CN114612749B - 神经网络模型训练方法及装置、电子设备和介质 - Google Patents

Abstract

本公开提供了一种神经网络模型训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品，涉及人工智能领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，可应用于OCR等场景。实现方案为：将第一文本信息输入第一神经网络模型得到第一文本特征；将第一图像信息输入第二神经网络模型得到第一图像特征；基于第一图像特征和第一文本特征，确定第一损失值；将第二图像特征分别输入第一Transformer解码器模型和第二Transformer解码器模型，以得到其相对应的正向文本信息和反向文本信息，以获得第二损失值，第一图像特征包括第二图像特征；基于第一损失值调节第一神经网络模型的参数；基于第一损失值和第二损失值调节第二神经网络模型的参数。

Description

神经网络模型训练方法及装置、电子设备和介质

技术领域

本公开涉及人工智能领域，尤其涉及深度学习、图像处理、计算机视觉技术领域，可应用于OCR(Optical Character Recognition，光学字符识别)等场景，具体涉及一种神经网络模型训练方法、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。

在双塔模型中，通过构建两个独立的子网络(称为“塔”)，各自对不同类型的数据进行特征提取。当前，双塔模型在例如多模态预训练任务中发挥越来越重要的作用，从而实现联合使用多个模态(视觉、文本、声音等)的无标注数据进行模型的自监督训练，旨在提升模型在各种多模态下游任务的性能。但是，双塔模型只关注图文整体的匹配，如何提升其细粒度上表现成为重点。

发明内容

本公开提供了一种神经网络模型训练方法、装置、电子设备、计算机可读存储介质和计算机程序产品。

根据本公开的一方面，提供了一种神经网络模型训练方法，包括：将第一文本信息输入第一神经网络模型，得到第一文本特征；将第一图像信息输入第二神经网络模型，得到第一图像特征，所述第一文本信息与所述第一图像信息相对应；基于所述第一图像特征和所述第一文本特征，确定第一损失函数的第一损失值；将第二图像特征分别输入第一Transformer解码器模型和第二Transformer解码器模型，以对应得到所述第二图像特征的正向文本信息和反向文本信息，所述第一图像特征包括所述第二图像特征；根据所述正向文本信息和所述反向文本信息获取第二损失函数的第二损失值；基于所述第一损失值，调节所述第一神经网络模型的参数；以及基于所述第一损失值和所述第二损失值，调节所述第二神经网络模型的参数。

根据本公开的另一方面，提供了一种图文检索方法，包括：获取待检索文本；将所述待检索文本输入经训练的第一神经网络模型，以获得所述待检索文本的文本特征；将所获得的多个候选图像分别输入经训练的第二神经网络模型，以获得所述多个候选图像各自对应的图像特征；以及基于所述文本特征以及所述多个候选图像各自对应的图像特征，在所述多个候选图像中确定与所述待检索文本相匹配的至少一个图像，其中，所述第一神经网络和所述第二神经网络根据本公开所述的神经网络模型训练方法训练得到。

根据本公开的另一方面，提供了一种神经网络模型训练装置，包括：第一获取单元，配置为将第一文本信息输入第一神经网络模型，得到第一文本特征；第二获取单元，配置为将第一图像信息输入第二神经网络模型，得到第一图像特征，所述第一文本信息与所述第一图像信息相对应；第一确定单元，配置为基于所述第一图像特征和所述第一文本特征，确定第一损失函数的第一损失值；第三获取单元，配置为将第二图像特征分别输入第一Transformer解码器模型和第二Transformer解码器模型，以对应得到所述图像特征的正向文本信息和反向文本信息，所述第一图像特征包括所述第二图像特征；第四获取单元，配置为根据所述正向文本信息和所述反向文本信息获取第二损失函数的第二损失值；第一训练单元，配置为基于所述第一损失值，调节所述第一神经网络模型的参数；以及第二训练单元，配置为基于所述第一损失值和所述第二损失值，调节所述第二神经网络模型的参数。

根据本公开的另一方面，提供了一种图文检索装置，包括：第七获取单元，配置为获取待检索文本；第八获取单元，配置为将所述待检索文本输入经训练的第一神经网络模型，以获得所述待检索文本的文本特征；第九获取单元，配置为将所获得的多个候选图像分别输入经训练的第二神经网络模型，以获得所述多个候选图像各自对应的图像特征；以及第七确定单元，配置为基于所述文本特征以及所述多个候选图像各自对应的图像特征，在所述多个候选图像中确定与所述待检索文本相匹配的至少一个图像，其中，所述第一神经网络模型和所述第二神经网络模型根据本公开所述的神经网络模型训练方法训练得到。

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；存储器存储有可被至少一个处理器执行的指令，该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本公开所述的方法。

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，该计算机指令用于使计算机执行本公开所述的方法。

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，该计算机程序在被处理器执行时实现本公开所述的方法。

根据本公开的一个或多个实施例，在双塔预训练模型中增加第一和第二Transformer解码器模型，以分别输出与所输入的图像特征相对应的正向文本和反向文本，从而通过Transformer解码器模型进一步挖掘图像特征，以更好地关注视觉任务，提升了第二神经网络模型对视觉信息提取的准确度，从而提高了双塔预训练模型的训练精度。

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可以在其中实施本文描述的各种方法的示例性系统的示意图；

图2示出了根据本公开的实施例的神经网络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神经网络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获得第一损失函数值的示意图；

图5示出了根据本公开的实施例的获得第二损失函数值的流程图；

图6示出了根据本公开的实施例的图文检索方法的流程图；

图7示出了根据本公开的实施例的神经网络模型训练装置的结构框图；

图8示出了根据本公开的实施例的图文检索装置的结构框图；以及

图9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。

在本公开中对各种所述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。

下面将结合附图详细描述本公开的实施例。

图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1，该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。

在本公开的实施例中，服务器120可以运行使得能够执行模型训练和/或图文检索方法的一个或多个服务或软件应用。

在某些实施例中，服务器120还可以提供可以包括非虚拟环境和虚拟环境的其他服务或软件应用。在某些实施例中，这些服务可以作为基于web的服务或云服务提供，例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。

在图1所示的配置中，服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解，各种不同的系统配置是可能的，其可以与系统100不同。因此，图1是用于实施本文所描述的各种方法的系统的一个示例，并且不旨在进行限制。

用户可以使用客户端设备101、102、103、104、105和/或106来获取训练样本、输入待检索文本等。客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备，但是本领域技术人员将能够理解，本公开可以支持任何数量的客户端设备。

客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备，例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统，例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS)；或包括各种移动操作系统，例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序，例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序，并且可以使用各种通信协议。

网络110可以是本领域技术人员熟知的任何类型的网络，其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例，一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。

服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机，或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中，服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。

服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个，包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。

在一些实施方式中，服务器120可以包括一个或多个应用程序，以分析和合并从客户端设备101、102、103、104、105和106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序，以经由客户端设备101、102、103、104、105和106的一个或多个显示设备来显示数据馈送和/或实时事件。

在一些实施方式中，服务器120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。服务器120也可以是云服务器，或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品，以解决传统物理主机与虚拟专用服务器(VPS，Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。

系统100还可以包括一个或多个数据库130。在某些实施例中，这些数据库可以用于存储数据和其他信息。例如，数据库130中的一个或多个可用于存储诸如所获得的文本特征、图像特征、损失函数值的信息。数据库130可以驻留在各种位置。例如，由服务器120使用的数据库可以在服务器120本地，或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中，由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。

在某些实施例中，数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库，例如键值存储库，对象存储库或由文件系统支持的常规存储库。

图1的系统100可以以各种方式配置和操作，以使得能够应用根据本公开所描述的各种方法和装置。

在双塔模型中，通过构建两个独立的子网络(例如推荐系统中的用户子网络和物品子网络)，将训练好的两个子网络(称为“塔”)中的特征各自缓存到内存数据库中，所以称为双塔模型。线上预测的时候只需要在内存中计算相似度运算即可。从而，在训练时引入更多的特征以完成复杂网络离线训练。

目前，在基于双塔模型的图文预训练任务中，大多聚焦下游自然语言任务或者跨模态任务，而对于单纯的视觉任务没有太多关注，因而没有更好的提取视觉信息。

因此，根据本公开的实施例提供了一种神经网络模型训练方法。该方法包括：将第一文本信息输入第一神经网络模型，得到第一文本特征；将第一图像信息输入第二神经网络模型，得到第一图像特征，第一文本信息与第一图像信息相对应；基于第一图像特征和第一文本特征，确定第一损失函数的第一损失值；将第二图像特征分别输入第一Transformer解码器模型和第二Transformer解码器模型，以对应得到第二图像特征的正向文本信息和反向文本信息，第一图像特征包括第二图像特征；根据正向文本信息和反向文本信息获取第二损失函数的第二损失值；基于第一损失值，调节第一神经网络模型的参数；以及基于第一损失值和第二损失值，调节第二神经网络模型的参数。

在本公开中，第一和第二Transformer解码器模型接收第二神经网络模型所输出的图像特征，以分别用于输出与该图像特征相对应的正向文本和反向文本。Transformer解码器模型即为Transformer模型中的解码器。Transformer模型为Encoder(编码器)-Decoder(解码器)结构，由若干个编码器和解码器堆叠形成。编码器用于将输入语料转化成特征向量，解码器用于将编码器输出的特征向量转化为最后结果或最后结果的条件概率。

Transformer模型最初用于机器翻译，以将一种语言的文本转换为另一种语言的文本。而在本公开中，将Transformer模型从自然语言处理(Natural LanguageProcessing，NLP)中应用到了计算机视觉(Computer Vision，简称为CV)，以用于对图像特征进行挖掘，从而可以更好地关注视觉任务，提升下游视觉任务指标。

在根据本公开的实施例中，在双塔预训练模型中增加第一和第二Transformer解码器模型，以分别输出与所输入的图像特征相对应的正向文本和反向文本，从而通过Transformer解码器模型进一步挖掘图像特征，以更好地关注视觉任务，提升了第二神经网络模型对视觉信息提取的准确度，从而提高了双塔预训练模型的训练精度。

图2示出了根据本公开的实施例的神经网络模型训练方法200的流程图。如图2所示，在步骤210中，将第一文本信息输入第一神经网络模型，得到第一文本特征。

在一些示例中，第一文本信息可以包括多个文本。从而将第一文本信息中的多个文本输入第一神经网络模型，以获得该多个文本中的每个文本的文本特征。

在本公开中，第一神经网络模型可以为任何合适的文本特征提取模型。示例地，根据一些实施例，所述第一神经网络模型可以为RoBERTa模型。RoBERTa模型是在语言表示模型(BERT)的基础上进行的升级，包括在模型的具体细节层面，改进了优化函数；在训练策略层面，改用了动态掩码的方式来训练模型，证明了下一语句预测模型(Next SentencePrediction，简称为NSP)训练策略的不足，采用了更大的批尺寸(batch size)；另外，在数据层面，一方面使用了更大的数据集，另一方面是使用字节编码对(Byte-Pair Encoding，简称为BPE)来处理文本数据。通过RoBERTa模型，可以更好地提取文本特征，以提高双塔预训练模型的训练效果。

在步骤220中，将第一图像信息输入第二神经网络模型，得到第一图像特征，第一文本信息与第一图像信息相对应。

在一些示例中，第一图像信息可以包括多个图像。从而将第一图像信息中的多个图像输入第二神经网络模型，以获得该多个图像中的每个图像的图像特征。

在本公开中，第二神经网络模型可以为任何合适的图像特征提取模型。示例地，根据一些实施例，所述第二神经网络可以为DeiT(Data-efficient image Transformers)模型。DeiT模型将Transformer模型从NLP中应用到了计算机视觉(Comouter Vision，简称为CV)。DeiT模型由于改进了训练，特别是一种新的蒸馏过程，不需要大量数据进行训练。因此，可以需要更少的数据和更少的计算资源即可生成高性能的图像特征提取模型。

在本公开中，可以预先获取训练样本数据。该训练样本数据包括大量的图像数据以及文本数据，文本数据中的文本与图像数据中的图像一一对应，以用于描述相对应的图像。示例地，可以通过爬虫技术全网或在预设页面爬取图像数据和文本数据。所获取的图像数据和文本数据可以无需人工标注和清洗，以节约人工成本。

在步骤230中，基于第一图像特征和第一文本特征，确定第一损失函数的第一损失值。

图3示出了根据本公开的实施例的模型训练方法的示意图。如图3所示，所获取的文本数据和图像数据分别输入第一神经网络模型和第二神经网络模型，即文本特征提取网络和图像特征提取网络，以分别获得文本特征和图像特征。在一些示例中，可以将所获得的文本特征和图像特征缓存到内存数据库中，以用于后续处理。基于所获得的文本特征和图像特征，可以得到第一损失函数的第一损失值，即第一损失函数的函数值。

在第一文本信息和第一图像信息分别包括多个文本和多个图像的示例中，该多个文本和多个图像一一对应，从而基于其各自所对应的文本特征和图像特征，分别计算第一损失函数的第一损失值。即，针对每一个图像，基于该图像的图像特征以及该多个文本中的相对应文本的文本特征，计算该图像所对应的第一损失值。

在本公开中，可以基于任何合适的损失函数来获得第一损失值，在此不作限制。

根据一些实施例，基于第一图像特征和第一文本特征，确定第一损失函数的第一损失值，包括：对所述第一图像特征和所述第一文本特征进行归一化处理；以及基于所述归一化处理后的第一图像特征和所述第一文本特征，确定第一损失函数的第一损失值。

如上所述，多个图像以及相对应的多个文本作为一个batch(一批)数据输入图像特征提取网络和文本特征提取网络中，以获得多个图像特征以及多个文本特征。所获得图像特征和文本特征可以为多维特征数据，因此可以对所获得多维特征数据进行归一化，以方便后续计算损失函数。

如图4所示，N个文本以及N个相对应的图像分别输入文本特征提取网络和图像特征提取网络之后，分别得到N个文本特征T₁、T₂、T₃…T_N以及N个图像特征I₁、I₂、I₃…I_N。T₁和I₁为相互匹配的文本和图像所对应的特征，T₂和I₂为相互匹配的文本和图像所对应的特征……T_N和I_N为相互匹配的文本和图像所对应的特征。如图4所示，正方形矩阵中对角线上的元素即为相互匹配的文本特征和图像特征的乘积，而对角线之外的元素，即为不互相匹配的文本特征和图像特征的乘积。可以注意的是，这里的N个文本特征以及N个图像特征为归一化后所得到的特征数据。

在本公开的实施例中，可以使用InfoNCE损失函数来确定第一损失函数，具体计算公式如下：

其中，xi用于表示第i个图像特征以及与其相互匹配的第i个文本特征的乘积，xj用于表示第i个图像的图像特征与该N个文本特征中的第j个文本特征的乘积。也就是说，可以根据以下公式计算第i个图像所对应的第一损失函数的第一损失值：

在一些示例中，在获得该N个图像所各自对应的第一损失函数的值之后，可以将所获得的N个第一损失函数的第一损失值缓存到内存数据库中，以用于后续处理，例如用于确定需进一步输入到第一Transformer解码器模型和第二Transformer解码器模型中的图像特征。

在步骤240中，将第二图像特征分别输入第一Transformer解码器模型和第二Transformer解码器模型，以对应得到第二图像特征的正向文本信息和反向文本信息，第一图像特征包括所述第二图像特征。在步骤250中，根据所述正向文本信息和所述反向文本信息获取第二损失函数的第二损失值。

进一步地，继续参考图3，所获得的图像特征还可以输入第一Transformer解码器模型和第二Transformer解码器模型中，以进一步对图像特征进行挖掘。第一Transformer解码器模型和第二Transformer解码器模型的输入相同，即为同一图像的图像特征。第一Transformer解码器模型和第二Transformer解码器模型分别用于输出与所输入的图像特征相对应的正向文本和反向文本。基于第一Transformer解码器模型和第二Transformer解码器模型分别输出的正向文本和反向文本，可以得到第二损失函数的第二损失值，即第二损失函数的函数值。

根据一些实施例，根据本公开的方法还可以包括：基于所述第一损失值，在所述第一图像信息中获取第二图像信息；以及获取所述第二图像信息对应的所述第二图像特征。

在第一文本信息和第一图像信息分别包括多个文本和多个图像的示例中，多个图像各自对应相对应第一损失值。从而，确定预定个数的最小第一损失值所对应的图像，以将所确定图像的图像特征作为所述第二图像特征。

继续参考图3，也就是说，可以基于第一损失值确定哪些图像特征可以输入第一Transformer解码器模型和第二Transformer解码器模型中。在双塔模型预训练任务中，多个图像以及相对应的多个文本作为一个batch(一批)数据输入图像特征提取网络和文本特征提取网络中，以获得多个图像特征以及多个文本特征，从而可以获得每个图像(及其相对应的文本)所对应的第一损失函数的第一损失值。基于该多个第一损失值，确定预定个数的最小(或最优)第一损失值所对应的图像，从而将所确定图像的图像特征输入第一Transformer解码器模型和第二Transformer解码器模型中，以进一步获得第二损失函数的第二损失值。

通常，例如可以通过爬虫技术获取训练样本数据，所获取的训练样本数据中存在部分脏数据。因此，可以基于第一损失函数的第一损失值对训练样本数据进行筛选，以过滤掉部分脏数据，从而提升了第二神经网络模型对视觉信息提取的准确度，进而提高了双塔预训练模型的训练精度。

根据一些实施例，如图5所示，步骤250可以包括：在步骤510中，基于所述正向文本信息和所述第二图像特征所对应的第二文本信息，确定第三损失函数的第三损失值，其中所述第一文本信息包括所述第二文本信息；在步骤520中，基于所述反向文本信息和所述第二图像特征所对应的所述第二文本信息，确定第四损失函数的第四损失值；以及在步骤530中，基于所述第三损失值以及和所述第四损失值，确定所述第二损失值。

通过所获得的正向文本信息和反向文本信息分别确定相对应的损失函数的损失值，从不同角度实现了对图像视觉信息的进一步提取，并进一步确定第二损失值，从而综合了Transformer解码器模型的效果，以进一步提高双塔预训练模型的训练精度。

具体地，根据第一Transformer解码器模型输出的正向文本以及所输入的第二图像特征相对应的文本信息进行计算，可以得到第三损失函数的值；根据第二Transformer解码器模型输出的反向文本以及所输入的第二图像特征相对应的文本信息进行计算，可以得到第四损失函数的值。示例地，通过对第三损失函数的值以及第四损失函数的值进行求和，得到第二损失函数的第二损失值。从而，进一步基于第二损失值对第二神经网络模型(即图像特征提取网络)进行训练。

可以理解的是，在本公开中，可以基于任何合适的算法获得第三损失函数、第四损失函数，包括但不限于相似度算法等。另外，还可以通过任何合适的算法进一步获得第二损失值，例如对第三损失值以及第四损失值进行求平均，在此不作限制。

在步骤260中，基于所述第一损失值，调节所述第一神经网络模型的参数；以及在步骤270中，基于所述第一损失值和所述第二损失值，调节所述第二神经网络模型的参数。

继续参考图3，从而可以基于第一损失值，对第一神经网络的参数进行调节；并且，可以基于第一损失值和第二损失值，对第二神经网络的参数进行调节，以通过所获取的训练样本数据实现对文本特征提取网络和图像特征提取网络的训练。

在一些示例中，在获得N个图像所各自对应的第一损失值之后，可以将所获得的该N个图像所各自对应的第一损失值进行求平均值操作，以确定第一损失值的平均值，以基于该平均值对第一神经网络模型和第二神经网络模型(即文本特征提取网络和图像特征提取网络)进行训练。

根据本公开的实施例，还提供了一种图文检索方法。图6示出了根据本公开的实施例的图文检索方法600的流程图。如图6所示，方法600包括：在步骤610，获取待检索文本；在步骤620，将所述待检索文本输入经训练的第一神经网络模型，以获得所述待检索文本的文本特征；在步骤630，将所获得的多个候选图像分别输入经训练的第二神经网络模型，以获得所述多个候选图像各自对应的图像特征；以及在步骤640，基于所述文本特征以及所述多个候选图像各自对应的图像特征，在所述多个候选图像中确定与所述待检索文本相匹配的至少一个图像。

所述第一神经网络模型和所述第二神经网络模型可以根据上面任一个实施例所述的方法训练得到。

根据本公开的实施例，经过训练后的第一神经网络模型和所述第二神经网络模型，提高了图文检索过程中的特征提取精度，进而提高了图文检索的准确性和效率。

在一些示例中，可以将该文本特征与该多个候选图像各自对应的图像特征分别计算相似度，以确定相似度最大的一个或多个图像，作为与待检索文本相匹配的图像。

可以理解的是，可以基于所述文本特征以及所述多个候选图像各自对应的图像特征，通过任何合适的算法确定与所述待检索文本相匹配的至少一个图像，在此不作限制。

根据本公开的实施例，还提供了一种神经网络模型训练装置。图7示出了根据本公开的实施例的神经网络模型训练装置的结构框图，如图7所示，该方法700包括：第一获取单元710，配置为将第一文本信息输入第一神经网络模型，得到第一文本特征；第二获取单元720，配置为将第一图像信息输入第二神经网络模型，得到第一图像特征，所述第一文本信息与所述第一图像信息相对应；第一确定单元730，配置为基于所述第一图像特征和所述第一文本特征，确定第一损失函数的第一损失值；第三获取单元740，配置为将第二图像特征分别输入第一Transformer解码器模型和第二Transformer解码器模型，以对应得到所述图像特征的正向文本信息和反向文本信息，所述第一图像特征包括所述第二图像特征；第四获取单元750，配置为根据所述正向文本信息和所述反向文本信息获取第二损失函数的第二损失值；第一训练单元760，配置为基于所述第一损失值，调节所述第一神经网络模型的参数；以及第二训练单元770，配置为基于所述第一损失值和所述第二损失值，调节所述第二神经网络模型的参数。

这里，模型训练装置700的上述各单元710～770的操作分别与前面描述的步骤210～270的操作类似，在此不再赘述。

根据本公开的实施例，还提供了一种图文检索装置。图8示出了根据本公开的实施例的图文检索装置的结构框图，如图8所示，该方法800包括：第七获取单元810，配置为获取待检索文本；第八获取单元820，配置为将所述待检索文本输入经训练的第一神经网络模型，以获得所述待检索文本的文本特征；第九获取单元830，配置为将所获得的多个候选图像分别输入经训练的第二神经网络模型，以获得所述多个候选图像各自对应的图像特征；以及第七确定单元840，配置为基于所述文本特征以及所述多个候选图像各自对应的图像特征，在所述多个候选图像中确定与所述待检索文本相匹配的至少一个图像。所述第一神经网络模型和所述第二神经网络模型可以根据上面任一个实施例所述的方法训练得到。

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，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。

参考图9，现将描述可以作为本公开的服务器或客户端的电子设备900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9所示，电子设备900包括计算单元901，其可以根据存储在只读存储器(ROM)902中的计算机程序或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序，来执行各种适当的动作和处理。在RAM903中，还可存储电子设备900操作所需的各种程序和数据。计算单元901、ROM 902以及RAM 903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。

电子设备900中的多个部件连接至I/O接口905，包括：输入单元906、输出单元907、存储单元908以及通信单元909。输入单元906可以是能向电子设备900输入信息的任何类型的设备，输入单元906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907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908可以包括但不限于磁盘、光盘。通信单元909允许电子设备900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901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901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901执行上文所描述的各个方法和处理，例如方法200或600。例如，在一些实施例中，方法200或600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908。在一些实施例中，计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由计算单元901执行时，可以执行上文描述的方法200或600的一个或多个步骤。备选地，在其他实施例中，计算单元901可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法200或600。

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 (15)

1.一种神经网络模型训练方法，包括：

将第一文本信息输入第一神经网络模型，得到第一文本特征；

将第一图像信息输入第二神经网络模型，得到第一图像特征，所述第一文本信息与所述第一图像信息相对应；

基于所述第一图像特征和所述第一文本特征，确定第一损失函数的第一损失值；

将第二图像特征分别输入第一Transformer解码器模型和第二Transformer解码器模型，以对应得到所述第二图像特征的正向文本信息和反向文本信息，所述第一图像特征包括所述第二图像特征；

根据所述正向文本信息和所述反向文本信息获取第二损失函数的第二损失值，包括：

基于所述正向文本信息和所述第二图像特征所对应的第二文本信息，确定第三损失函数的第三损失值，其中所述第一文本信息包括所述第二文本信息；

基于所述反向文本信息和所述第二图像特征所对应的所述第二文本信息，确定第四损失函数的第四损失值；以及

基于所述第三损失值以及和所述第四损失值，确定所述第二损失值；基于所述第一损失值，调节所述第一神经网络模型的参数；以及

基于所述第一损失值和所述第二损失值，调节所述第二神经网络模型的参数。

2.如权利要求1所述的方法，其中，所述方法还包括：

基于所述第一损失值，在所述第一图像信息中获取第二图像信息；以及

获取所述第二图像信息对应的所述第二图像特征。

3.如权利要求1所述的方法，其中，所述基于所述第一图像特征和所述第一文本特征，确定第一损失函数的第一损失值，包括：

对所述第一图像特征和所述第一文本特征进行归一化处理；以及

基于所述归一化处理后的所述第一图像特征和所述第一文本特征，确定第一损失函数的第一损失值。

4.如权利要求1所述的方法，其中，所述第一神经网络模型包括RoBERTa模型。

5.如权利要求1所述的方法，其中，所述第二神经网络模型包括DeiT模型。

6.一种图文检索方法，包括：

获取待检索文本；

将所述待检索文本输入经训练的第一神经网络模型，以获得所述待检索文本的文本特征；

将所获得的多个候选图像分别输入经训练的第二神经网络模型，以获得所述多个候选图像各自对应的图像特征；以及

基于所述文本特征以及所述多个候选图像各自对应的图像特征，在所述多个候选图像中确定与所述待检索文本相匹配的至少一个图像，其中，

所述第一神经网络模型和所述第二神经网络模型根据权利要求1-5中任一项所述的方法训练得到。

7.一种神经网络模型训练装置，包括：

第一获取单元，配置为将第一文本信息输入第一神经网络模型，得到第一文本特征；

第二获取单元，配置为将第一图像信息输入第二神经网络模型，得到第一图像特征，所述第一文本信息与所述第一图像信息相对应；

第一确定单元，配置为基于所述第一图像特征和所述第一文本特征，确定第一损失函数的第一损失值；

第三获取单元，配置为将第二图像特征分别输入第一Transformer解码器模型和第二Transformer解码器模型，以对应得到所述图像特征的正向文本信息和反向文本信息，所述第一图像特征包括所述第二图像特征；

第四获取单元，配置为根据所述正向文本信息和所述反向文本信息获取第二损失函数的第二损失值，其中所述第四获取单元包括：

第三确定单元，配置为基于所述正向文本信息和所述第二图像特征所对应的第二文本信息，确定第三损失函数的第三损失值，其中所述第一文本信息包括所述第二文本信息；

第四确定单元，配置为基于所述反向文本信息和所述第二图像特征所对应的所述第二文本信息，确定第四损失函数的第四损失值；以及

第五确定单元，配置为基于所述第三损失值以及和所述第四损失值，确定所述第二损失值；

第一训练单元，配置为基于所述第一损失值，调节所述第一神经网络模型的参数；以及

第二训练单元，配置为基于所述第一损失值和所述第二损失值，调节所述第二神经网络模型的参数。

8.如权利要求7所述的装置，还包括：

第五获取单元，配置为基于所述第一损失值，在所述第一图像信息中获取第二图像信息；以及

第六获取单元，配置为获取所述第二图像信息对应的所述第二图像特征。

9.如权利要求7所述的装置，其中，所述第一确定单元包括：

归一化单元，配置为对所述第一图像特征和所述第一文本特征进行归一化处理；以及

第二确定单元，配置为基于所述归一化处理后的所述第一图像特征和所述第一文本特征，确定第一损失函数的第一损失值。

10.如权利要求7所述的装置，其中，所述第一神经网络包括RoBERTa模型。

11.如权利要求7所述的装置，其中，所述第二神经网络包括DeiT模型。

12.一种图文检索装置，包括：

第七获取单元，配置为获取待检索文本；

第八获取单元，配置为将所述待检索文本输入经训练的第一神经网络模型，以获得所述待检索文本的文本特征；

第九获取单元，配置为将所获得的多个候选图像分别输入经训练的第二神经网络模型，以获得所述多个候选图像各自对应的图像特征；以及

第七确定单元，配置为基于所述文本特征以及所述多个候选图像各自对应的图像特征，在所述多个候选图像中确定与所述待检索文本相匹配的至少一个图像，其中，

所述第一神经网络模型和所述第二神经网络模型根据权利要求1-5中任一项所述的方法训练得到。

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根据权利要求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，其中，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。

Images