CN114118287A - 样本生成方法、装置、电子设备以及存储介质 - Google Patents

样本生成方法、装置、电子设备以及存储介质 Download PDF

Info

Publication number
CN114118287A
CN114118287A CN202111456664.5A CN202111456664A CN114118287A CN 114118287 A CN114118287 A CN 114118287A CN 202111456664 A CN202111456664 A CN 202111456664A CN 114118287 A CN114118287 A CN 114118287A
Authority
CN
China
Prior art keywords
sample
training
model
sample set
determining
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
Application number
CN202111456664.5A
Other languages
English (en)
Inventor
戴兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202111456664.5A priority Critical patent/CN114118287A/zh
Publication of CN114118287A publication Critical patent/CN114118287A/zh
Pending legal-status Critical Current

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
    • 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

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)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Machine Translation (AREA)

Abstract

本公开提供了样本生成方法、装置、电子设备以及存储介质，涉及计算机技术、人工智能领域，尤其涉及大数据、深度学习领域。具体实现方案为：针对用于训练预训练模型的至少一个样本集中的每个样本，确定样本在利用与样本相对应的样本集训练预训练模型的单个轮次所对应的损失值，得到多个损失值，其中，预训练模型包括基于第一学习率，根据至少一个样本集训练得到的模型，至少一个样本集的每个样本集中各自包括多个样本；以及根据多个损失值，确定噪声样本。

Description

样本生成方法、装置、电子设备以及存储介质
技术领域
本公开涉及计算机技术、人工智能领域，尤其涉及大数据、深度学习领域，具体地，涉及一种样本生成方法、装置、电子设备以及存储介质。
背景技术
深度学习，也称为深度结构化学习或分层学习，是基于人工神经网络的更广泛的机器学习方法族的一部分。机器学习是计算机系统为了有效地执行特定任务，不使用明确的指令，而依赖模式和推理使用的算法和统计模型的科学研究。它被视为人工智能的一个子集。机器学习算法构建一个基于样本数据的数学模型，称为“训练数据”，以便在没有明确编程来执行任务的情况下进行预测或决策。
发明内容
本公开提供了一种样本生成方法、装置、电子设备以及存储介质。
根据本公开的一方面，提供了一种样本生成方法，包括：针对用于训练预训练模型的至少一个样本集中的每个样本，确定所述样本在利用与所述样本相对应的样本集训练所述预训练模型的单个轮次所对应的损失值，得到多个损失值，其中，所述预训练模型包括基于第一学习率，根据所述至少一个样本集训练得到的模型，所述至少一个样本集的每个样本集中各自包括多个样本；以及根据所述多个损失值，确定噪声样本。
根据本公开的另一方面，提供了一种目标处理模型的训练方法，包括：将优化后的样本集输入目标处理模型，得到第一预测结果；根据所述第一预测结果，训练所述目标处理模型；其中，所述优化后的样本集是利用上述样本生成方法生成的。
根据本公开的另一方面，提供了一种目标处理方法，包括：将目标对象数据输入目标处理模型，得到第二预测结果；其中，所述目标处理模型是利用上述目标处理模型的训练方法训练的。
根据本公开的一方面，提供了一种样本生成装置，包括：第一确定模块，用于针对用于训练预训练模型的至少一个样本集中的每个样本，确定所述样本在利用与所述样本相对应的样本集训练所述预训练模型的单个轮次所对应的损失值，得到多个损失值，其中，所述预训练模型包括基于第一学习率，根据所述至少一个样本集训练得到的模型，所述至少一个样本集的每个样本集中各自包括多个样本；以及第二确定模块，用于根据所述多个损失值，确定噪声样本。
根据本公开的另一方面，提供了一种目标处理模型的训练装置，包括：第一获得模块，用于将优化后的样本集输入目标处理模型，得到第一预测结果；训练模块，用于根据所述第一预测结果，训练所述目标处理模型；其中，所述优化后的样本集是利用上述样本生成装置生成的。
根据本公开的另一方面，提供了一种目标处理装置，包括：第二获得模块，用于将目标对象数据输入目标处理模型，得到第二预测结果；其中，所述目标处理模型是利用上述目标处理模型的训练装置训练的。
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如上所述的样本生成方法或目标处理模型的训练方法或目标处理方法。
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如上所述的样本生成方法或目标处理模型的训练方法或目标处理方法。
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如上所述的样本生成方法或目标处理模型的训练方法或目标处理方法。
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示意性示出了根据本公开实施例的可以应用样本生成方法及装置或目标处理模型的训练方法及装置或目标处理方法及装置的示例性系统架构；
图2示意性示出了根据本公开实施例的样本生成方法的流程图；
图3示意性示出了根据本公开实施例的基于公式(1)～(2)确定的第二学习率的变化趋势示意图；
图4示意性示出了根据本公开实施例的基于公式(1)～(2)确定的第二学习率训练预训练模型得到的样本集Loss值的变化趋势示意图；
图5示意性示出了根据本公开实施例的样本生成方法的整体流程图；
图6示意性示出了根据本公开实施例的目标处理模型的训练方法的流程图；
图7示意性示出了根据本公开实施例的目标处理模型的训练方法的流程图；
图8示意性示出了根据本公开实施例的样本生成装置的框图；
图9示意性示出了根据本公开实施例的目标处理模型的训练装置的框图；
图10示意性示出了根据本公开实施例的目标处理装置的框图；以及
图11示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。
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。
在本公开的技术方案中，所涉及的用户个人信息的收集、存储、使用、加工、传输、提供和公开等处理，均符合相关法律法规的规定，采取了必要保密措施，且不违背公序良俗。
深度学习架构，例如深度神经网络、深度信念网络、循环神经网络和卷积神经网络，已经被应用于包括计算机视觉、语音识别、自然语言处理、音频识别、社交网络过滤、机器翻译、生物信息学、药物设计、医学图像分析、材料检查和棋盘游戏程序在内的领域。为保证各领域内输出结果的准确性，相应的模型训练必不可少。
在针对各类模型的训练中，随着训练规模的增大，训练样本的噪声也越来越多。训练样本存在少量的噪声能够提升模型的鲁棒性，但是实际上通过人工标注或者机器标注的噪声样本较多，有的会超过5％，这样对模型的训练会有较大的影响，面临着准确率无法提升的情况。所以如何把训练集中的噪声样本去掉成为研究的热点之一。
存在一种识别噪声样本的方法，包括：将数据集分为两份，数据集一作为训练集，数据集二作为验证集，在训练集上训练一个模型。用模型在验证集打分数，预设一定阈值，低于该阈值的数据作为噪声样本。然后，将数据集一作为验证集，数据集二作为训练集，进行同样的操作。
发明人在实现本公开构思的过程中发现，在一半的数据上训练模型能力不强，容易欠拟合，使得打分数的效果不好。使用上述方法在实际中往往比较难找到噪声样本，去噪声效果不好。
本公开提供了一种样本生成方法、装置、电子设备以及存储介质，该方法包括：针对用于训练预训练模型的至少一个样本集中的每个样本，确定样本在利用与样本相对应的样本集训练预训练模型的单个轮次所对应的损失值，得到多个损失值。预训练模型包括基于第一学习率，根据至少一个样本集训练得到的模型，至少一个样本集的每个样本集中各自包括多个样本。根据多个损失值，确定噪声样本。
图1示意性示出了根据本公开实施例的可以应用样本生成方法及装置或目标处理模型的训练方法及装置或目标处理方法及装置的示例性系统架构。
需要注意的是，图1所示仅为可以应用本公开实施例的系统架构的示例，以帮助本领域技术人员理解本公开的技术内容，但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。例如，在另一实施例中，可以应用样本生成方法及装置或目标处理模型的训练方法及装置或目标处理方法及装置的示例性系统架构可以包括终端设备，但终端设备可以无需与服务器进行交互，即可实现本公开实施例提供的样本生成方法及装置或目标处理模型的训练方法及装置或目标处理方法及装置。
如图1所示，根据该实施例的系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线和/或无线通信链路等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用，例如知识阅读类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端和/或社交平台软件等(仅为示例)。
终端设备101、102、103可以是具有显示屏并且支持网页浏览的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器，例如对用户利用终端设备101、102、103所浏览的内容提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理，并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。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 PrivateServer″，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。
需要说明的是，本公开实施例所提供的样本生成方法或目标处理模型的训练方法或目标处理方法一般可以由终端设备101、102、或103执行。相应地，本公开实施例所提供的样本生成装置或目标处理模型的训练装置或目标处理装置也可以设置于终端设备101、102、或103中。
或者，本公开实施例所提供的样本生成方法或目标处理模型的训练方法或目标处理方法一般也可以由服务器105执行。相应地，本公开实施例所提供的样本生成装置或目标处理模型的训练装置或目标处理装置一般可以设置于服务器105中。本公开实施例所提供的样本生成方法或目标处理模型的训练方法或目标处理方法也可以由不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群执行。相应地，本公开实施例所提供的样本生成装置或目标处理模型的训练装置或目标处理装置也可以设置于不同于服务器105且能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群中。
例如，在需要生成样本时，终端设备101、102、103可以获取用于训练预训练模型的至少一个样本集，然后将获取的至少一个样本集发送给服务器105，由服务器105针对用于训练预训练模型的至少一个样本集中的每个样本，确定样本在利用与样本相对应的样本集训练预训练模型的单个轮次所对应的损失值，得到多个损失值。预训练模型包括基于第一学习率，根据至少一个样本集训练得到的模型，至少一个样本集的每个样本集中各自包括多个样本。根据所述多个损失值，确定噪声样本。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对用于训练预训练模型的至少一个样本集进行分析，并实现确定噪声样本。
例如，在需要对目标处理模型进行训练时，终端设备101、102、103可以获取根据前述噪声样本确定的优化后的样本集，然后将获取的优化后的样本集发送给服务器105，由服务器105将优化后的样本集输入目标处理模型，得到第一预测结果。并根据第一预测结果，训练目标处理模型。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对优化后的样本集进行分析，并实现训练目标处理模型。
例如，在需要对目标进行处理时，终端设备101、102、103可以获取目标对象数据，然后将获取的目标对象数据发送给服务器105，由服务器105将目标对象数据输入目标处理模型，得到第二预测结果。或者由能够与终端设备101、102、103和/或服务器105通信的服务器或服务器集群对目标对象数据进行分析，并实现目标处理。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
图2示意性示出了根据本公开实施例的样本生成方法的流程图。
如图2所示，该方法包括操作S210～S220。
在操作S210，针对用于训练预训练模型的至少一个样本集中的每个样本，确定样本在利用与样本相对应的样本集训练预训练模型的单个轮次所对应的损失值，得到多个损失值，其中，预训练模型包括基于第一学习率，根据至少一个样本集训练得到的模型，至少一个样本集的每个样本集中各自包括多个样本。
在操作S220，根据多个损失值，确定噪声样本。
根据本公开的实施例，模型训练过程是欠拟合到过拟合。在训练前期，模型因为学习速率比较大并且先学习简单样本，收敛较快。在训练后期，模型倾向于学习难样本，噪声样本作为难样本的一部分，可以在后期被训练。因为模型学习能力较强，且在模型训练后期，难样本被拟合，导致噪声样本也被学习，导致模型性能下降。有鉴于此，可以基于模型后期的训练过程，筛选出噪声样本。模型前期的训练过程，可以通过预训练完成。
例如，在训练前期，可以将用于训练模型的全部数据集作为训练集，并可以不用验证集。每一个训练轮次可以采用较大的batch_size＝256，确定一个样本集。batch_size可以表示在训练过程中的每个训练轮次输入到模型的样本数，batch_size越大，表示样本数越多，在该种情况下，噪声样本对于结果的影响可以相对较少。第一学习率可以采用固定的较大的学习速率，例如为0.01。在本实施例中，可以基于该固定的较大的学习率0.01，根据至少一个batch_size＝256大小的样本集，对模型进行训练，直至模型输出的样本的准确率基本不变的时候，停止该训练过程，可以得到上述预训练模型。得到的预训练模型可以不用太拟合训练集，保留对噪声样本的学习过程，使得在训练后期能够更高效的学习噪声样本，便于筛选出噪声样本。
根据本公开的实施例，用于训练得到预训练模型的至少一个样本集中的单个样本集，和用于训练预训练模型直至收敛的至少一个样本集中的单个样本集可以相同。用于训练预训练模型直至收敛的至少一个样本集中的单个样本集，也可以为样本数小于用于训练得到预训练模型的至少一个样本集中的单个样本集的样本集。
例如，在训练后期，可以基于训练前期得到的预训练模型和使用的训练集，采用相对较小的batch_size＝64，确定一个样本集，对预训练模型进行训练，直至预训练模型收敛。采用较小的batch_size，容易拟合样本，从而能够更高效的学习噪声样本，便于筛选出噪声样本。
根据本公开的实施例，在利用每个样本集对预训练模型进行每一轮次的训练后，可以得到该样本集中的每个样本在该轮次对应的损失值。噪声样本可以根据该损失值的大小确定，也可以根据该损失值，结合预定义筛选公式确定，在此不做限定。
通过本公开的上述实施例，可以根据用于训练模型的每个样本的损失值，确定噪声样本，有利于提高确定的噪声样本的精确度，并可有效提高模型的性能。
下面结合具体实施例，对图2所示的方法做进一步说明。
根据本公开的实施例，利用与样本相对应的样本集训练预训练模型可以包括：基于第二学习率，利用样本集对预训练模型进行多轮次训练，其中，第二学习率的值随着训练轮次的增加周期性降低，第二学习率的最大值小于第一学习率的值。
根据本公开的实施例，第二学习率可以通过自定义设置确定。例如，可以自定义设置预设数目个逐渐减小的数值，每个数值可以为一个训练轮次所对应使用的学习率，预设数目可以为变化周期，可以表示每预设数目个训练轮次轮询一次该预设数目个逐渐减小的数值。第二学习率例如还可以通过预定义公式计算确定。
例如，第二学习率可以通过如下公式(1)～(2)计算确定。
Figure BDA0003385013530000081
r(t)＝(1-s(t))×r1+s(t)×r2 公式(2)
其中，t表示训练轮次，r(t)表示在第t个训练轮次使用的学习率，r1表示预设的最大学习率，例如可取0.01，r2表示预设的最小学习率，例如可取0.001，c表示第二学习率的变化周期，例如可取10。
图3示意性示出了根据本公开实施例的基于公式(1)～(2)确定的第二学习率的变化趋势示意图。
如图3所示，横坐标可以表示训练轮次，纵坐标可以表示第二学习率在每个训练轮次所对应的数值。横坐标1c可以确定第一个变化周期，每一个变化周期c中可以包括多个训练轮次。每个变化周期中的学习率的取值在最大值r1和最小值r2之间。
图4示意性示出了根据本公开实施例的基于公式(1)～(2)确定的第二学习率训练预训练模型得到的样本集Loss值的变化趋势示意图。
如图4所示，横坐标可以表示训练轮次，纵坐标可以表示每个样本集在每个训练轮次所对应的损失值。Line1、Line2、Line3可以分别表示包括0％～20％的噪声样本、20％～40％的噪声样本、40％～60％的噪声样本的样本集。Line4可以表示简单样本集，即不包括噪声样本的样本集。
根据图4可以确定，在每个变化周期中，简单样本集的Loss值下降很快，包含噪声样本的样本集的Loss值下降较慢，且数值较大。
通过本公开的上述实施例，基于噪声样本较难拟合，噪声样本的Loss值相较于简单样本的Loss值收敛较慢的特征，采用周期变化的学习率，对预训练模型进行训练，可以容易的实现根据Loss值的相对大小值来区分简单样本和噪声样本，有利于提高确定的噪声样本的准确性，并可有效提高模型的性能。此外，本方法实现的确定噪声样本的过程，所采用的训练流程相对较简单，可以仅通过改变学习速率，变化周期，即可容易的实现从样本集中确定噪声样本。
根据本公开的实施例，根据多个损失值，确定噪声样本可以包括：根据多个损失值的大小，确定第一预设数目个数值较大的目标损失值。将与目标损失值相对应的样本确定为噪声样本。
根据本公开的实施例，可以首先对多个损失值进行排序。然后，可以根据排序结果确定第一预设数目个数值较大的目标损失值，从而可据此确定噪声样本。也可以首先针对多个损失值设置相应的第一预设阈值。然后，将多个损失值中大于或等于该第一预设阈值的损失值确定为目标损失值，并可据此确定噪声样本。
通过本公开的上述实施例，可以根据多个样本在单个训练轮次所各自对应的损失值的大小，从该多个样本中确定噪声样本，通过该种方法，可有利于提高确定的噪声样本的准确性，从而可有效提高模型的性能。
根据本公开的实施例，根据多个损失值，确定噪声样本还可以包括：确定与单个轮次相对应的所有样本的损失值之和。针对单个轮次中的每个样本，确定样本的损失值与损失值之和的比值，得到多个比值。根据多个比值的大小，确定第二预设数目个数值较大的目标比值。将与目标比值相对应的样本确定为噪声样本。
根据本公开的实施例，可以记录每个训练轮次每个样本的Loss值，通过归一化处理，可以计算每个轮次中所有样本各自的损失值与所有样本的损失值之和的比值。可以首先对多个比值进行排序。然后，可以根据排序结果确定第二预设数目个数值较大的目标比值，从而可据此确定噪声样本。也可以首先针对多个比值设置相应的第二预设阈值。然后，将多个比值中大于或等于该第二预设阈值的比值确定为目标比值，并可据此确定噪声样本。
通过本公开的上述实施例，可以根据多个样本的Loss值与单个训练轮次中所有样本的Loss值之和的比值的大小，从该多个样本中确定噪声样本，通过该种方法，可有利于提高确定的噪声样本的准确性，从而可有效提高模型的性能。
根据本公开的实施例，根据多个损失值，确定噪声样本还可以包括：针对用于训练预训练模型的样本集中的每个样本和利用样本集训练预训练模型的每个训练轮次，确定样本在训练轮次所对应的损失值。针对每个样本，确定样本在所有的训练轮次所对应的损失值之和，得到多个损失值之和。根据多个损失值之和的大小，确定第三预设数目个数值较大的目标损失值之和。将与目标损失值之和相对应的样本确定为噪声样本。
根据本公开的实施例，可以记录每个样本在每个训练轮次的Loss值，通过对每个样本统计该样本在训练后期的所有训练轮次的Loss值，并进行求和，可以得到上述损失值之和。基于此，可以首先对多个损失值之和进行排序。然后，可以根据排序结果确定第三预设数目个数值较大的目标损失值之和，从而可据此确定噪声样本。也可以首先针对多个损失值之和设置相应的第三预设阈值。然后，可以将多个损失值之和中大于或等于该第三预设阈值的损失值之和确定为目标损失值之和，并可据此确定噪声样本。
需要说明的是，第一预设数目、第二预设数目和第三预设数目的数值可以相同，也可以不同，其数值可以表现为百分值的形式，例如可以取top_k％，k例如可以取5，表示从排序结果中，取数值较大的top5％个损失值、比值或损失值之和，以确定噪声样本。
通过本公开的上述实施例，可以根据每个样本在所有轮次的Loss值之和，确定噪声样本，通过该种方法，可有利于提高确定的噪声样本的准确性，从而可有效提高模型的性能。
根据本公开的实施例，样本生成方法还可以包括：在确定样本集中存在噪声样本的情况下，将噪声样本从样本集中滤除，得到优化后的样本集。
根据本公开的实施例，在根据上述方法得到噪声样本之后，可以把噪声样本从训练集中取出作为验证集，把去除噪声样本的训练集重新作为训练集，进行模型训练。
根据本公开的实施例，模型训练的过程可以采用大batch_size＝256，学习率＝0.01，训练轮次＝30，每过10个轮次学习率降低10倍的方式，且可不限于此。
通过本公开的上述实施例，提供了一种简易有效的能够去除训练集中噪声样本的方法，可有效提高模型的性能。
根据本公开的实施例，样本生成方法还可以包括：在确定样本集中存在噪声样本的情况下，更新噪声样本的标签，得到优化后的样本集。
根据本公开的实施例，在根据上述方法得到噪声样本之后，可以对训练集中的样标签进行更新，例如，训练集中的某些样本的初始标签为非噪声样本相关标签，但根据上述方法确定该样本为噪声样本，可以据此将该样本的标签更新为噪声样本相关标签。更新标签后的训练集可以重新进行模型训练。
通过本公开的上述实施例，提供了一种简易有效的能够更新训练集中样本标签的方法，可有效提高模型的性能。
根据本公开的实施例，上述样本可以包括图像样本、音频样本和文本样本其中至少之一，且可不限于此。
通过本公开的上述实施例，可以将上述样本生成方法应用至图像、音频、文本、视频即其他细粒度分类等各个领域，体现该方法的应用广泛性。
图5示意性示出了根据本公开实施例的样本生成方法的整体流程图。
如图5所示，该方法包括操作S510～S570。
在操作S510，针对用于训练预训练模型的样本集中的每个样本和利用样本集训练预训练模型的每个训练轮次，确定样本在训练轮次所对应的损失值。
在操作S520，根据每个样本所对应的损失值的大小，确定第一预设数目个损失值较大的目标样本。
在操作S530，根据每个样本所对应的损失值与与该样本相对应的训练轮次中所有样本所对应的损失值之和的比值的大小，确定第二预设数目个比值较大的目标样本。
在操作S540，根据每个样本在所有的训练轮次所对应的损失值之和的大小，确定第三预设数目个损失值之和较大的目标样本。
在操作S550，将目标样本确定为噪声样本。
在操作S560，将噪声样本从样本集中滤除，得到优化后的样本集。
在操作S570，根据确定的噪声样本，更新样本集中噪声样本的标签，得到优化后的样本集。
通过本公开的上述实施例，提供了一种较好的样本生成方法，依赖可以清洗训练集，提高模型的准确率。而来可以应用于适配分类、细粒度分类等各个领域，体现该方法的应用广泛性。
图6示意性示出了根据本公开实施例的目标处理模型的训练方法的流程图。
如图6所示，该方法包括操作S610～S620。
在操作S610，将优化后的样本集输入目标处理模型，得到第一预测结果。
在操作S620，根据第一预测结果，训练目标处理模型。
根据本公开的实施例，优化后的样本集是利用上述样本生成方法生成的。
通过本公开的上述实施例，可以在各自模型训练中使用上述优化后的样本，可有效提高模型的性能。
图7示意性示出了根据本公开实施例的目标处理模型的训练方法的流程图。
如图7所示，该方法包括操作S710。
在操作S710，将目标对象数据输入目标处理模型，得到第二预测结果。
根据本公开的实施例，目标处理模型是利用上述目标处理模型的训练方法训练的。
通过本公开的上述实施例，可以在各自模型应用中使用基于上述优化后的样本训练完成的模型，可有效提高模型输出结果的准确性。
图8示意性示出了根据本公开实施例的样本生成装置的框图。
如图8所示，样本生成装置800包括第一确定模块810和第二确定模块820。
第一确定模块810，用于针对用于训练预训练模型的至少一个样本集中的每个样本，确定样本在利用与样本相对应的样本集训练预训练模型的单个轮次所对应的损失值，得到多个损失值，预训练模型包括基于第一学习率，根据至少一个样本集训练得到的模型，至少一个样本集的每个样本集中各自包括多个样本。
第二确定模块820，用于根据多个损失值，确定噪声样本。
根据本公开的实施例，第一确定模块包括训练单元。
训练单元，用于基于第二学习率，利用样本集对预训练模型进行多轮次训练，第二学习率的值随着训练轮次的增加周期性降低，第二学习率的最大值小于第一学习率的值。
根据本公开的实施例，第二确定模块包括第一确定单元和第二确定单元。
第一确定单元，用于根据多个损失值的大小，确定第一预设数目个数值较大的目标损失值。
第二确定单元，用于将与目标损失值相对应的样本确定为噪声样本。
根据本公开的实施例，第二确定模块包括第三确定单元、第四确定单元、第五确定单元和第六确定单元。
第三确定单元，用于确定与单个轮次相对应的所有样本的损失值之和。
第四确定单元，用于针对单个轮次中的每个样本，确定样本的损失值与损失值之和的比值，得到多个比值。
第五确定单元，用于根据多个比值的大小，确定第二预设数目个数值较大的目标比值。
第六确定单元，用于将与目标比值相对应的样本确定为噪声样本。
根据本公开的实施例，第二确定模块包括第七确定单元、第八确定单元、第九确定单元和第十确定单元。
第七确定单元，用于针对用于训练预训练模型的样本集中的每个样本和利用样本集训练预训练模型的每个训练轮次，确定样本在训练轮次所对应的损失值。
第八确定单元，用于针对每个样本，确定样本在所有的训练轮次所对应的损失值之和，得到多个损失值之和。
第九确定单元，用于根据多个损失值之和的大小，确定第三预设数目个数值较大的目标损失值之和。
第十确定单元，用于将与目标损失值之和相对应的样本确定为噪声样本。
根据本公开的实施例，样本生成装置还包括滤除模块。
滤除模块，用于在确定样本集中存在噪声样本的情况下，将噪声样本从样本集中滤除，得到优化后的样本集。
根据本公开的实施例，样本生成装置还包括更新模块。
更新模块，用于在确定样本集中存在噪声样本的情况下，更新噪声样本的标签，得到优化后的样本集。
根据本公开的实施例，样本包括图像样本、音频样本和文本样本其中至少之一。
图9示意性示出了根据本公开实施例的目标处理模型的训练装置的框图。
如图9所示，目标处理模型的训练装置900包括第一获得模块910和训练模块920。
第一获得模块910，用于将优化后的样本集输入目标处理模型，得到第一预测结果。优化后的样本集是利用上述样本生成装置生成的。
训练模块920，用于根据第一预测结果，训练目标处理模型。
图10示意性示出了根据本公开实施例的目标处理装置的框图。
如图10所示，目标处理装置1000包括第二获得模块1010。
第二获得模块1010，用于将目标对象数据输入目标处理模型，得到第二预测结果。目标处理模型是利用上述目标处理模型的训练装置训练的。
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。
根据本公开的实施例，一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如上所述的样本生成方法或目标处理模型的训练方法或目标处理方法。
根据本公开的实施例，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，计算机指令用于使计算机执行如上所述的样本生成方法或目标处理模型的训练方法或目标处理方法。
根据本公开的实施例，一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如上所述的样本生成方法或目标处理模型的训练方法或目标处理方法。
图11示出了可以用来实施本公开的实施例的示例电子设备1100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11所示，设备1100包括计算单元1101，其可以根据存储在只读存储器(ROM)1102中的计算机程序或者从存储单元1108加载到随机访问存储器(RAM)1103中的计算机程序，来执行各种适当的动作和处理。在RAM 1103中，还可存储设备1100操作所需的各种程序和数据。计算单元1101、ROM 1102以及RAM 1103通过总线1104彼此相连。输入/输出(I/O)接口1105也连接至总线1104。
设备1100中的多个部件连接至I/O接口1105，包括：输入单元1106，例如键盘、鼠标等；输出单元1107，例如各种类型的显示器、扬声器等；存储单元1108，例如磁盘、光盘等；以及通信单元1109，例如网卡、调制解调器、无线通信收发机等。通信单元1109允许设备1100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1101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1101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1101执行上文所描述的各个方法和处理，例如样本生成方法或目标处理模型的训练方法或目标处理方法。例如，在一些实施例中，样本生成方法或目标处理模型的训练方法或目标处理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1108。在一些实施例中，计算机程序的部分或者全部可以经由ROM 1102和/或通信单元1109而被载入和/或安装到设备1100上。当计算机程序加载到RAM 1103并由计算单元1101执行时，可以执行上文描述的样本生成方法或目标处理模型的训练方法或目标处理方法的一个或多个步骤。备选地，在其他实施例中，计算单元1101可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行样本生成方法或目标处理模型的训练方法或目标处理方法。
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)、复杂可编程逻辑设备(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，也可以是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 (18)

1.一种样本生成方法，包括：
针对用于训练预训练模型的至少一个样本集中的每个样本，确定所述样本在利用与所述样本相对应的样本集训练所述预训练模型的单个轮次所对应的损失值，得到多个损失值，其中，所述预训练模型包括基于第一学习率，根据所述至少一个样本集训练得到的模型，所述至少一个样本集的每个样本集中各自包括多个样本；以及
根据所述多个损失值，确定噪声样本。
2.根据权利要求1所述的方法，其中，所述利用与所述样本相对应的样本集训练所述预训练模型包括：
基于第二学习率，利用所述样本集对所述预训练模型进行多轮次训练，其中，所述第二学习率的值随着训练轮次的增加周期性降低，所述第二学习率的最大值小于所述第一学习率的值。
3.根据权利要求1或2所述的方法，其中，所述根据所述多个损失值，确定噪声样本包括：
根据所述多个损失值的大小，确定第一预设数目个数值较大的目标损失值；以及
将与所述目标损失值相对应的样本确定为所述噪声样本。
4.根据权利要求1或2所述的方法，其中，所述根据所述多个损失值，确定噪声样本包括：
确定与所述单个轮次相对应的所有样本的损失值之和；
针对所述单个轮次中的每个样本，确定所述样本的损失值与所述损失值之和的比值，得到多个比值；
根据所述多个比值的大小，确定第二预设数目个数值较大的目标比值；以及
将与所述目标比值相对应的样本确定为所述噪声样本。
5.根据权利要求1或2所述的方法，其中，所述根据所述多个损失值，确定噪声样本包括：
针对用于训练所述预训练模型的样本集中的每个样本和利用所述样本集训练所述预训练模型的每个训练轮次，确定所述样本在所述训练轮次所对应的损失值；
针对每个所述样本，确定所述样本在所有的所述训练轮次所对应的损失值之和，得到多个损失值之和；
根据所述多个损失值之和的大小，确定第三预设数目个数值较大的目标损失值之和；以及
将与所述目标损失值之和相对应的样本确定为所述噪声样本。
6.根据权利要求1至5中任一项所述的方法，还包括：
在确定所述样本集中存在所述噪声样本的情况下，将所述噪声样本从所述样本集中滤除，得到优化后的样本集。
7.根据权利要求1至5中任一项所述的方法，还包括：
在确定所述样本集中存在所述噪声样本的情况下，更新所述噪声样本的标签，得到优化后的样本集。
8.根据权利要求1至7中任一项所述的方法，其中，所述样本包括图像样本、音频样本和文本样本其中至少之一。
9.一种目标处理模型的训练方法，包括：
将优化后的样本集输入目标处理模型，得到第一预测结果；
根据所述第一预测结果，训练所述目标处理模型；
其中，所述优化后的样本集是利用根据权利要求6或7所述的方法生成的。
10.一种目标处理方法，包括：
将目标对象数据输入目标处理模型，得到第二预测结果；
其中，所述目标处理模型是利用根据权利要求9所述的方法训练的。
11.一种样本生成装置，包括：
第一确定模块，用于针对用于训练预训练模型的至少一个样本集中的每个样本，确定所述样本在利用与所述样本相对应的样本集训练所述预训练模型的单个轮次所对应的损失值，得到多个损失值，其中，所述预训练模型包括基于第一学习率，根据所述至少一个样本集训练得到的模型，所述至少一个样本集的每个样本集中各自包括多个样本；以及
第二确定模块，用于根据所述多个损失值，确定噪声样本。
12.根据权利要求10所述的装置，还包括：
滤除模块，用于在确定所述样本集中存在所述噪声样本的情况下，将所述噪声样本从所述样本集中滤除，得到优化后的样本集。
13.根据权利要求10所述的装置，还包括：
更新模块，用于在确定所述样本集中存在所述噪声样本的情况下，更新所述噪声样本的标签，得到优化后的样本集。
14.一种目标处理模型的训练装置，包括：
第一获得模块，用于将优化后的样本集输入目标处理模型，得到第一预测结果；
训练模块，用于根据所述第一预测结果，训练所述目标处理模型；
其中，所述优化后的样本集是利用根据权利要求12或13所述的装置生成的。
15.一种目标处理装置，包括：
第二获得模块，用于将目标对象数据输入目标处理模型，得到第二预测结果；
其中，所述目标处理模型是利用根据权利要求14所述的装置训练的。
16.一种电子设备，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中任一项或权利要求9或权利要求10所述的方法。
17.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项或权利要求9或权利要求10所述的方法。
18.一种计算机程序产品，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中任一项或权利要求9或权利要求10所述的方法。
CN202111456664.5A 2021-11-30 2021-11-30 样本生成方法、装置、电子设备以及存储介质 Pending CN114118287A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111456664.5A CN114118287A (zh) 2021-11-30 2021-11-30 样本生成方法、装置、电子设备以及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111456664.5A CN114118287A (zh) 2021-11-30 2021-11-30 样本生成方法、装置、电子设备以及存储介质

Publications (1)

Publication Number Publication Date
CN114118287A true CN114118287A (zh) 2022-03-01

Family

ID=80369482

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111456664.5A Pending CN114118287A (zh) 2021-11-30 2021-11-30 样本生成方法、装置、电子设备以及存储介质

Country Status (1)

Country Link
CN (1) CN114118287A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580631A (zh) * 2022-03-04 2022-06-03 北京百度网讯科技有限公司 模型的训练方法、烟火检测方法、装置、电子设备及介质
CN114596637A (zh) * 2022-03-23 2022-06-07 北京百度网讯科技有限公司 图像样本数据增强训练方法、装置及电子设备
CN114692778A (zh) * 2022-04-13 2022-07-01 北京百度网讯科技有限公司 用于智能巡检的多模态样本集生成方法、训练方法及装置
CN114882587A (zh) * 2022-04-26 2022-08-09 北京百度网讯科技有限公司 生成对抗样本的方法、装置、电子设备和介质
CN115130581A (zh) * 2022-04-02 2022-09-30 北京百度网讯科技有限公司 样本生成方法、训练方法、数据处理方法以及电子设备

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114580631A (zh) * 2022-03-04 2022-06-03 北京百度网讯科技有限公司 模型的训练方法、烟火检测方法、装置、电子设备及介质
CN114580631B (zh) * 2022-03-04 2023-09-08 北京百度网讯科技有限公司 模型的训练方法、烟火检测方法、装置、电子设备及介质
CN114596637A (zh) * 2022-03-23 2022-06-07 北京百度网讯科技有限公司 图像样本数据增强训练方法、装置及电子设备
CN114596637B (zh) * 2022-03-23 2024-02-06 北京百度网讯科技有限公司 图像样本数据增强训练方法、装置及电子设备
CN115130581A (zh) * 2022-04-02 2022-09-30 北京百度网讯科技有限公司 样本生成方法、训练方法、数据处理方法以及电子设备
CN115130581B (zh) * 2022-04-02 2023-06-23 北京百度网讯科技有限公司 样本生成方法、训练方法、数据处理方法以及电子设备
CN114692778A (zh) * 2022-04-13 2022-07-01 北京百度网讯科技有限公司 用于智能巡检的多模态样本集生成方法、训练方法及装置
CN114692778B (zh) * 2022-04-13 2023-07-25 北京百度网讯科技有限公司 用于智能巡检的多模态样本集生成方法、训练方法及装置
CN114882587A (zh) * 2022-04-26 2022-08-09 北京百度网讯科技有限公司 生成对抗样本的方法、装置、电子设备和介质

Similar Documents

Publication Publication Date Title
CN114118287A (zh) 样本生成方法、装置、电子设备以及存储介质
CN114549874B (zh) 多目标图文匹配模型的训练方法、图文检索方法及装置
CN114780727A (zh) 基于强化学习的文本分类方法、装置、计算机设备及介质
CN115063875B (zh) 模型训练方法、图像处理方法、装置和电子设备
CN114494784A (zh) 深度学习模型的训练方法、图像处理方法和对象识别方法
CN114612749A (zh) 神经网络模型训练方法及装置、电子设备和介质
CN112800919A (zh) 一种检测目标类型视频方法、装置、设备以及存储介质
CN114090601B (zh) 一种数据筛选方法、装置、设备以及存储介质
CN114462598A (zh) 深度学习模型的训练方法、确定数据类别的方法和装置
CN110826327A (zh) 情感分析方法、装置、计算机可读介质及电子设备
CN114547252A (zh) 文本识别方法、装置、电子设备和介质
CN117235371A (zh) 视频推荐方法、模型训练方法及装置
CN116363444A (zh) 模糊分类模型训练方法、识别模糊图像的方法及装置
CN115719433A (zh) 图像分类模型的训练方法、装置及电子设备
CN115454261A (zh) 输入法候选词生成方法、装置、电子设备及可读存储介质
CN113361621B (zh) 用于训练模型的方法和装置
CN113239273B (zh) 用于生成文本的方法、装置、设备以及存储介质
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN112905743B (zh) 文本对象检测的方法、装置、电子设备和存储介质
CN114120416A (zh) 模型训练方法、装置、电子设备及介质
CN114610953A (zh) 一种数据分类方法、装置、设备及存储介质
CN113806541A (zh) 情感分类的方法和情感分类模型的训练方法、装置
CN114119972A (zh) 模型获取及对象处理方法、装置、电子设备及存储介质
CN113961765A (zh) 基于神经网络模型的搜索方法、装置、设备和介质
CN113361575A (zh) 模型训练方法、装置和电子设备

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