CN114202076A - 深度学习模型的训练方法、自然语言处理方法和装置 - Google Patents

深度学习模型的训练方法、自然语言处理方法和装置 Download PDF

Info

Publication number
CN114202076A
CN114202076A CN202111514073.9A CN202111514073A CN114202076A CN 114202076 A CN114202076 A CN 114202076A CN 202111514073 A CN202111514073 A CN 202111514073A CN 114202076 A CN114202076 A CN 114202076A
Authority
CN
China
Prior art keywords
deep learning
learning model
output result
trained
network layer
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
Application number
CN202111514073.9A
Other languages
English (en)
Other versions
CN114202076B (zh
Inventor
陈徐屹
刘炜新
卢宇翔
刘佳祥
黄世维
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 CN202111514073.9A priority Critical patent/CN114202076B/zh
Publication of CN114202076A publication Critical patent/CN114202076A/zh
Priority to JP2022156162A priority patent/JP7438303B2/ja
Priority to US17/976,049 priority patent/US20230047980A1/en
Priority to EP22204651.8A priority patent/EP4195110A1/en
Application granted granted Critical
Publication of CN114202076B publication Critical patent/CN114202076B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/096—Transfer learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
    • 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
    • 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
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/40—Processing or translation of natural language

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本公开提供了一种深度学习模型的训练方法，涉及人工智能领域，尤其涉及深度学习技术和自然语言处理技术。具体实现方案为：将第一样本数据输入第一深度学习模型，得到第一输出结果；根据第一输出结果和第一目标输出结果，训练第一深度学习模型，得到经训练的第一深度学习模型，其中，第一目标输出结果是通过利用参考深度学习模型处理第一样本数据得到的；将第二样本数据输入第二深度学习模型，得到第二输出结果；以及根据第二输出结果和第二目标输出结果，训练第二深度学习模型，得到经训练的第二深度学习模型。本公开还提供了一种自然语言处理方法、装置、电子设备和存储介质。

Description

深度学习模型的训练方法、自然语言处理方法和装置
技术领域
本公开涉及人工智能技术领域，尤其涉及深度学习技术和自然语言处理技术。更具体地，本公开提供了一种深度学习模型的训练方法、自然语言处理方法、装置、电子设备和存储介质。
背景技术
增加预训练模型的参数量，可以提高模型的性能。在生产环境中，可以对预训练模型进行蒸馏压缩，以减少计算量。
发明内容
本公开提供了一种深度学习模型的训练方法、自然语言处理方法、装置、设备以及存储介质。
根据第一方面，提供了一种深度学习模型的训练方法，该方法包括：将第一样本数据输入第一深度学习模型，得到第一输出结果；根据上述第一输出结果和第一目标输出结果，训练上述第一深度学习模型，得到经训练的第一深度学习模型，其中，上述第一目标输出结果是通过利用参考深度学习模型处理上述第一样本数据得到的；将第二样本数据输入第二深度学习模型，得到第二输出结果；以及根据上述第二输出结果和第二目标输出结果，训练上述第二深度学习模型，得到经训练的第二深度学习模型，其中，上述第二目标输出结果是通过上述经训练的第一深度学习模型处理上述第二样本数据得到的。
根据第二方面，提供了一种自然语言处理方法，该方法包括：将自然语言信息输入深度学习模型，得到输出结果；其中，上述深度学习模型是利用根据本公开提供的方法训练的。
根据第三方面，提供了一种深度学习模型的训练装置，该装置包括：第一获得模块，用于将第一样本数据输入第一深度学习模型，得到第一输出结果；第一训练模块，用于根据上述第一输出结果和第一目标输出结果，训练上述第一深度学习模型，得到经训练的第一深度学习模型，其中，上述第一目标输出结果是通过利用参考深度学习模型处理上述第一样本数据得到的；第二获得模块，用于将第二样本数据输入第二深度学习模型，得到第二输出结果；以及第二训练模块，用于根据上述第二输出结果和第二目标输出结果，训练上述第二深度学习模型，得到经训练的第二深度学习模型，其中，上述第二目标输出结果是通过上述经训练的第一深度学习模型处理上述第二样本数据得到的。
根据第四方面，提供了一种自然语言处理装置，该装置包括：第四获得模块，用于将自然语言信息输入深度学习模型，得到输出结果；其中，上述深度学习模型是利用本公开提供的装置训练的。
根据第五方面，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根据本公开提供的方法。
根据第六方面，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，该计算机指令用于使计算机执行根据本公开提供的方法。
根据第七方面，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根据本公开提供的方法。
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是根据本公开的一个实施例的深度学习模型的训练方法的流程图；
图2是根据本公开的另一个实施例的深度学习模型的训练方法的流程图；
图3是根据本公开的另一个实施例的深度学习模型的训练方法的流程图；
图4是根据本公开的一个实施例的深度学习模型的训练方法的原理图；
图5是根据本公开的另一个实施例的深度学习模型的训练方法的原理图；
图6是根据本公开的另一个实施例的深度学习模型的训练方法的原理图；
图7是根据本公开的另一个实施例的深度学习模型的训练方法的原理图；
图8是根据本公开的一个实施例的自然语言处理方法的流程图；
图9是根据本公开的一个实施例的深度学习模型的训练装置的框图；
图10是根据本公开的一个实施例的自然语言处理装置的框图；以及
图11是根据本公开的一个实施例的可以应用深度学习模型的训练和/或自然语言处理方法的电子设备的框图。
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。
可以利用知识蒸馏技术，对预训练模型进行蒸馏压缩。在蒸馏的过程中，可以对预训练模型或大模型(下称“教师模型”)进行前向推理运算，然后让另一个小模型(下称“学生模型”)去拟合教师模型的输出结果。
教师模型通常是单个复杂网络或若干网络的集合，具有良好的性能和泛化能力。学生模型由于网络规模较小，表达能力有限。因此，可以利用教师模型学习到的知识指导学生模型训练，使得学生模型具有与教师模型相当的性能。但学生模型的参数量大为降低，从而实现模型压缩和加速。
知识蒸馏是对模型能力进行迁移，根据迁移的具体方式不同，可以简单分为基于目标的蒸馏(也称为Soft-target蒸馏)和基于特征的蒸馏。例如，分类模型可以包括一个Softmax层。该Softmax层的输出值对应了相应类别的概率值。在知识蒸馏时，由于已经具有了泛化能力较强的教师模型，在利用教师模型指导训练学生模型时，因此可以直接让学生模型学习教师模型的泛化能力。在一个示例中，使用教师模型的Softmax层输出的类别概率作为学生模型的目标输出。
对教师模型进行蒸馏压缩的代价，大致与该模型的尺寸成正比。并且，教师模型的输出结果可能过于庞大而无法存储。因此，教师模型的蒸馏压缩过程，可以与学生模型的训练同步。并且，教师模型的参数量的数量级可以是上百亿，那么对教师模型的蒸馏压缩操作可能需要大量硬件连续计算几百个自然日。
此外，教师模型的表达能力过于强大。直接让学生模型拟合教师模型的输出结果，会使得学生模型学习到较多没有意义的噪声，导致学生模型的训练效果下降。
图1是根据本公开的一个实施例的深度学习模型的训练方法的流程图。
如图1所示，该方法100可以包括操作S110至操作S140。
在操作S110，将第一样本数据输入第一深度学习模型，得到第一输出结果。
在本公开实施例中，第一深度学习模型可以包括N个网络层。
例如，每一网络层包括第一注意力模块。在一个示例中，第一输出结果可以是第N个网络层的第一注意力模块的输出。
例如，N为大于或等于1的整数。在一个示例中，N＝24。
例如，第一样本数据可以是包含文字的图像。在一个示例中，第一样本数据可以是包含数字“8”的图像。
例如，第一输出结果可以包括文字和第一样本数据为该文字的概率。在一个示例中，第一样本数据可以是包含数字“8”的图像。相应地，第一输出结果可以是数字8和数字8的概率65％，数字3和数字3的概率30％，以及数字7和数字7的概率5％。
在操作S120，根据第一输出结果和第一目标输出结果，训练第一深度学习模型，得到经训练的第一深度学习模型。
在本公开实施例中，第一目标输出结果是通过利用参考深度学习模型处理第一样本数据得到的。
例如，参考深度学习模型可以包括K个网络层。在一个示例中，参考深度学习模型可以是上文所述的教师模型。
例如，K为大于或等于的整数。在一个示例中，K大于N。在一个示例中，K＝60。
例如，K个网络层中每一网络层包括注意力模块。在一个示例中，第一目标输出结果可以为第K个网络层的注意力模块的输出。在一个示例中，第一样本数据可以是包含数字“8”的图像。相应地，第一目标输出结果可以是数字8和数字8的概率75％，数字3和数字3的概率20％，以及数字7和数字7的概率5％。
例如，第一深度学习模型的参数少于参考深度学习模型中的参数。在一个示例中，可以将第一深度学习模型作为助教模型。助教模型的参数少于教师模型的参数。
例如，可以调整第一深度学习模型中的参数，使得第一输出结果与第一目标输出结果一致。
在一个示例中，可以利用损失函数计算第一输出结果与第一目标输出结果之间的第一差异。当第一差异小于预设第一差异阈值时，可以认为第一输出结果与第一目标输出结果一致。
在一个示例中，参考深度学习模型可以是训练好的模型。在训练参考深度学习模型的过程中，采用的损失函数可以与上文所述的计算第一差异的损失函数一致。
在操作S130，将第二样本数据输入第二深度学习模型，得到第二输出结果。
例如，第一深度学习模型的参数多于第二深度学习模型的参数。在一个示例中，第二深度学习模型可以是上文所述的学生模型。
需要说明的是，可以同时训练至少一个第二深度学习模型。每个第二深度学习模型的参数量可以不同。
在本公开实施例中，第二深度学习模型包括M个网络层。
例如，每一网络层包括第二注意力模块。在一个示例中，第二输出结果为第M个网络层中的第二注意力模块的输出。
例如，M为大于或等于1的整数。在一个示例中，N大于M。在一个示例中，M＝5。在另一个示例中，M＝6。在一个示例中，第二深度学习模型S1包括6个网络层，第二深度学习模型S2也包括6个网络层。但第二深度学习模型S1中的每个网络层中的参数多于第二深度学习模型S2中的每个网络层中的参数。
例如，第二样本数据可以是包含文字的图像。在一个示例中，第二样本数据也可以是包含数字“8”的图像。相应地，第二输出结果可以是可数字8和数字8的概率55％，数字3和数字3的概率32％，以及数字7和数字7的概率13％。
在操作S140，根据第二输出结果和第二目标输出结果，训练第二深度学习模型，得到经训练的第二深度学习模型。
在本公开实施例中，第二目标输出结果是通过经训练的第一深度学习模型处理第二样本数据得到的。
例如，第二目标输出结果为第N个网络层中的第一注意力模块的输出。在一个示例中，第二目标输出结果可以是经训练的第一深度学习模型的第N个网络层中的第一注意力模块的输出。在一个示例中，第二目标输出结果可以与第一目标输出结果一致。
例如，可以调整第二深度学习模型中的参数，使得第二输出结果与第二目标输出结果一致。
在一个示例中，可以利用损失函数计算第二输出结果与第二目标输出结果之间的第二差异。当第二差异小于预设第二差异阈值时，可以认为第二输出结果与第二目标输出结果一致。
在一个示例中，在训练第二深度学习模型的过程中，采用的损失函数与上文所述的计算第一差异的损失函数一致。
通过本公开实施例，在教师模型和学生模型之间引入助教模型，显著降低了教师模型和学生模型之间由于参数差别产生的表达能力差异，从而使得教师模型的预测能力能够更好地传达给轻量化的学生模型。
图2是根据本公开的另一个实施例的深度学习模型的训练方法的流程图。
如图2所示，方法240可以根据第二输出结果和第二目标输出结果，训练第二深度学习模型，得到经训练的第二深度学习模型，下面将参考操作S241至操作S243进行详细说明。
在本公开实施例中，第二深度学习模型包括M个网络层，每一网络层包括依次连接的第二注意力模块和前馈模块。
在操作S241，在第二深度学习模型中设置附加网络层。
在本公开实施例中，附加网络层包括依次连接的附加注意力模块和附加前馈模块，附加注意力模块与第M个网络层的前馈模块相连。
例如，第二深度学习模型S3包括6个网络层，分别为网络层S3_L1至网络层S3_L6。每一网络层包括依次连接的第二注意力模块和前馈模块。
网络层S3_L1的前馈模块S3_L1F与网络层S3_L2的第二注意力模块S3_L2A连接。网络层S3_L2的第二注意力模块S3_L2A与网络层S3_L2的前馈模块S3_L2F连接。网络层S3_L2的前馈模块S3_L2F与网络层S3_L3的第二注意力模块S3_L3A连接。类似地，可以确定网络层S3_L1至网络层S3_L6的连接方式。
网络层S3_L6的前馈模块S3_L6F与附加注意力模块连接。
在操作S242，调整第二深度学习模型中的参数，使得附加注意力模块的输出与第N个网络层中的注意力模块的输出一致。
例如，可以利用损失函数计算附加注意力模块的输出与第N个网络层中的注意力模块的输出之间的第三差异。当第三异小于预设第三差异阈值时，可以认为附加注意力模块的输出与第N个网络层中的注意力模块的输出一致。
在一个示例中，在计算第三差异时，采用的损失函数可以与上文所述的计算第一差异的损失函数一致。
在操作S243，删除附加网络层，得到经训练的第二深度学习模型。
例如，在附加注意力模块的输出与第N个网络层中的注意力模块的输出一致之后，可以将包含6个网络层的第二深度学习模型S3作为经训练的第二深度学习模型。
通过本公开实施例，在学生模型的最后一个网络层之后，添加附加网络层，由附加注意力模块的输出去逼近助教模型的最后一个第二注意力模块的输出，使得学生模型中原来的最后一个网络层的前馈模块可以得到充分训练。进而，教师模型的预测能力可以传递给学生模型的最后一个前馈模块。
图3是根据本公开的另一个实施例的深度学习模型的训练方法的流程图。
如图3所示，与方法100不同之处在于，该方法300还可以包括操作S350至操作S360。操作S350可以在上文所述的操作S240之后执行。
在操作S350，将第三样本数据分别输入参考深度学习模型、经训练的第一深度学习模型和经训练的第二深度学习模型，得到第一输出、第二输出和第三输出。
例如，第三样本数据可以是包含文字的图像。
例如，第三样本数据可以与上文所述的第一样本数据相同，也可以与上文所述的第一样本数据不同。
在操作S360，联合训练参考深度学习模型、经训练的第一深度学习模型和经训练的第二深度学习模型，使得第一输出、第二输出和第三输出彼此一致。
例如，可以联合调整参考深度学习模型、经训练的第一深度学习模型和经训练的第二深度学习模型的参数，使得第一输出、第二输出和第三输出之间的差异小于预设阈值。
通过本公开实施例，可以进一步训练第一深度学习模型和第二深度学习模型，以提高模型的性能。
图4是根据本公开的一个实施例的深度学习模的训练方法的原理图。
如图4所示，第一深度学习模型410包括N个网络层，分别为网络层411、网络层412、网络层413、网络层414、……、网络层415。
第二深度学习模型420包括M个网络层，分别为网络层421、网络层422、网络层423、网络层424、……、网络层425。在本实施例中，N大于M。
可以先训练第一深度学习模型410。例如，将第一样本数据Sample_1401输入第一深度学习模型410，利用N个网络层进行处理，得到第一输出结果Assi_A 4151。根据第一输出结果Assi_A 4151与第一目标输出结果TT_A 405，利用损失函数计算二者之间的第一差异Diff_1403。利用第一差异Diff_1403，训练第一深度学习模型410。
在一个示例中，第一样本数据Sample_1401可以为包含数字“8”的图像。第一目标输出结果TT_A 405可以为：(8，0.75)、(3，0.2)和(7，0.05)。比如，(8，0.75)表示该第一样本数据Sample_1 401可以为数字8，且第一样本数据Sample_1 401为数字8的概率是75％。第一输出结果Assi_A 4151可以为：(8，0.65)、(3，0.3)和(7，0.05)。通过训练第一深度学习模型410，使得第一输出结果Assi_A 4151趋近第一目标输出结果TT_A 405。
接下来，在使得第一输出结果Assi_A 4151与第一目标输出结果TT_A 405一致之后，可以训练第二深度学习模型420。
例如，将第二样本数据Sample_2 402输入第二深度学习模型420，利用M个网络层进行处理，得到第二输出结果S_A 4251。根据第二输出结果S_A 4251与第二目标输出结果TAssi_A 4152，利用上文所述的损失函数计算二者之间的第二差异Diff_2 404。利用第二差异Diff_2 404，训练第二深度学习模型420。第二目标输出结果TAssi_A 4152可以是将第二样本数据Sample_2 402输入经训练的第一深度学习模型得到的。
在一个示例中，第二样本数据Sample_2 402也可以为包含数字“8”的图像。第二目标输出结果TAssi_A 4152可以为：(8，0.75)、(3，0.2)和(7，0.05)。第二输出结果S_A 4251可以为：(8，0.55)、(3，0.32)和(7，0.13)。通过训练第二深度学习模型420，使得第二输出结果S_A 4251趋近第二目标输出结果TAssi_A 4152。
图5是根据本公开的另一个实施例的深度学习模型的训练方法的原理图。
如图5所示，第一深度学习模型510包括N个网络层，分别为网络层Assi_L1 511、网络层Assi_L2 512、……、网络层Assi_LN 513。每一网络层包括第一注意力模块和前馈模块。
第二深度学习模型520包括M个网络层，分别为网络层S_L1 521、……、网络层S_LM522。每一网络层包括第二注意力模块和前馈模块。在本实施例中，N大于M。
参考深度学习模型530包括K个网络层，分别为网络层T_L1 531、网络层T_L2532、……、网络层T_LK 533。每一网络层包括注意力模块和前馈模块。在本实施例中，K大于N。
参考深度学习模型530可以是经过训练的模型。第一目标输出结果TT_A 5331可以是将第一样本数据Sample_1 501输入参考深度学习模型530得到的。如图5所示，第一目标输出结果TT_A 5331可以是网络层T_LK 533的注意力模块的输出。
可以先训练第一深度学习模型510。例如，将第一样本数据Sample_1 501输入第一深度学习模型510，利用N个网络层进行处理，得到第一输出结果Assi_A 5131。如图5所示，第一输出结果Assi_A 5131可以是网络层Assi_LN 513的第一注意力模块的输出。根据第一输出结果Assi_A 5131与第一目标输出结果TT_A 5331，利用损失函数计算二者之间的第一差异Diff_1 503。利用第一差异Diff_1 503，训练第一深度学习模型510。
接下来，在使得第一输出结果Assi_A 5131与第一目标输出结果TT_A 5331一致之后，可以训练第二深度学习模型520。
例如，将第二样本数据Sample_2 502输入第二深度学习模型520，利用M个网络层进行处理，得到第二输出结果S_A 5221。比如，第二输出结果S_A 5221可以是网络层S_LM522的第二注意力模块的输出。根据第二输出结果S_A 5221与第二目标输出结果TAssi_A5132，利用上文所述的损失函数计算二者之间的第二差异Diff_2 504。利用第二差异Diff_2 504，训练第二深度学习模型520。第二目标输出结果TAssi_A 5132可以是将第二样本数据Sample_2 502输入经训练的第一深度学习模型得到的。
第一样本数据Sample_1 501可以参照上文所述的第一样本数据Sample_1 401。第二样本数据Sample_2 502可以参照上文所述的第二样本数据Sample_2 402。第一输出结果Assi_A 5131可以参照上文所述的第一输出结果Assi_A 4151。第一目标输出结果TT_A5331可以参照上文所述的第一目标输出结果TT_A 405。第二输出结果S_A 5221可以参照上文所述的第二输出结果S_A 4251。第二目标输出结果TAssi_A 5132可以参照上文所述的第二目标输出结果TAssi_A 4152。
图6是根据本公开的另一个实施例的深度学习模型的训练方法的原理图。
如图6所示，第一深度学习模型610包括N个网络层，分别为网络层Assi_L1 611、网络层Assi_L2 612、……、网络层Assi_LN 613。每一网络层包括第一注意力模块和前馈模块。
第二深度学习模型620包括M个网络层，分别为网络层S_L1 621、……、网络层S_LM622。每一网络层包括第二注意力模块和前馈模块。在本实施例中，N大于M。
参考深度学习模型630包括K个网络层，分别为网络层T_L1 631、网络层T_L2632、……、网络层T_LK 633。每一网络层包括注意力模块和前馈模块。在本实施例中，K大于N。
参考深度学习模型630可以是经过训练的模型。第一目标输出结果TT_A 6331可以是将第一样本数据Sample_1 601输入参考深度学习模型630得到的。如图6所示，第一目标输出结果TT_A 6331可以是网络层T_LK 633的注意力模块的输出。
可以先训练第一深度学习模型610。例如，将第一样本数据Sample_1 601输入第一深度学习模型610，利用N个网络层进行处理，得到第一输出结果Assi_A 6131。如图6所示，第一输出结果Assi_A 6131可以是网络层Assi_LN 613的第一注意力模块的输出。根据第一输出结果Assi_A 6131与第一目标输出结果TT_A 6331，利用损失函数计算二者之间的第一差异Diff_1 603。利用第一差异Diff_1 603，训练第一深度学习模型610。
接下来，在使得第一输出结果Assi_A 6131与第一目标输出结果TT_A 6331一致之后，可以训练第二深度学习模型620。
如图6所示，与图5不同之处在于，在训练第二深度学习模型620时，可以在第二深度学习模型中设置附加网络层S_LAdd 623。附加网络层S_LAdd 623包括依次连接的附加注意力模块和附加前馈模块，附加注意力模块与网络层S_LM 622的前馈模块相连。
例如，在训练第二深度学习模型620时，可以将第二样本数据Sample_2 602输入第二深度学习模型620，得到附加注意力模块的输出S_A 6231。根据附加注意力模块的输出S_A 6231与第二目标输出结果TAssi_A 6132，利用上文所述的损失函数计算二者之间的第三差异Diff_3 604。利用第三差异Diff_3 604，训练第二深度学习模型620。第二目标输出结果TAssi_A 6132可以是将第二样本数据Sample_2 602输入经训练的第一深度学习模型得到的。
之后，在附加注意力模块的输出S_A 6231与第二目标输出结果TAssi_A 6132一致之后，可以删除附加网络层623，得到经训练的第二深度学习模型。
第一样本数据Sample_1 601可以参照上文所述的第一样本数据Sample_1 401。第二样本数据Sample_2 602可以参照上文所述的第二样本数据Sample_2 402。第一输出结果Assi_A 6131可以参照上文所述的第一输出结果Assi_A 4151。第一目标输出结果TT_A6331可以参照上文所述的第一目标输出结果TT_A 405。附加注意力模块的输出S_A 6231可以参照上文所述的第二输出结果S_A 4251。第二目标输出结果TAssi_A 6132可以参照上文所述的第二目标输出结果TAssi_A 4152。
图7是根据本公开的另一个实施例的深度学习模型的训练方法的原理图。
如图7所示，第一深度学习模型710包括N个网络层，分别为网络层711、网络层712、网络层713、网络层714、……、网络层715。
第二深度学习模型720包括M个网络层，分别为网络层721、网络层722、网络层723、网络层724、……、网络层725。在本实施例中，N大于M。
参考深度学习模型730包括K个网络层，分别为网络层731、网络层732、网络层733、网络层734、网络层735、……、网络层736。在本实施例中，K大于M。
可以将将第三样本数据Sampl_3 701分别输入参考深度学习模型730、经训练的第一深度学习模型710和经训练的第二深度学习模型720，得到第一输出T_F 702、第二输出Assi_F 703和第三输出S_F 704。
接下来，联合调整参考深度学习模型730、经训练的第一深度学习模型710和经训练的第二深度学习模型720的参数，使得第一输出T_F 702、第二输出Assi_F 703和第三输出S_F 704之间的差异小于预设阈值。
需要说明的是，上文所述的网络层可以是根据Transformer模型构建的。
图8是根据本公开的一个实施例的自然语言处理方法的流程图。
如图8所示，该方法800可以包括操作810。
在操作S810，将自然语言信息输入深度学习模型，得到输出结果。
例如，深度学习模型是利用本公开实施例提供的方法训练的。
例如，可以将上文所述的第二深度学习模型作为本实施例中的深度学习模型。在一个示例中，可以将上文所述的第二深度学习模型420、上文所述的第二深度学习模型520和上文所述的第二深度学习模型720其中任一个作为本实施例中的深度学习模型。在另一个示例中，可以将上文所述的删除了附加网络层S_LAdd 623的第二深度学习模型620作为本实施例中的深度学习模型。
图9是根据本公开的一个实施例的深度学习模型的训练装置的框图。
如图9所示，该装置900可以包括第一获得模块910、第一训练模块920、第二获得模块930和第二训练模块940。
第一获得模块910，用于将第一样本数据输入第一深度学习模型，得到第一输出结果。
第一训练模块920，用于根据所述第一输出结果和第一目标输出结果，训练所述第一深度学习模型，得到经训练的第一深度学习模型。所述第一目标输出结果是通过利用参考深度学习模型处理所述第一样本数据得到的。
第二获得模块930，用于将第二样本数据输入第二深度学习模型，得到第二输出结果。
第二训练模块940，用于根据所述第二输出结果和第二目标输出结果，训练所述第二深度学习模型，得到经训练的第二深度学习模型。所述第二目标输出结果是通过所述经训练的第一深度学习模型处理所述第二样本数据得到的。
在一些实施例中，所述第一深度学习模型中的参数少于所述参考深度学习模型中的参数，且多于所述第二深度学习模型中的参数。
在一些实施例中，所述第一训练模块包括：第一调整单元，用于调整所述第一深度学习模型中的参数，使得所述第一输出结果与所述第一目标输出结果一致。
在一些实施例中，所述第二训练模块包括：第二调整单元，用于调整所述第二深度学习模型中的参数，使得所述第二输出结果与所述第二目标输出结果一致。
在一些实施例中，所述第一深度学习模型包括N个网络层，每一网络层包括第一注意力模块；所述第二深度学习模型包括M个网络层，每一网络层包括第二注意力模块，N和M为大于1的整数，且N大于M。所述第二目标输出结果为第N个网络层中的第一注意力模块的输出，所述第二输出结果为第M个网络层中的第二注意力模块的输出。
在一些实施例中，所述第一深度学习模型包括N个网络层，每一网络层包括第一注意力模块；所述第二深度学习模型包括M个网络层，每一网络层包括依次连接的第二注意力模块和前馈模块，N和M为大于1的整数，且N大于M。所述第二训练模块包括：设置单元，用于在所述第二深度学习模型中设置附加网络层，所述附加网络层包括依次连接的附加注意力模块和附加前馈模块，所述附加注意力模块与第M个网络层的前馈模块相连；第三调整单元，用于调整所述第二深度学习模型中的参数，使得所述附加注意力模块的输出与第N个网络层中的注意力模块的输出一致；以及删除单元，用于删除所述附加网络层，得到经训练的第二深度学习模型。
在一些实施例中，装置900还包括：第三获得模块，用于将第三样本数据分别输入所述参考深度学习模型、所述经训练的第一深度学习模型和所述经训练的第二深度学习模型，得到第一输出、第二输出和第三输出；以及第三训练模块，用于联合训练所述参考深度学习模型、所述经训练的第一深度学习模型和所述经训练的第二深度学习模型，使得所述第一输出、所述第二输出和所述第三输出彼此一致。
图10是根据本公开的另一个实施例的自然语言处理装置的框图。
如图10所示，该装置1000可以包括第四获得模块1010。
第四获得模块1010，用于将自然语言信息输入深度学习模型，得到输出结果。
例如，所述深度学习模型是利用本公开提供的装置训练的。
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。
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，例如深度学习模型的训练方法和/或自然语言处理方法。例如，在一些实施例中，深度学习模型的训练方法和/或自然语言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深度学习模型的训练方法和/或自然语言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)而被配置为执行深度学习模型的训练方法和/或自然语言处理方法。
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)、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。
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)

1.一种深度学习模型的训练方法，包括：
将第一样本数据输入第一深度学习模型，得到第一输出结果；
根据所述第一输出结果和第一目标输出结果，训练所述第一深度学习模型，得到经训练的第一深度学习模型，其中，所述第一目标输出结果是通过利用参考深度学习模型处理所述第一样本数据得到的；
将第二样本数据输入第二深度学习模型，得到第二输出结果；以及
根据所述第二输出结果和第二目标输出结果，训练所述第二深度学习模型，得到经训练的第二深度学习模型，其中，所述第二目标输出结果是通过所述经训练的第一深度学习模型处理所述第二样本数据得到的。
2.根据权利要求1所述的方法，其中，所述第一深度学习模型中的参数少于所述参考深度学习模型中的参数，且多于所述第二深度学习模型中的参数。
3.根据权利要求1或2所述的方法，其中，所述根据所述第一输出结果和第一目标输出结果，训练所述第一深度学习模型，得到经训练的第一深度学习模型包括：
调整所述第一深度学习模型中的参数，使得所述第一输出结果与所述第一目标输出结果一致。
4.根据权利要求1或2所述的方法，其中，所述根据所述第二输出结果和第二目标输出结果，训练所述第二深度学习模型，得到经训练的第二深度学习模型包括：
调整所述第二深度学习模型中的参数，使得所述第二输出结果与所述第二目标输出结果一致。
5.根据权利要求1所述的方法，其中，所述第一深度学习模型包括N个网络层，每一网络层包括第一注意力模块；所述第二深度学习模型包括M个网络层，每一网络层包括第二注意力模块，N和M为大于1的整数，且N大于M；
其中，所述第二目标输出结果为第N个网络层中的第一注意力模块的输出，所述第二输出结果为第M个网络层中的第二注意力模块的输出。
6.根据权利要求1所述的方法，其中，所述第一深度学习模型包括N个网络层，每一网络层包括第一注意力模块；所述第二深度学习模型包括M个网络层，每一网络层包括依次连接的第二注意力模块和前馈模块，N和M为大于1的整数，且N大于M；
其中，所述根据所述第二输出结果和第二目标输出结果，训练所述第二深度学习模型，得到经训练的第二深度学习模型包括：
在所述第二深度学习模型中设置附加网络层，所述附加网络层包括依次连接的附加注意力模块和附加前馈模块，所述附加注意力模块与第M个网络层的前馈模块相连；
调整所述第二深度学习模型中的参数，使得所述附加注意力模块的输出与第N个网络层中的注意力模块的输出一致；以及
删除所述附加网络层，得到经训练的第二深度学习模型。
7.根据权利要求1所述的方法，还包括：
将第三样本数据分别输入所述参考深度学习模型、所述经训练的第一深度学习模型和所述经训练的第二深度学习模型，得到第一输出、第二输出和第三输出；以及
联合训练所述参考深度学习模型、所述经训练的第一深度学习模型和所述经训练的第二深度学习模型，使得所述第一输出、所述第二输出和所述第三输出彼此一致。
8.一种自然语言处理方法，包括：
将自然语言信息输入深度学习模型，得到输出结果；
其中，所述深度学习模型是利用根据权利要求1至7任一项所述的方法训练的。
9.一种深度学习模型的训练装置，包括：
第一获得模块，用于将第一样本数据输入第一深度学习模型，得到第一输出结果；
第一训练模块，用于根据所述第一输出结果和第一目标输出结果，训练所述第一深度学习模型，得到经训练的第一深度学习模型，其中，所述第一目标输出结果是通过利用参考深度学习模型处理所述第一样本数据得到的；
第二获得模块，用于将第二样本数据输入第二深度学习模型，得到第二输出结果；以及
第二训练模块，用于根据所述第二输出结果和第二目标输出结果，训练所述第二深度学习模型，得到经训练的第二深度学习模型，其中，所述第二目标输出结果是通过所述经训练的第一深度学习模型处理所述第二样本数据得到的。
10.根据权利要求9所述的装置，其中，所述第一深度学习模型中的参数少于所述参考深度学习模型中的参数，且多于所述第二深度学习模型中的参数。
11.根据权利要求9或10所述的装置，其中，所述第一训练模块包括：
第一调整单元，用于调整所述第一深度学习模型中的参数，使得所述第一输出结果与所述第一目标输出结果一致。
12.根据权利要求9或10所述的装置，其中，所述第二训练模块包括：
第二调整单元，用于调整所述第二深度学习模型中的参数，使得所述第二输出结果与所述第二目标输出结果一致。
13.根据权利要求9所述的装置，其中，所述第一深度学习模型包括N个网络层，每一网络层包括第一注意力模块；所述第二深度学习模型包括M个网络层，每一网络层包括第二注意力模块，N和M为大于1的整数，且N大于M；
其中，所述第二目标输出结果为第N个网络层中的第一注意力模块的输出，所述第二输出结果为第M个网络层中的第二注意力模块的输出。
14.根据权利要求9所述的装置，其中，所述第一深度学习模型包括N个网络层，每一网络层包括第一注意力模块；所述第二深度学习模型包括M个网络层，每一网络层包括依次连接的第二注意力模块和前馈模块，N和M为大于1的整数，且N大于M；
其中，所述第二训练模块包括：
设置单元，用于在所述第二深度学习模型中设置附加网络层，所述附加网络层包括依次连接的附加注意力模块和附加前馈模块，所述附加注意力模块与第M个网络层的前馈模块相连；
第三调整单元，用于调整所述第二深度学习模型中的参数，使得所述附加注意力模块的输出与第N个网络层中的注意力模块的输出一致；以及
删除单元，用于删除所述附加网络层，得到经训练的第二深度学习模型。
15.根据权利要求9所述的装置，还包括：
第三获得模块，用于将第三样本数据分别输入所述参考深度学习模型、所述经训练的第一深度学习模型和所述经训练的第二深度学习模型，得到第一输出、第二输出和第三输出；以及
第三训练模块，用于联合训练所述参考深度学习模型、所述经训练的第一深度学习模型和所述经训练的第二深度学习模型，使得所述第一输出、所述第二输出和所述第三输出彼此一致。
16.一种自然语言处理装置，包括：
第四获得模块，用于将自然语言信息输入深度学习模型，得到输出结果；
其中，所述深度学习模型是利用根据权利要求9至15任一项所述的装置训练的。
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至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至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至8中任一项所述的方法。
CN202111514073.9A 2021-12-10 2021-12-10 深度学习模型的训练方法、自然语言处理方法和装置 Active CN114202076B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202111514073.9A CN114202076B (zh) 2021-12-10 2021-12-10 深度学习模型的训练方法、自然语言处理方法和装置
JP2022156162A JP7438303B2 (ja) 2021-12-10 2022-09-29 ディープラーニングモデルのトレーニング方法、自然言語処理方法及び装置、電子機器、記憶媒体及びコンピュータプログラム
US17/976,049 US20230047980A1 (en) 2021-12-10 2022-10-28 Method of training deep learning model and method of processing natural language
EP22204651.8A EP4195110A1 (en) 2021-12-10 2022-10-31 Method and apparatus of training deep learning model, and method and apparatus of processing natural language

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111514073.9A CN114202076B (zh) 2021-12-10 2021-12-10 深度学习模型的训练方法、自然语言处理方法和装置

Publications (2)

Publication Number Publication Date
CN114202076A true CN114202076A (zh) 2022-03-18
CN114202076B CN114202076B (zh) 2023-05-23

Family

ID=80652694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111514073.9A Active CN114202076B (zh) 2021-12-10 2021-12-10 深度学习模型的训练方法、自然语言处理方法和装置

Country Status (4)

Country Link
US (1) US20230047980A1 (zh)
EP (1) EP4195110A1 (zh)
JP (1) JP7438303B2 (zh)
CN (1) CN114202076B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819188A (zh) * 2022-05-19 2022-07-29 北京百度网讯科技有限公司 模型训练方法、装置、电子设备及可读存储介质

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115936091B (zh) * 2022-11-24 2024-03-08 北京百度网讯科技有限公司 深度学习模型的训练方法、装置、电子设备以及存储介质
CN115796272B (zh) * 2022-11-24 2024-03-12 北京百度网讯科技有限公司 基于深度学习平台的模型训练方法、数据处理方法和装置
CN116051935B (zh) * 2023-03-03 2024-03-22 北京百度网讯科技有限公司 图像检测方法、深度学习模型的训练方法及装置
CN116204642B (zh) * 2023-03-06 2023-10-27 上海阅文信息技术有限公司 数字阅读中角色隐式属性智能识别分析方法、系统和应用

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826344A (zh) * 2019-10-24 2020-02-21 北京小米智能科技有限公司 神经网络模型压缩方法、语料翻译方法及其装置
CN112487182A (zh) * 2019-09-12 2021-03-12 华为技术有限公司 文本处理模型的训练方法、文本处理方法及装置
CN113656581A (zh) * 2021-08-17 2021-11-16 北京百度网讯科技有限公司 文本分类及模型训练的方法、装置、设备以及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170132528A1 (en) 2015-11-06 2017-05-11 Microsoft Technology Licensing, Llc Joint model training

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112487182A (zh) * 2019-09-12 2021-03-12 华为技术有限公司 文本处理模型的训练方法、文本处理方法及装置
CN110826344A (zh) * 2019-10-24 2020-02-21 北京小米智能科技有限公司 神经网络模型压缩方法、语料翻译方法及其装置
CN113656581A (zh) * 2021-08-17 2021-11-16 北京百度网讯科技有限公司 文本分类及模型训练的方法、装置、设备以及存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ZHAI Y ET AL: "BeautyNet:Joint Multiscale CNN and Transfer Learning Method for Unconstrained Facial Beauty Prediction", 《COMPUTATIONAL INTELLIGENCE AND NEUROSCIENCE》 *
纪荣嵘等: "深度神经网络压缩与加速综述", 《计算机研究与发展》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114819188A (zh) * 2022-05-19 2022-07-29 北京百度网讯科技有限公司 模型训练方法、装置、电子设备及可读存储介质

Also Published As

Publication number Publication date
JP7438303B2 (ja) 2024-02-26
CN114202076B (zh) 2023-05-23
EP4195110A1 (en) 2023-06-14
US20230047980A1 (en) 2023-02-16
JP2022173453A (ja) 2022-11-18

Similar Documents

Publication Publication Date Title
CN113553864B (zh) 翻译模型的训练方法、装置、电子设备及存储介质
US20220114343A1 (en) Method of training model, device, and storage medium
EP4113354A2 (en) Method and apparatus for generating pre-trained language model, electronic device and storage medium
CN114202076B (zh) 深度学习模型的训练方法、自然语言处理方法和装置
CN112507040B (zh) 多元关系生成模型的训练方法、装置、电子设备及介质
CN113239705B (zh) 语义表示模型的预训练方法、装置、电子设备和存储介质
EP3913545A2 (en) Method and apparatus for updating parameter of multi-task model, and electronic device
JP7331975B2 (ja) クロスモーダル検索モデルのトレーニング方法、装置、機器、および記憶媒体
CN115082920B (zh) 深度学习模型的训练方法、图像处理方法和装置
CN112949433B (zh) 视频分类模型的生成方法、装置、设备和存储介质
CN114881129A (zh) 一种模型训练方法、装置、电子设备及存储介质
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
CN114187459A (zh) 目标检测模型的训练方法、装置、电子设备以及存储介质
EP4123516A1 (en) Method and apparatus for acquiring pre-trained model, electronic device and storage medium
CN112966744A (zh) 模型训练方法、图像处理方法、装置和电子设备
CN113657100A (zh) 实体识别方法、装置、电子设备及存储介质
US20220398834A1 (en) Method and apparatus for transfer learning
CN115454706A (zh) 一种系统异常确定方法、装置、电子设备及存储介质
CN115631261A (zh) 图像生成模型的训练方法、图像生成方法和装置
CN117351299A (zh) 图像生成及模型训练方法、装置、设备和存储介质
CN116030235A (zh) 目标检测模型训练方法、目标检测方法、装置和电子设备
CN114817476A (zh) 语言模型的训练方法、装置、电子设备和存储介质
CN114490969A (zh) 基于表格的问答方法、装置以及电子设备
CN113886543A (zh) 生成意图识别模型的方法、装置、介质及程序产品
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

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