轮数即指训练周期(epoch)。
比如,原始训练轮数为120,W的取值为360,通常增加训练轮数,可提升蒸馏效果,进而可提升得到的学生模型的性能。
优选地,还可利用第一数据集对进行蒸馏训练后的学生模型进行训练,即可利用第一数据集对进行蒸馏训练后的学生模型进行进一步优化,以进一步提升模型性能。
优选地,可采用数据增强的方式对进行蒸馏训练后的学生模型进行训练,以提升得到的学生模型的准确率。
优选地,还可采用第二学习速率对进行蒸馏训练后的学生模型进行训练,第二学习速率小于学生模型的原始学习速率,通常来说,第二学习速率还会小于第一学习速率。比如,第一学习速率为0.001,第二学习速率为0.0001。
通过上述处理,可进一步减少Loss震荡,从而更容易收敛到合适位置,提升训练效率及训练效果等。
上述各参数的具体取值均为举例说明,并不用于限制本公开的技术方案,具体取值均可根据实际需要而定。
基于上述介绍,图3为本公开所述模型训练方法第二实施例的流程图。本实施例中以各模型均为图像分类模型为例,如图3所示,包括以下具体实现步骤。
在步骤301中,利用由已标注的图像数据组成的第一数据集训练得到教师模型。
其中,可采用数据增强的方式训练得到教师模型,数据增强的方式可为CutMix方式。
在步骤302中,利用教师模型对由未标注的图像数据组成的第二数据集中的各图像数据进行标注。
其中,针对第二数据集中的每条图像数据,可利用教师模型确定出该图像数据分别对应于N个不同类别的分数,N为大于1的正整数,表示类别总数。
在步骤303中,根据标注结果从第二数据集中选出符合要求的图像数据,组成第三数据集,第三数据集中的数据条数大于第一数据集中的数据条数。
其中,针对第二数据集中的每条图像数据,可分别进行以下处理:将该图像数据对应的N个分数按照从大到小的顺序进行排序,将排序后处于前M位的分数对应的类别作为该图像数据对应的类别,M为正整数,且M小于N。
相应地,针对每个类别,可分别进行以下处理:确定出该类别对应的图像数据,将确定出的各图像数据按照该类别对应的分数从大到小的顺序进行排序,将排序后处于前P位的图像数据作为选出的符合要求的图像数据,P为大于1的正整数,且小于第二数据库中的数据条数。
另外,若任一类别对应的图像数据不足P条,可通过对该类别对应的图像数据进行重复采样,得到P条该类别对应的图像数据。
在步骤304中,根据第三数据集中的图像数据,利用教师模型对学生模型进行蒸馏训练。
其中,可采用数据增强的方式对学生模型进行蒸馏训练,数据增强的方式可为CutMix方式。
另外,可采用第一学习速率对学生模型进行蒸馏训练,第一学习速率小于学生模型的原始学习速率。
再有,可对学生模型进行W轮蒸馏训练,W为大于1的正整数,且大于学生模型的原始训练轮数。
在步骤305中,利用第一数据集对进行蒸馏训练后的学生模型进行训练,得到最终所需的学生模型。
其中,可采用数据增强的方式对进行蒸馏训练后的学生模型进行训练,数据增强的方式可为CutMix方式。
另外,可采用第二学习速率对进行蒸馏训练后的学生模型进行训练,第二学习速率可小于第一学习速率。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都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。另外,某个实施例中没有详述的部分,可以参见其它实施例中的相关说明。
总之,采用本公开方法实施例所述方案,结合蒸馏学习和半监督学习,可得到高质量的机器模型,以图像分类模型为例,得到的图像分类模型不仅推理速度快,而且确保了分类结果的准确性,即能够得到兼顾准确率和速度的图像分类模型。
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4为本公开所述模型训练装置实施例400的组成结构示意图。如图4所示,包括:教师模型获取模块401、数据筛选模块402以及学生模型获取模块403。
教师模型获取模块401,用于利用由已标注的数据组成的第一数据集训练得到教师模型。
数据筛选模块402,用于利用教师模型对由未标注的数据组成的第二数据集中的各数据进行标注,根据标注结果从第二数据集中选出符合要求的数据,组成第三数据集;其中,第三数据集中的数据条数大于第一数据集中的数据条数。
学生模型获取模块403,用于根据第三数据集中的数据,利用教师模型对学生模型进行蒸馏训练,得到蒸馏训练后的学生模型。
上述装置实施例所述方案中,仅需标注相对少量的数据以训练得到教师模型,之后可利用教师模型来标注和筛选出大量的训练数据,进而可利用训练数据及教师模型来对学生模型进行训练,即可结合蒸馏学习以及半监督学习来进行学生模型的训练,从而可得到最终所需的模型,相比于相关技术,不但节省了人力和时间成本,而且确保了得到的学生模型的性能。
第一数据集和第二数据集中的数据为相同类型的数据,但第一数据集中的数据为已标注的数据,而第二数据集中的数据为未标注的数据。通常来说,第二数据集中的数据条数会远大于第一数据集中的数据条数。
比如,在图像分类场景中,第一数据集和第二数据集中的数据均为图像数据,第一数据集中的图像数据均标注了对应的类别,即所属的类别,而第二数据集中的图像数据均未进行标注。相应地,教师模型和学生模型均为图像分类模型。
教师模型获取模块401可首先利用第一数据集训练得到教师模型。优选地,可采用数据增强的方式训练得到教师模型,数据增强的方式可为CutMix方式。
之后,数据筛选模块402可利用教师模型来对第二数据集中的各数据进行标注,并可根据标注结果从第二数据集中选出符合要求的数据,组成第三数据集。
以图像分类场景为例,数据筛选模块402可针对第二数据集中的每条图像数据,分别进行以下处理:利用教师模型确定出该图像数据分别对应于N个不同类别的分数,N为大于1的正整数,表示类别总数,将所述分数作为该图像数据的标注结果。
相应地,数据筛选模块402还可针对每条图像数据,分别进行以下处理:将该图像数据对应的N个分数按照从大到小的顺序进行排序,将排序后处于前M位的分数对应的类别作为该图像数据对应的类别,M为正整数,且M小于N。
进一步地,针对每个类别,数据筛选模块402还可分别进行以下处理:确定出该类别对应的图像数据,从该类别对应的图像数据中确定满足预设条件的图像数据作为选出的符合要求的图像数据。
比如,数据筛选模块402若确定任一类别对应的图像数据达到P条,可将该类别对应的图像数据按照该类别对应的分数从大到小的顺序进行排序,将排序后处于前P位的图像数据作为选出的符合要求的图像数据,P为大于1的正整数,若确定任一类别对应的图像数据不足P条,那么数据筛选模块402可对该类别对应的图像数据进行重复采样,直到该类别对应的图像数据达到P条,并可将这P条数据作为选出的符合要求的数据。
在获取到第三数据集后,学生模型获取模块403可根据第三数据集中的数据,利用教师模型对学生模型进行蒸馏训练,从而得到所需的学生模型。
优选地,学生模型获取模块403可采用数据增强的方式对学生模型进行蒸馏训练。
优选地,学生模型获取模块403还可采用第一学习速率对学生模型进行蒸馏训练,第一学习速率小于学生模型的原始学习速率,原始学习速率与学生模型的类型对应。
优选地,学生模型获取模块403还可对学生模型进行W轮蒸馏训练,W为大于1的正整数,且大于学生模型的原始训练轮数。
另外,学生模型获取模块403还可利用第一数据集对进行蒸馏训练后的学生模型进行训练,即可利用第一数据集对进行蒸馏训练后的学生模型进行进一步优化。
优选地,学生模型获取模块403可采用数据增强的方式对进行蒸馏训练后的学生模型进行训练。
优选地,学生模型获取模块403还可采用第二学习速率对进行蒸馏训练后的学生模型进行训练,第二学习速率小于学生模型的原始学习速率,通常来说,第二学习速率还会小于第一学习速率。
图4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,结合蒸馏学习和半监督学习,可得到高质量的机器模型,以图像分类模型为例,得到的图像分类模型不仅推理速度快,而且确保了分类结果的准确性,即能够得到兼顾准确率和速度的图像分类模型。
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5示出了可以用来实施本公开的实施例的电子设备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、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 (19)
1.一种模型训练方法,包括:
利用由已标注的数据组成的第一数据集训练得到教师模型;
利用所述教师模型对由未标注的数据组成的第二数据集中的各数据进行标注,根据标注结果从所述第二数据集中选出符合要求的数据,组成第三数据集;其中,所述第三数据集中的数据条数大于所述第一数据集中的数据条数;
根据所述第三数据集中的数据,利用所述教师模型对学生模型进行蒸馏训练,得到蒸馏训练后的学生模型。
2.根据权利要求1所述的方法,其中,所述利用所述教师模型对由未标注的数据组成的第二数据集中的各数据进行标注包括:
针对所述第二数据集中的每条数据,分别进行以下处理:利用所述教师模型确定出所述数据分别对应于N个不同类别的分数,N为大于1的正整数;将所述分数作为所述数据的标注结果。
3.根据权利要求2所述的方法,其中,所述根据标注结果从所述第二数据集中选出符合要求的数据包括:
针对每条数据,分别进行以下处理:将所述数据对应的N个分数按照从大到小的顺序进行排序,将排序后处于前M位的分数对应的类别作为所述数据对应的类别,M为正整数,且M小于N;
针对每个类别,分别进行以下处理:确定出所述类别对应的数据,从所述类别对应的数据中确定满足预设条件的数据作为选出的符合要求的数据。
4.根据权利要求3所述的方法,其中,所述从所述类别对应的数据中确定满足预设条件的数据作为选出的符合要求的数据包括:
若任一类别对应的数据达到P条,则将所述类别对应的数据按照所述类别对应的分数从大到小的顺序进行排序,将排序后处于前P位的数据作为选出的符合要求的数据,P为大于1的正整数;
若任一类别对应的数据不足P条,则对所述类别对应的数据进行重复采样,直到所述类别对应的数据达到P条,并将所述P条数据作为选出的符合要求的数据。
5.根据权利要求1~4中任一项所述的方法,还包括:
利用所述第一数据集对所述蒸馏训练后的学生模型进行训练。
6.根据权利要求1所述的方法,其中,
所述训练得到教师模型包括:采用数据增强的方式训练得到所述教师模型;
和/或,所述对学生模型进行蒸馏训练包括:采用数据增强的方式对所述学生模型进行蒸馏训练。
7.根据权利要求1所述的方法,其中,所述对学生模型进行蒸馏训练包括:
采用第一学习速率对所述学生模型进行蒸馏训练,所述第一学习速率小于所述学生模型的原始学习速率,所述原始学习速率与所述学生模型的类型对应。
8.根据权利要求5所述的方法,其中,所述对所述蒸馏训练后的学生模型进行训练包括:
采用第二学习速率对所述蒸馏训练后的学生模型进行训练,所述第二学习速率小于原始学习速率,所述原始学习速率与所述学生模型的类型对应。
9.一种模型训练装置,包括:教师模型获取模块、数据筛选模块以及学生模型获取模块;
所述教师模型获取模块,用于利用由已标注的数据组成的第一数据集训练得到教师模型;
所述数据筛选模块,用于利用所述教师模型对由未标注的数据组成的第二数据集中的各数据进行标注,根据标注结果从所述第二数据集中选出符合要求的数据,组成第三数据集;其中,所述第三数据集中的数据条数大于所述第一数据集中的数据条数;
所述学生模型获取模块,用于根据所述第三数据集中的数据,利用所述教师模型对学生模型进行蒸馏训练,得到蒸馏训练后的学生模型。
10.根据权利要求9所述的装置,其中,
所述数据筛选模块针对所述第二数据集中的每条数据,分别进行以下处理:利用所述教师模型确定出所述数据分别对应于N个不同类别的分数,N为大于1的正整数;将所述分数作为所述数据的标注结果。
11.根据权利要求10所述的装置,其中,
所述数据筛选模块针对每条数据,分别进行以下处理:将所述数据对应的N个分数按照从大到小的顺序进行排序,将排序后处于前M位的分数对应的类别作为所述数据对应的类别,M为正整数,且M小于N;针对每个类别,分别进行以下处理:确定出所述类别对应的数据,从所述类别对应的数据中确定满足预设条件的数据作为选出的符合要求的数据。
12.根据权利要求11所述的装置,其中,
所述数据筛选模块进一步用于,若确定任一类别对应的数据达到P条,则将所述类别对应的数据按照所述类别对应的分数从大到小的顺序进行排序,将排序后处于前P位的数据作为选出的符合要求的数据,P为大于1的正整数,若确定任一类别对应的数据不足P条,则对所述类别对应的数据进行重复采样,直到所述类别对应的数据达到P条,并将所述P条数据作为选出的符合要求的数据。
13.根据权利要求9~12中任一项所述的装置,其中,
所述学生模型获取模块进一步用于,利用所述第一数据集对所述蒸馏训练后的学生模型进行训练。
14.根据权利要求9所述的装置,其中,
所述教师模型获取模块采用数据增强的方式训练得到所述教师模型;
和/或,所述学生模型获取模块采用数据增强的方式对所述学生模型进行蒸馏训练。
15.根据权利要求9所述的装置,其中,
所述学生模型获取模块采用第一学习速率对所述学生模型进行蒸馏训练,所述第一学习速率小于所述学生模型的原始学习速率,所述原始学习速率与所述学生模型的类型对应。
16.根据权利要求13所述的装置,其中,
所述学生模型获取模块采用第二学习速率对所述蒸馏训练后的学生模型进行训练,所述第二学习速率小于所述原始学习速率,所述原始学习速率与所述学生模型的类型对应。
17.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使计算机执行根据权利要求1-8中任一项所述的方法。
19.一种计算机程序产品,包括计算机程序,所述计算机程序在被处理器执行时实现根据权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110890753.4A CN113807390A (zh) | 2021-08-04 | 2021-08-04 | 模型训练方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110890753.4A CN113807390A (zh) | 2021-08-04 | 2021-08-04 | 模型训练方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113807390A true CN113807390A (zh) | 2021-12-17 |
Family
ID=78893259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110890753.4A Pending CN113807390A (zh) | 2021-08-04 | 2021-08-04 | 模型训练方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113807390A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456167A (zh) * | 2022-08-30 | 2022-12-09 | 北京百度网讯科技有限公司 | 轻量级模型训练方法、图像处理方法、装置及电子设备 |
-
2021
- 2021-08-04 CN CN202110890753.4A patent/CN113807390A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115456167A (zh) * | 2022-08-30 | 2022-12-09 | 北京百度网讯科技有限公司 | 轻量级模型训练方法、图像处理方法、装置及电子设备 |
CN115456167B (zh) * | 2022-08-30 | 2024-03-12 | 北京百度网讯科技有限公司 | 轻量级模型训练方法、图像处理方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108804512B (zh) | 文本分类模型的生成装置、方法及计算机可读存储介质 | |
CN111625635A (zh) | 问答处理、语言模型的训练方法、装置、设备及存储介质 | |
CN114492831B (zh) | 联邦学习模型的生成方法及其装置 | |
CN113590796B (zh) | 排序模型的训练方法、装置和电子设备 | |
CN113836925B (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
CN112926306A (zh) | 文本纠错方法、装置、设备以及存储介质 | |
CN112507702B (zh) | 文本信息的抽取方法、装置、电子设备及存储介质 | |
CN114841274B (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN113282701B (zh) | 作文素材生成方法、装置、电子设备及可读存储介质 | |
CN112632227A (zh) | 简历匹配方法、装置、电子设备、存储介质和程序产品 | |
CN112528146B (zh) | 内容资源推荐方法、装置、电子设备及存储介质 | |
CN114090601A (zh) | 一种数据筛选方法、装置、设备以及存储介质 | |
CN115248890A (zh) | 用户兴趣画像的生成方法、装置、电子设备以及存储介质 | |
CN113807390A (zh) | 模型训练方法、装置、电子设备及存储介质 | |
CN115048523B (zh) | 文本分类方法、装置、设备以及存储介质 | |
CN114969195B (zh) | 对话内容挖掘方法和对话内容评估模型的生成方法 | |
CN115565186A (zh) | 文字识别模型的训练方法、装置、电子设备和存储介质 | |
CN113269213B (zh) | 训练集的获取方法、装置及电子设备 | |
CN114141236A (zh) | 语言模型更新方法、装置、电子设备及存储介质 | |
CN114119972A (zh) | 模型获取及对象处理方法、装置、电子设备及存储介质 | |
CN113641724A (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN113836377A (zh) | 信息关联方法、装置、电子设备及存储介质 | |
CN113204665A (zh) | 图像检索方法、装置、电子设备及计算机可读存储介质 | |
CN112784600A (zh) | 信息排序方法、装置、电子设备和存储介质 | |
CN112836498A (zh) | 数据处理方法、识别方法、装置及计算设备 |
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 |