CN114120416A - 模型训练方法、装置、电子设备及介质 - Google Patents
模型训练方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN114120416A CN114120416A CN202111442914.XA CN202111442914A CN114120416A CN 114120416 A CN114120416 A CN 114120416A CN 202111442914 A CN202111442914 A CN 202111442914A CN 114120416 A CN114120416 A CN 114120416A
- Authority
- CN
- China
- Prior art keywords
- sample data
- data
- prediction result
- training
- model
- 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
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种模型训练方法、装置、电子设备及介质,涉及人工智能技术领域,具体为深度学习、计算机视觉技术领域,可应用于人脸识别、人脸图像处理等场景。实现方案为:获取多个第一样本数据,每个第一样本数据具有对应的第一标签,并且在多个第一样本数据之中任意两种第一标签所分别对应的第一样本数据的数量之差不大于预设阈值;将多个第一样本数据输入识别模块,以得到每个第一样本数据的特征信息,识别模块中的参数为至少基于自监督训练而预先得到;将每个第一样本数据的特征信息输入分类模块,以得到每个第一样本数据的第一预测结果;基于多个第一样本数据中的每一个第一样本数据所对应的第一标签和第一预测结果,调整分类模块的参数。
Description
技术领域
本公开涉及人工智能技术领域,具体为深度学习、计算机视觉技术领域,可应用于人脸识别、人脸图像处理等场景。具体涉及一种模型训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
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。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种模型训练的方法、装置、电子设备、计算机可读存储介质和计算机程序产品。
根据本公开的一方面,提供了一种模型训练方法,其中,模型包括识别模块和分类模块,方法包括:获取多个第一样本数据,其中,多个第一样本数据中的每一个第一样本数据具有对应的第一标签,并且在多个第一样本数据之中任意两种第一标签所分别对应的第一样本数据的数量之差不大于预设阈值;将多个第一样本数据输入识别模块,以得到多个第一样本数据中的每一个第一样本数据的特征信息,其中,识别模块中的参数为至少基于自监督训练而预先得到;将多个第一样本数据中的每一个第一样本数据的特征信息输入分类模块,以得到多个第一样本数据中的每一个第一样本数据的第一预测结果;以及基于多个第一样本数据中的每一个第一样本数据所对应的第一标签和第一预测结果,调整分类模块的参数。
根据本公开的另一方面,提供了一种模型训练方法,包括:将多个第三样本数据输入待训练模型,以得到多个第三样本数据中的每一个第三样本数据的第三预测结果;以及至少基于多个第三样本数据中的每一个第三样本数据的参考预测结果和第三预测结果,调整待训练模型的参数,其中,每一个第三样本数据的参考预测结果为通过由上述的方法而训练得到参考模型对该第三样本数据的预测而得到的。
根据本公开的另一方面,提供了一种模型训练装置,其中,模型包括识别模块和分类模块,装置包括:第一获取单元,被配置用于获取多个第一样本数据,其中,多个第一样本数据中的每一个第一样本数据具有对应的第一标签,并且在多个第一样本数据之中任意两种第一标签所分别对应的第一样本数据的数量之差不大于预设阈值;第二获取单元,被配置用于将多个第一样本数据输入识别模块,以得到多个第一样本数据中的每一个第一样本数据的特征信息,其中,识别模块中的参数为至少基于自监督训练而预先得到;第三获取单元,被配置用于将多个第一样本数据中的每一个第一样本数据的特征信息输入分类模块,以得到多个第一样本数据中的每一个第一样本数据的第一预测结果;以及第一调整单元,被配置用于基于多个第一样本数据中的每一个第一样本数据所对应的第一标签和第一预测结果,调整分类模块的参数。
根据本公开的另一方面,提供了一种模型训练装置,包括:第四获取单元,被配置用于将多个第三样本数据输入待训练模型,以得到多个第三样本数据中的每一个第三样本数据的第三预测结果;以及第三调整单元,被配置用于至少基于多个第三样本数据中的每一个第三样本数据的参考预测结果和第三预测结果,调整待训练模型的参数,其中,每一个第三样本数据的参考预测结果为通过由上述的方法而训练得到参考模型对该第三样本数据的预测而得到的。
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上述任意一种方法。
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,计算机指令用于使计算机执行上述任意一种方法。
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,其中,计算机程序在被处理器执行时实现上述任意一种方法。
根据本公开的一个或多个实施例,能够使得训练得到的模型减少训练样本的长尾问题对模型训练造成的影响,进而有效地提升了对模型的训练效果。
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
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例的一种模型训练方法的流程图;
图2示出了根据本公开的实施例的另一种模型训练方法的流程图;
图3示出了根据本公开的实施例的一种模型训练方法的示意图;
图4示出了根据本公开的实施例的一种模型训练装置的结构框图;
图5示出了根据本公开的实施例的另一种模型训练装置的结构框图;
图6示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
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。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。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个元件与另一元件区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
训练一个神经网络往往需要数据量充足、数据分布均衡的样本数据。数据分布均衡指的是样本数据中,每个类别的样本数据的数量分布均衡。然而,这样的训练数据往往与实际场景是脱节的,在实际应用中,所能够得到的样本数据往往是服从长尾分布的,即少数类别的样本数据占据了样本数据总量中的绝大多数,而大多数类别仅有少量的样本数据。例如,在能够获取的关于动物图像的样本数据中,常见的动物类别,例如,猫、狗等的样本数据占据了样本数据总量中的绝大多数,而许多不常见的动物的样本数据则很少。采用这种存在长尾问题的样本数据进行模型训练,会导致模型针对各个类别的样本数据的学习不均衡,模型收敛困难,并最终导致模型的应用效果不佳。
基于此,本公开提出一种模型训练方法,通过对模型训练方法的改进来克服所获取的样本数据本身存在的长尾问题,模型包括识别模块和分类模块,其中,识别模块中的参数为至少基于自监督训练而预先得到,通过在各个第一标签下数据分布均衡的多个第一样本数据来对模型中的分类模块的参数进行调整。基于此而训练得到的模型能够减少样本数据长尾问题对模型训练造成的不利影响,进而有效地提升模型的训练效果。
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,且不违背公序良俗。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开示例性实施例的一种模型训练方法,其中,模型包括识别模块和分类模块,方法包括:步骤S101、获取多个第一样本数据,其中,多个第一样本数据中的每一个第一样本数据具有对应的第一标签,并且在多个第一样本数据之中任意两种第一标签所分别对应的第一样本数据的数量之差不大于预设阈值;步骤S102、将多个第一样本数据输入识别模块,以得到多个第一样本数据中的每一个第一样本数据的特征信息,其中,识别模块中的参数为至少基于自监督训练而预先得到;步骤S103、将多个第一样本数据中的每一个第一样本数据的特征信息输入分类模块,以得到多个第一样本数据中的每一个第一样本数据的第一预测结果;以及步骤S104、基于多个第一样本数据中的每一个第一样本数据所对应的第一标签和第一预测结果,调整分类模块的参数。基于此而训练得到的模型能够避免样本数据长尾问题对模型训练造成的不利影响,进而有效地提升模型的训练效果。
针对步骤S101,根据一些实施例,多个第一样本数据为多个图像数据。采用上述方法而训练得到的模型可以用于对图像数据执行对象识别。特别地,该图像数据可以为人脸数据。
需要说明的是,本实施例中的人脸数据来自于公开数据集,并不是针对某一特定用户的人脸数据,并不能反映出某一特定用户的个人信息。
可以理解的是,在真实场景中,所能够得到的用于模型训练的多个原始样本数据普遍存在长尾问题,其中,多个原始样本数据中的每一个原始样本数据具有对应的第一标签。
根据一些实施例,针对多个原始样本数据中的每一种第一标签,对该第一标签所对应的多个原始样本数据进行采样,以得到步骤S101中的对应于该第一标签的多个第一样本数据。通过控制对每一种第一标签所对应的多个原始样本数据的采样的数量,能够得到步骤S101中多个第一样本数据,在多个第一样本数据中,任意两种第一标签所分别对应的第一样本数据的数量之差不大于预设阈值,换言之,多个第一样本数据在各个第一标签所分别对应的第一样本数据的数量上均衡。
根据一些实施例,预设阈值可以为0。即多个第一样本数据中,每个第一标签所对应的第一样本数据的数量相等。
利用在多个第一标签上数据均衡的多个第一样本数据进行训练,能够使得模型的训练过程避免样本数据长尾问题的影响。可以理解,在模型的多轮训练过程中,上述步骤S101可以执行多次,以获取每一轮训练所需的数据。针对同一个第一标签,每次所获取的该第一标签所对应的第一样本数据可以不同。然而,由于某些第一标签本身对应的原始样本数据比较少,即使执行多次步骤S101的操作,每次所获取的该第一标签所对应的第一样本数据可能总集中于仅有的少量样本数据上。在这种情况下执行多轮训练,将导致训练得到的模型对该仅有的少量样本数据过拟合,训练得到的模型对该第一标签所对应的数据的泛化性不足。针对这一问题,本公开进一步对模型的识别模块的训练方式进行了改进,即在步骤S102种,识别模块中的参数为至少基于自监督训练而预先得到。
针对步骤S102,根据一些实施例,该方法还可以包括:在将多个第一样本数据输入识别模块,以得到多个第一样本数据中的每一个第一样本数据的特征信息之前,至少利用自监督训练调整附加识别模块的参数,其中,附加识别模块与识别模块的结构相同;以及基于经过调整的附加识别模块的参数,确定识别模块的参数。
由于在自监督训练中,训练过程无需依赖样本数据的标签,因此,无论样本数据是否存在长尾问题,采用该样本数据执行自监督训练都不会影响模型在不同标签下的识别能力偏差和收敛困难等问题。因此,至少利用自监督训练调整附加识别模块的参数,并以此确定识别模块的参数,可以避免识别模块的参数受到样本数据长尾问题的影响。
根据一些实施例,可以采用与经过调整的附加识别模块相同的参数作为识别模块的参数。
根据一些实施例,至少利用自监督训练调整附加识别模块的参数包括:获取多个第二样本数据,其中,多个第二样本数据中包括至少一个关联数据对,每个关联数据对由两个相互关联的第二样本数据构成;以及针对至少一个关联数据对中的每一个关联数据对,执行训练操作,训练操作至少包括:将该关联数据对输入附加识别模块,以得到该关联数据对中的每一个第二样本数据所对应的特征信息;以及基于该关联数据对中的每一个第二样本数据所对应的特征信息之间的相似度,调整附加识别模块的参数。
其中,多个第二样本数据可以与多个第一样本数据相同,也可以不同,在此不作限定。
根据一些实施例,可以基于该关联数据对中的每一个第二样本数据所对应的特征信息之间的相似度构造自监督损失函数,并根据该自监督损失函数来调整附加识别模块的参数。
在一种实施方式中,针对每个关联数据对的自监督损失函数可以表示为:
其中,Loss表示损失值,ti和t′i分别表示该关联数据对中的每一个第二样本数据所对应的特征信息,ti*t′i表示该关联数据对中的每一个第二样本数据所对应的特征信息之间的相似度值,∑c(tj*t′j)表示多个第二样本数据中任意两个其它第二样本数据的相似度值的总和。
根据一些实施例,多个第二样本数据中的每一个第二样本数据具有对应的第二标签,并且其中,训练操作还可以包括:针对该关联数据对中的每一个第二样本数据,基于该第二样本数据所对应的特征信息,确定该第二样本数据所对应第二预测结果;以及基于该关联数据对中的每一个第二样本数据所对应的第二标签和第二预测结果,调整附加识别模块的参数。
可以理解,上述用于构建自监督损失函数的第二样本数据的特征信息和上述用于确定第二样本数据所对应第二预测结果的特征信息一致。由此,可以在该关联数据对中的每一个第二样本数据所对应的特征信息的基础上,通过自监督训练,以及每个第二样本数据所对应的第二标签和第二预测结果的差异这两者,对附加识别模块进行训练,进而能够在附加识别模块的训练过程种减少长尾问题的影响,并同时提升附加识别模块的预测能力。
根据一些实施例,基于该关联数据对中的每一个第二样本数据所对应的第二标签和第二预测结果可以构建分类损失函数,基于该分类损失函数和上述自监督损失函数一同调整附加识别模块的参数。
根据一些实施例,每个关联数据对中的两个相互关联的第二样本数据为基于以下任意一种方式而得到:该两个第二样本数据中的其中一个第二样本数据为利用针对其中另一个第二样本数据的数据增强处理而得到;以及该两个第二样本数据中的每一个第二样本数据均为利用针对同一初始数据的增强处理而得到。
针对步骤S103和步骤S104,基于多个第一样本数据中的每一个第一样本数据所对应的第一标签和第一预测结果,可以构建相应的分类损失函数,并基于该分类损失函数调整分类模块的参数。
需要注意的是,在调整分类模块的参数的过程中,识别模块中的参数保持不变。
图2示出了根据本公开示例性实施例的一种模型训练方法,包括:步骤S201、将多个第三样本数据输入待训练模型,以得到所述多个第三样本数据中的每一个第三样本数据的第三预测结果;以及步骤S202、至少基于所述多个第三样本数据中的每一个第三样本数据的参考预测结果和所述第三预测结果,调整所述待训练模型的参数,其中,每一个第三样本数据的参考预测结果为通过由上述的方法而训练得到参考模型对该第三样本数据的预测而得到的。
由此,能够通过已经训练完成的参考模型来引导未经过训练的待训练模型的训练。参考模型在训练的过程中已经有效减少了存在长尾问题的样本数据对训练的影响,因此,基于该参考模型而训练得到的待训练模型能够更为高效地兼备参考模型的该训练效果。
特别地,参考模型的模型复杂度高于待训练模型的模型复杂度。
根据一些实施例,基于多个第三样本数据中的每一个第三样本数据的参考预测结果和第三预测结果可以构造蒸馏损失函数,基于该蒸馏损失函数调整待训练模型的参数。
根据一些实施例,多个第三样本数据中的每一个第三样本数据具有对应的第三标签,并且其中,调整待训练模型的参数还包括:基于多个第三样本数据中的每一个第三样本数据的第三标签和第三预测结果,调整待训练模型的参数。
根据一些实施例,可以基于多个第三样本数据中的每一个第三样本数据的第三标签和第三预测结果构造相应的分类损失函数,以基于该分类损失函数和上述蒸馏损失函数两者调整待训练模型的参数,由此,能够进一步提升对待训练模型的训练效果。
图3是示出根据本公开示例性实施例的一种模型训练方法的示意图,如图3所示,该模型训练方法可以分为三个阶段。其中,样本数据以样本图像为例进行说明。
在第一阶段,将多个第一样本图像输入数据增强模块,以得到数据增强模块所输出的每个第一样本图像的一个或多个增强图像。针对任意一个第一样本图像及其一个或多个增强图像,可以基于其中任意两个图像而构建关联数据对,并且将该关联数据对输入附加识别模块,以得到该关联数据对所对应的关联特征对,基于该关联特征对可以分别构建分类损失函数和自监督损失函数,并基于这两个损失函数对附加识别模块的参数进行调整,并最终得到训练完成的附加识别模块。
在第二阶段,首先将第一阶段训练得到的附加识别模块的参数共享至参考模型中的识别模块中。其次,将多个第二样本数据输入均衡采样模块,以得到在各个标签下数据分布均衡的训练数据,将该训练数据输入参考模型中的识别模块,以得到识别模块所输出的每个训练数据的特征信息。将每个训练数据的特征信息再输入分类模块,以得到分类模块所输出的每个训练数据的预测结果,基于每个训练数据的标签和预测结果可以构建分类损失函数,并通过该分类损失函数对参考模型中的分类模块的参数进行调整。
在第三阶段,预先将多个第三样本图像输入在第二阶段训练得到的参考模型中,以得到参考模型所输出的每个第三样本图像的参考预测结果。将多个第三样本图像输入待训练模型,以得到待训练模型所输出的每个第三样本图像的预测结果。基于每个第三样本图像的参考预测结果和待训练模型所输出的预测结果构建蒸馏损失函数,基于每个第三样本图像的标签和待训练模型所输出的预测结果构建分类损失函数。通过蒸馏损失函数和分类损失函数两者对待训练模型的参数进行调整,以实现通过参考模型而对待训练模型执行训练。
图4是示出根据本公开示例性实施例的一种模型训练装置的结构框图,其中,模型包括识别模块和分类模块,装置400包括:第一获取单元401,被配置用于获取多个第一样本数据,其中,多个第一样本数据中的每一个第一样本数据具有对应的第一标签,并且在多个第一样本数据之中任意两种第一标签所分别对应的第一样本数据的数量之差不大于预设阈值;第二获取单元402,被配置用于将多个第一样本数据输入识别模块,以得到多个第一样本数据中的每一个第一样本数据的特征信息,其中,识别模块中的参数为至少基于自监督训练而预先得到;第三获取单元403,被配置用于将多个第一样本数据中的每一个第一样本数据的特征信息输入分类模块,以得到多个第一样本数据中的每一个第一样本数据的第一预测结果;以及第一调整单元404,被配置用于基于多个第一样本数据中的每一个第一样本数据所对应的第一标签和第一预测结果,调整分类模块的参数。
根据一些实施例,该装置还包括:第二调整单元,被配置用于至少利用自监督训练调整附加识别模块的参数,其中,附加识别模块与识别模块的结构相同;以及确定单元,被配置用于基于经过调整的附加识别模块的参数,确定识别模块的参数。
根据一些实施例,第二调整单元包括:获取子单元,被配置用于获取多个第二样本数据,其中,多个第二样本数据中包括至少一个关联数据对,每个关联数据对由两个相互关联的第二样本数据构成;以及训练子单元,被配置用于针对至少一个关联数据对中的每一个关联数据对,执行训练操作,训练子单元至少包括:用于将该关联数据对输入附加识别模块,以得到该关联数据对中的每一个第二样本数据所对应的特征信息的子单元;以及用于基于该关联数据对中的每一个第二样本数据所对应的特征信息之间的相似度,调整附加识别模块的参数的子单元。
根据一些实施例,多个第二样本数据中的每一个第二样本数据具有对应的第二标签,并且其中,训练子单元还包括:用于针对该关联数据对中的每一个第二样本数据,基于该第二样本数据所对应的特征信息,确定该第二样本数据所对应第二预测结果的子单元;以及用于基于该关联数据对中的每一个第二样本数据所对应的第二标签和第二预测结果,调整附加识别模块的参数的子单元。
根据一些实施例,每个关联数据对中的两个相互关联的第二样本数据为基于以下任意一种方式而得到:该两个第二样本数据中的其中一个第二样本数据为利用针对其中另一个第二样本数据的数据增强处理而得到;以及该两个第二样本数据中的每一个第二样本数据均为利用针对同一初始数据的增强处理而得到。
根据一些实施例,多个第一样本数据为多个图像数据。
图5是示出根据本公开示例性实施例的一种模型训练装置的结构框图,一种模型训练装置500,包括:第四获取单元501,被配置用于将多个第三样本数据输入待训练模型,以得到所述多个第三样本数据中的每一个第三样本数据的第三预测结果;以及第三调整单元502,被配置用于至少基于所述多个第三样本数据中的每一个第三样本数据的参考预测结果和所述第三预测结果,调整所述待训练模型的参数,其中,每一个第三样本数据的参考预测结果为通过由上述的方法而训练得到参考模型对该第三样本数据的预测而得到的。
根据一些实施例,多个第三样本数据中的每一个第三样本数据具有对应的第三标签,并且其中,第三调整单元还包括:用于基于多个第三样本数据中的每一个第三样本数据的第三标签和第三预测结果,调整待训练模型的参数的子单元。
根据本公开的实施例,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。
本公开还提供一种电子设备,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上述任意一种方法。
本公开还提供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上述任意一种方法。
本公开还提供一种计算机程序产品,包括计算机程序,其中,计算机程序在被处理器执行时实现上述任意一种方法。
参考图6,现将描述可以作为本公开的服务器或客户端的电子设备600的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,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6所示,电子设备600包括计算单元601,其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序,来执行各种适当的动作和处理。在RAM 603中,还可存储电子设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
电子设备600中的多个部件连接至I/O接口605,包括:输入单元606、输出单元607、存储单元608以及通信单元609。输入单元606可以是能向电子设备600输入信息的任何类型的设备,输入单元606可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元607可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元608可以包括但不限于磁盘、光盘。通信单元609允许电子设备600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,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙TM设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元601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601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601执行上文所描述的各个方法和处理,例如模型训练方法。例如,在一些实施例中,模型训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元608。在一些实施例中,计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到电子设备600上。当计算机程序加载到RAM 603并由计算单元601执行时,可以执行上文描述的模型训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元601可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、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,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,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。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (19)
1.一种模型训练方法,其中,所述模型包括识别模块和分类模块,所述方法包括:
获取多个第一样本数据,其中,所述多个第一样本数据中的每一个第一样本数据具有对应的第一标签,并且在所述多个第一样本数据之中任意两种第一标签所分别对应的第一样本数据的数量之差不大于预设阈值;
将所述多个第一样本数据输入所述识别模块,以得到所述多个第一样本数据中的每一个第一样本数据的特征信息,其中,所述识别模块中的参数为至少基于自监督训练而预先得到;
将所述多个第一样本数据中的每一个第一样本数据的特征信息输入所述分类模块,以得到所述多个第一样本数据中的每一个第一样本数据的第一预测结果;以及
基于所述多个第一样本数据中的每一个第一样本数据所对应的所述第一标签和所述第一预测结果,调整所述分类模块的参数。
2.根据权利要求1所述的方法,还包括:
在所述将所述多个第一样本数据输入所述识别模块,以得到所述多个第一样本数据中的每一个第一样本数据的特征信息之前,至少利用自监督训练调整附加识别模块的参数,其中,所述附加识别模块与所述识别模块的结构相同;以及
基于经过调整的所述附加识别模块的参数,确定所述识别模块的参数。
3.根据权利要求2所述的方法,其中,所述至少利用自监督训练调整所述附加识别模块的参数包括:
获取多个第二样本数据,其中,所述多个第二样本数据中包括至少一个关联数据对,每个关联数据对由两个相互关联的第二样本数据构成;以及
针对所述至少一个关联数据对中的每一个关联数据对,执行训练操作,所述训练操作至少包括:
将该关联数据对输入所述附加识别模块,以得到该关联数据对中的每一个第二样本数据所对应的特征信息;以及
基于该关联数据对中的每一个第二样本数据所对应的特征信息之间的相似度,调整所述附加识别模块的参数。
4.根据权利要求3所述的方法,其中,所述多个第二样本数据中的每一个第二样本数据具有对应的第二标签,并且其中,所述训练操作还包括:
针对该关联数据对中的每一个第二样本数据,基于该第二样本数据所对应的特征信息,确定该第二样本数据所对应第二预测结果;以及
基于该关联数据对中的每一个第二样本数据所对应的所述第二标签和所述第二预测结果,调整所述附加识别模块的参数。
5.根据权利要求3或4所述的方法,其中,每个关联数据对中的两个相互关联的第二样本数据为基于以下任意一种方式而得到:
该两个第二样本数据中的其中一个第二样本数据为利用针对其中另一个第二样本数据的数据增强处理而得到;以及
该两个第二样本数据中的每一个第二样本数据均为利用针对同一初始数据的增强处理而得到。
6.根据权利要求1至5中任意一项所述的方法,其中,所述多个第一样本数据为多个图像数据。
7.一种模型训练方法,包括:
将多个第三样本数据输入待训练模型,以得到所述多个第三样本数据中的每一个第三样本数据的第三预测结果;以及
至少基于所述多个第三样本数据中的每一个第三样本数据的参考预测结果和所述第三预测结果,调整所述待训练模型的参数,其中,每个第三样本数据的参考预测结果为通过由权利要求1至6中任意一项所述的方法而训练得到参考模型对该第三样本数据的预测而得到的。
8.根据权利要求7所述的方法,其中,所述多个第三样本数据中的每一个第三样本数据具有对应的第三标签,并且其中,所述调整所述待训练模型的参数还包括:
基于所述多个第三样本数据中的每一个第三样本数据的所述第三标签和所述第三预测结果,调整所述待训练模型的参数。
9.一种模型训练装置,其中,所述模型包括识别模块和分类模块,所述装置包括:
第一获取单元,被配置用于获取多个第一样本数据,其中,所述多个第一样本数据中的每一个第一样本数据具有对应的第一标签,并且在所述多个第一样本数据之中任意两种第一标签所分别对应的第一样本数据的数量之差不大于预设阈值;
第二获取单元,被配置用于将所述多个第一样本数据输入所述识别模块,以得到所述多个第一样本数据中的每一个第一样本数据的特征信息,其中,所述识别模块中的参数为至少基于自监督训练而预先得到;
第三获取单元,被配置用于将所述多个第一样本数据中的每一个第一样本数据的特征信息输入所述分类模块,以得到所述多个第一样本数据中的每一个第一样本数据的第一预测结果;以及
第一调整单元,被配置用于基于所述多个第一样本数据中的每一个第一样本数据所对应的所述第一标签和所述第一预测结果,调整所述分类模块的参数。
10.根据权利要求9所述的装置,还包括:
第二调整单元,被配置用于至少利用自监督训练调整附加识别模块的参数,其中,所述附加识别模块与所述识别模块的结构相同;以及
确定单元,被配置用于基于经过调整的所述附加识别模块的参数,确定所述识别模块的参数。
11.根据权利要求10所述的装置,其中,所述第二调整单元包括:
获取子单元,被配置用于获取多个第二样本数据,其中,所述多个第二样本数据中包括至少一个关联数据对,每个关联数据对由两个相互关联的第二样本数据构成;以及
训练子单元,被配置用于针对所述至少一个关联数据对中的每一个关联数据对,执行训练操作,所述训练子单元至少包括:
用于将该关联数据对输入所述附加识别模块,以得到该关联数据对中的每一个第二样本数据所对应的特征信息的子单元;以及
用于基于该关联数据对中的每一个第二样本数据所对应的特征信息之间的相似度,调整所述附加识别模块的参数的子单元。
12.根据权利要求11所述的装置,其中,所述多个第二样本数据中的每一个第二样本数据具有对应的第二标签,并且其中,所述训练子单元还包括:
用于针对该关联数据对中的每一个第二样本数据,基于该第二样本数据所对应的特征信息,确定该第二样本数据所对应第二预测结果的子单元;以及
用于基于该关联数据对中的每一个第二样本数据所对应的所述第二标签和所述第二预测结果,调整所述附加识别模块的参数的子单元。
13.根据权利要求11或12所述的装置,其中,每个关联数据对中的两个相互关联的第二样本数据为基于以下任意一种方式而得到:
该两个第二样本数据中的其中一个第二样本数据为利用针对其中另一个第二样本数据的数据增强处理而得到;以及
该两个第二样本数据中的每一个第二样本数据均为利用针对同一初始数据的增强处理而得到。
14.根据权利要求9至13中任意一项所述的装置,其中,所述多个第一样本数据为多个图像数据。
15.一种模型训练装置,包括:
第四获取单元,被配置用于将多个第三样本数据输入待训练模型,以得到所述多个第三样本数据中的每一个第三样本数据的第三预测结果;以及
第三调整单元,被配置用于至少基于所述多个第三样本数据中的每一个第三样本数据的参考预测结果和所述第三预测结果,调整所述待训练模型的参数,其中,每一个第三样本数据的参考预测结果为通过由权利要求1至6中任意一项所述的方法而训练得到参考模型对该第三样本数据的预测而得到的。
16.根据权利要求15所述的装置,其中,所述多个第三样本数据中的每一个第三样本数据具有对应的第三标签,并且其中,所述第三调整单元还包括:
用于基于所述多个第三样本数据中的每一个第三样本数据的所述第三标签和所述第三预测结果,调整所述待训练模型的参数的子单元。
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所述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,其中,所述计算机程序在被处理器执行时实现权利要求1-8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442914.XA CN114120416A (zh) | 2021-11-30 | 2021-11-30 | 模型训练方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111442914.XA CN114120416A (zh) | 2021-11-30 | 2021-11-30 | 模型训练方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114120416A true CN114120416A (zh) | 2022-03-01 |
Family
ID=80368555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111442914.XA Pending CN114120416A (zh) | 2021-11-30 | 2021-11-30 | 模型训练方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114120416A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070711A (zh) * | 2022-10-25 | 2023-05-05 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
-
2021
- 2021-11-30 CN CN202111442914.XA patent/CN114120416A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116070711A (zh) * | 2022-10-25 | 2023-05-05 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
CN116070711B (zh) * | 2022-10-25 | 2023-11-10 | 北京百度网讯科技有限公司 | 数据处理方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110766142A (zh) | 模型生成方法和装置 | |
CN111523640B (zh) | 神经网络模型的训练方法和装置 | |
CN113656582B (zh) | 神经网络模型的训练方法、图像检索方法、设备和介质 | |
CN112579909A (zh) | 对象推荐方法及装置、计算机设备和介质 | |
CN114612749B (zh) | 神经网络模型训练方法及装置、电子设备和介质 | |
CN113807440A (zh) | 利用神经网络处理多模态数据的方法、设备和介质 | |
CN112561060B (zh) | 神经网络训练方法及装置、图像识别方法及装置和设备 | |
CN114648638A (zh) | 语义分割模型的训练方法、语义分割方法与装置 | |
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 | |
CN114118287A (zh) | 样本生成方法、装置、电子设备以及存储介质 | |
CN112650885A (zh) | 视频分类方法、装置、设备和介质 | |
CN113642635A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN114120416A (zh) | 模型训练方法、装置、电子设备及介质 | |
CN114443896B (zh) | 数据处理方法和用于训练预测模型的方法 | |
CN111259698A (zh) | 用于获取图像的方法及装置 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN115170887A (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
CN114547252A (zh) | 文本识别方法、装置、电子设备和介质 | |
CN113806541A (zh) | 情感分类的方法和情感分类模型的训练方法、装置 | |
CN114330576A (zh) | 模型处理方法、装置、图像识别方法及装置 | |
CN113486853A (zh) | 视频检测方法及装置、电子设备和介质 | |
CN114120420B (zh) | 图像检测方法和装置 | |
CN115131562B (zh) | 三维场景分割方法、模型训练方法、装置和电子设备 | |
CN116070711B (zh) | 数据处理方法、装置、电子设备和存储介质 |
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 |