CN114722826A - 模型的训练方法和装置、电子设备、存储介质 - Google Patents
模型的训练方法和装置、电子设备、存储介质 Download PDFInfo
- Publication number
- CN114722826A CN114722826A CN202210361407.1A CN202210361407A CN114722826A CN 114722826 A CN114722826 A CN 114722826A CN 202210361407 A CN202210361407 A CN 202210361407A CN 114722826 A CN114722826 A CN 114722826A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- training
- label
- target
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 219
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012545 processing Methods 0.000 claims abstract description 65
- 230000006870 function Effects 0.000 claims description 160
- 238000002372 labelling Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 14
- 238000005516 engineering process Methods 0.000 description 14
- 238000003058 natural language processing Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
- G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
- G06F40/295—Named entity recognition
-
- 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
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Image Analysis (AREA)
Abstract
本申请实施例提供了一种模型的训练方法和装置、电子设备、存储介质,属于人工智能技术领域。方法包括:获取原始图像数据;对原始图像数据进行数据增强,得到初步训练数据;根据初步训练数据对预设的原始编码模型进行自训练处理,得到实体编码模型;将标签样本输入至实体编码模型进行有监督训练,得到初级识别模型;通过初级识别模型对无标签样本进行预测处理,得到网络标签数据,将网络标签数据添加至标签样本,得到目标标签集;根据初步训练数据和目标标签集构造相对熵损失函数、交叉熵损失函数;根据交叉熵损失函数、相对熵损失函数和预设的权重函数更新初级识别模型的参数,得到目标模型。本申请实施例的技术方案,提高了数据标注的准确性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种模型的训练方法和装置、电子设备、存储介质。
背景技术
命名实体识别也称为实体抽取,是信息提取的一个子任务,旨在从数据序列中识别具有特定标签的实体。基于监督学习的方法来建立实体抽取模型,需要大量的已有标注的训练数据。然而,对训练数据进行标注的成本较高,需要花费大量的时间和金钱。相关技术中,采取自训练的方法来实现伪标签的生成,再设置一个分数阈值对伪标签进行过滤,从而实现训练数据的标注,然而,这种方式会引入噪声数据,对训练数据标注的准确性不高。因此,如何降低训练数据的标注成本,提高训练数据标注的准确性,成为本领域技术人员亟需解决的技术问题。
发明内容
本申请实施例的主要目的在于提出一种模型的训练方法和装置、电子设备、存储介质,旨在实现对未标注图像数据的标签预测、提高数据标注的准确性、降低数据的标注成本。
为实现上述目的,本申请实施例的第一方面提出了一种模型的训练方法,所述模型的训练方法包括:
获取原始图像数据;其中,所述原始图像数据包括标注图像数据和未标注图像数据;
对所述原始图像数据进行数据增强,得到初步训练数据;其中,所述初步训练数据包括标签样本和无标签样本,所述标签样本对应所述标注图像数据,所述无标签样本对应所述无标注图像数据;
根据所述初步训练数据对预设的原始编码模型进行自训练处理,得到实体编码模型;
将所述标签样本输入至所述实体编码模型进行有监督训练,得到初级识别模型;
通过所述初级识别模型对所述无标签样本进行预测处理,得到网络标签数据,并将所述网络标签数据添加至所述标签样本,得到目标标签集;
根据所述目标标签集构造交叉熵损失函数;
根据所述初步训练数据和所述目标标签集构造相对熵损失函数;
根据所述交叉熵损失函数、所述相对熵损失函数和预设的权重函数对所述初级识别模型的参数进行更新处理,得到目标模型;其中,所述目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。
在一些实施例中,所述对所述原始图像数据进行数据增强,得到初步训练数据,包括:
将所述原始图像数据输入至dropout编码器进行数据增强处理,得到第一增强数据;
将所述初步增强数据输入至dropout编码器进行数据增强处理,得到第二增强数据;
根据所述第一增强数据和所述第二增强数据,得到所述初步训练数据。
在一些实施例中,所述根据所述初步训练数据对预设的原始编码模型进行自训练处理,得到实体编码模型,包括:
根据所述原始编码模型对所述初步训练数据进行特征提取,得到特征训练数据;
根据所述特征训练数据构建对比损失函数;
根据所述对比损失函数更新所述原始编码模型,得到所述实体编码模型。
在一些实施例中,所述根据所述原始编码模型对所述初步训练数据进行特征提取,得到特征训练数据,包括:
通过所述原始编码模型对所述初步训练数据进行编码处理,得到编码训练数据;
对所述编码训练数据进行映射处理,得到所述特征训练数据。
在一些实施例中,所述对所述编码训练数据进行映射处理,得到所述特征训练数据,包括:
获取预设的激活函数;
将所述编码训练数据进行全连接处理,得到全连接训练数据;
根据所述激活函数对所述全连接训练数据进行激活处理,得到激活训练数据;
对所述激活训练数据进行全连接处理,得到所述特征训练数据。
在一些实施例中,所述根据所述交叉熵损失函数、所述相对熵损失函数和预设的权重函数对所述初级识别模型的参数进行更新处理,得到目标模型,包括:
对所述权重函数和所述相对熵函数进行求积,计算得到目标熵函数;
对所述目标熵函数和所述交叉熵函数进行求和,计算得到目标损失函数;
根据所述目标损失函数对所述初级识别模型的参数进行更新处理,得到所述目标模型。
在一些实施例中,所述根据所述目标损失函数对所述初级识别模型的参数进行更新处理,得到所述目标模型,包括:
以所述目标损失函数最小化为目标,对所述初级识别模型进行循环迭代处理,以更新所述初级识别模型的参数,得到所述目标模型。
为实现上述目的,本申请实施例的第二方面提出了一种模型的训练装置,所述模型的训练装置包括:
数据获取模块,用于获取原始图像数据;其中,所述原始图像数据包括标注图像数据和未标注图像数据;
数据增强模块,用于对所述原始图像数据进行数据增强,得到初步训练数据;其中,所述初步训练数据包括标签样本和无标签样本,所述标签样本对应所述标注图像数据,所述无标签样本对应所述无标注图像数据;
自训练模块,用于根据所述初步训练数据对预设的原始编码模型进行自训练处理,得到实体编码模型;
监督训练模块,用于将所述标签样本输入至所述实体编码模型进行有监督训练,得到初级识别模型;
预测处理模块,用于通过所述初级识别模型对所述无标签样本进行预测处理,得到网络标签数据,并将所述网络标签数据添加至所述标签样本,得到目标标签集;
第一构造模块,用于根据所述目标标签集构造交叉熵损失函数;
第二构造模块,用于根据所述初步训练数据和所述目标标签集构造相对熵损失函数;
参数更新模块,用于根据所述交叉熵损失函数、所述相对熵损失函数和预设的权重函数对所述初级识别模型的参数进行更新处理,得到目标模型;其中,所述目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。
为实现上述目的,本申请实施例的第三方面提出了一种电子设备,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现上述第一方面所述的方法。
为实现上述目的,本申请实施例的第四方面提出了一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现上述第一方面所述的方法。
本申请提出的模型的训练方法和装置、电子设备、存储介质,其通过获取原始图像数据,其中,原始图像数据包括标注图像数据和未标注图像数据,再对原始数据训练数据进行数据增强,得到初步训练数据,然后,根据初步训练数据对预设的原始编码模型进行自训练处理,再将标签样本输入至实体编码模型进行有监督训练,得到初级识别模型,通过初级识别模型对无标签样本进行预测处理,得到网络标签数据,并将网络标签数据添加至标签样本中,得到目标标签集,再根据目标标签集构造交叉熵损失函数,根据初步训练数据和目标标签集构造相对熵损失函数,最后,再根据交叉熵损失函数、相对熵损失函数和预设的权重函数,对初级识别模型的参数进行更新处理,得到目标模型,其中,所述目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。通过这样设置,使得命名实体识别模型能够实现对未标注图像数据的标签预测,从而实现对未标注图像数据的数据标注,并且,通过交叉熵损失函数、相对熵损失函数和预设的权重函数对初级识别模型的参数进行更新,得到命名实体识别模型,能够减少命名实体识别模型模型对未标注图像数据的标签预测的误差,从而,提高了未标注图像数据的标签预测的准确性。
本申请的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
附图说明
附图用来提供对本申请技术方案的进一步理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1是本申请实施例提供的模型的训练方法的流程图;
图2是图1中的步骤S200的具体方法的流程图;
图3是图1中的步骤S300的具体方法的流程图;
图4是图3中的步骤S310的具体方法的流程图;
图5是图4中的步骤S312的具体方法的流程图;
图6是图1中步骤S800的具体方法的流程图;
图7是本申请实施例提供的模型的训练装置的结构示意图;
图8是本申请实施例提供的电子设备的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
需要说明的是,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行所示出或描述的步骤。说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,对本申请中涉及的若干名词进行解析:
人工智能(Artificial Intelligence,AI):是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学;人工智能是计算机科学的一个分支,人工智能企图了解智能的实质,并生产出一种新的能以人类智能相似的方式做出反应的智能机器,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能可以对人的意识、思维的信息过程的模拟。人工智能还是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
自然语言处理(Natural Language Processing,NLP):NLP用计算机来处理、理解以及运用人类语言(如中文、英文等),NLP属于人工智能的一个分支,是计算机科学与语言学的交叉学科,又常被称为计算语言学。自然语言处理包括语法分析、语义分析、篇章理解等。自然语言处理常用于机器翻译、手写体和印刷体字符识别、语音识别及文语转换、信息意图识别、信息抽取与过滤、文本分类与聚类、舆情分析和观点挖掘等技术领域,它涉及与语言处理相关的数据挖掘、机器学习、知识获取、知识工程、人工智能研究和与语言计算相关的语言学研究等。
医疗云(Medical cloud):医疗云是指在云计算、移动技术、多媒体、4G通信、大数据、以及物联网等新技术基础上,结合医疗技术,使用“云计算”来创建医疗健康服务云平台,实现了医疗资源的共享和医疗范围的扩大。因为云计算技术的运用于结合,医疗云提高医疗机构的效率,方便居民就医。像现在医院的预约挂号、电子病历、医保等都是云计算与医疗领域结合的产物,医疗云还具有数据安全、信息共享、动态扩展、布局全局的优势。
多层感知机(Multilayer Perceptron,MLP,)也叫人工神经网络(ANN,ArtificialNeural Network),除了输入输出层,它中间可以有多个隐层,最简单的MLP只含一个隐层。
dropout:dropout即丢弃,是一种防止模型过拟合的技术,是指在深度学习网络的训练过程中,对于神经网络单元,按照一定的概率将其暂时从网络中丢弃,从而可以让模型更鲁棒,因为它不会太依赖某些局部的特征(因为局部特征有可能被丢弃)。
相对熵(relative entropy):相对熵就被称为Kullback-Leibler散度(Kullback-Leibler divergence,KL散度)或信息散度(information divergence),是两个概率分布(probability distribution)间差异的非对称性度量在信息理论中,相对熵等价于两个概率分布的信息熵(Shannon entropy)的差值。
Relu:线性整流函数(Linear rectification function),又称修正线性单元,是一种人工神经网络中常用的激活函数(activation function),通常指代以斜坡函数及其变种为代表的非线性函数。
BERT(Bidirectional Encoder Representation from Transformers)模型:BERT模型进一步增加词向量模型泛化能力,充分描述字符级、词级、句子级甚至句间关系特征,基于Transformer构建而成。BERT中有三种Embedding,即Token Embedding,SegmentEmbedding,Position Embedding;其中Token Embeddings是词向量,第一个单词是CLS标志,可以用于之后的分类任务;Segment Embeddings用来区别两种句子,因为预训练不光做LM还要做以两个句子为输入的分类任务;Position Embeddings,这里的位置词向量不是transfor中的三角函数,而是BERT经过训练学到的。但BERT直接训练一个Positionembedding来保留位置信息,每个位置随机初始化一个向量,加入模型训练,最后就得到一个包含位置信息的embedding,最后这个Position embedding和word embedding的结合方式上,BERT选择直接拼接
交叉熵(Cross Entropy):交叉熵是Shannon信息论中一个重要概念,主要用于度量两个概率分布间的差异性信息。语言模型的性能通常用交叉熵和复杂度(perplexity)来衡量。交叉熵的意义是用该模型对文本识别的难度,或者从压缩的角度来看,每个词平均要用几个位来编码。复杂度的意义是用该模型表示这一文本平均的分支数,其倒数可视为每个词的平均概率。平滑是指对没观察到的N元组合赋予一个概率值,以保证词序列总能通过语言模型得到一个概率值。通常使用的平滑技术有图灵估计、删除插值平滑、Katz平滑和Kneser-Ney平滑。
对比学习:对比学习是一种自监督学习方法,用于在没有标签的情况下,通过让模型学习哪些数据点相似或不同来学习数据集的一般特征。对比式学习着重于学习同类实例之间的共同特征,区分非同类实例之间的不同之处。与生成式学习比较,对比式学习不需要关注实例上繁琐的细节,只需要在抽象语义级别的特征空间上学会对数据的区分即可,因此模型以及其优化变得更加简单,且泛化能力更强。对比学的目标是学习一个编码器,此编码器对同类数据进行相似的编码,并使不同类的数据的编码结果尽可能的不同。
命名实体识别(Named Entity Recognition,NER)也称为实体抽取,是信息提取的一个子任务,旨在从数据序列中识别具有特定标签的实体。基于监督学习的方法来建立实体抽取模型,需要大量的已有标注的训练数据。然而,对训练数据进行标注的成本较高,需要花费大量的时间和金钱。
在传统的机器学习中,基于监督学习方法需要使用已经有标签的数据建立模型。然而,在很多情况下,给训练数据进行打标签的工作需要消耗大量的时间。半监督学习(SSL)模型能够允许模型在其监督学习中集成部分或者全部的无标签数据来解决这一问题。自训练模型是最简单的半监督方法之一,其主要思想是找到一种方法,用未标记的数据集来扩充已标记的数据集。
相关技术中,采取自训练的方法来实现伪标签的生成,再设置一个分数阈值对伪标签进行过滤,从而实现训练数据的标注,然而,这种方式会引入噪声数据,对训练数据标注的准确性不高。
因此,如何降低训练数据的标注成本,提高训练数据标注的准确性,成为本领域技术人员亟需解决的技术问题。
基于此,本申请实施例提供了一种模型的训练方法和装置、电子设备、存储介质,旨在数据标注的准确性、降低数据的标注成本。
本申请实施例提供的模型的训练方法和装置、电子设备、存储介质,具体通过如下实施例进行说明,首先描述本申请实施例中的模型的训练方法。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
人工智能基础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、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、机器人技术、生物识别技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
本申请实施例提供的模型的训练方法,涉及人工智能技术领域。本申请实施例提供的模型的训练方法可应用于终端中,也可应用于服务器端中,还可以是运行于终端或服务器端中的软件。在一些实施例中,终端可以是智能手机、平板电脑、笔记本电脑、台式计算机等;服务器端可以配置成独立的物理服务器,也可以配置成多个物理服务器构成的服务器集群或者分布式系统,还可以配置成提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN以及大数据和人工智能平台等基础云计算服务的云服务器;软件可以是实现模型的训练方法的应用等,但并不局限于以上形式。
本申请可用于众多通用或专用的计算机系统环境或配置中。例如:个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、多处理器系统、基于微处理器的系统、置顶盒、可编程的消费电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
下面结合附图,对本申请实施例的技术方案作进一步的阐述。
图1是本申请实施例提供的模型的训练方法的一个可选的流程图,图1中的方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500、步骤S600、步骤S700和步骤S800,应理解,模型的训练方法包括但不限于步骤S100至步骤S800,下面结合图1对这8个步骤进行详细介绍。
步骤S100,获取原始图像数据;其中,原始图像数据包括标注图像数据和未标注图像数据;
步骤S200,对原始图像数据进行数据增强,得到初步训练数据;其中,初步训练数据包括标签样本和无标签样本,标签样本对应标注图像数据,无标签样本对应无标注图像数据;
步骤S300,根据初步训练数据对预设的原始编码模型进行自训练处理,得到实体编码模型;
步骤S400,将标签样本输入至实体编码模型进行有监督训练,得到初级识别模型;
步骤S500,通过初级识别模型对无标签样本进行预测处理,得到网络标签数据,并将网络标签数据添加至标签样本,得到目标标签集;
步骤S600,根据目标标签集构造交叉熵损失函数;
步骤S700,根据初步训练数据和目标标签集构造相对熵损失函数;
步骤S800,根据交叉熵损失函数、相对熵损失函数和预设的权重函数对初级识别模型的参数进行更新处理,得到目标模型;其中,目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。
本申请实施例的模型的训练方法,通过获取原始图像数据,其中,原始图像数据包括标注图像数据和未标注图像数据,再对原始数据训练数据进行数据增强,得到初步训练数据,然后,根据初步训练数据对预设的原始编码模型进行自训练处理,再将标签样本输入至实体编码模型进行有监督训练,得到初级识别模型,通过初级识别模型对无标签样本进行预测处理,得到网络标签数据,并将网络标签数据添加至标签样本中,得到目标标签集,再根据目标标签集构造交叉熵损失函数,根据初步训练数据和目标标签集构造相对熵损失函数,最后,再根据交叉熵损失函数、相对熵损失函数和预设的权重函数,对初级识别模型的参数进行更新处理,得到目标模型,其中,所述目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。通过这样设置,使得命名实体识别模型能够实现对未标注图像数据的标签预测,从而实现对未标注图像数据的数据标注,并且,通过交叉熵损失函数、相对熵损失函数和预设的权重函数对初级识别模型的参数进行更新,得到命名实体识别模型,能够减少命名实体识别模型模型对未标注图像数据的标签预测的误差,从而,提高了未标注图像数据的标签预测的准确性。
在一些实施例的步骤S100中,可以通过编写网络爬虫,设置好数据源之后进行有目标性的爬取数据,得到原始图像数据。需要注意的是,原始图像数据包括标注图像数据和未标注图像数据。
需要说明的是,原始图像数据可以是医疗领域的数据,如果是医疗领域的数据,则可以通过医疗云服务获取原始图像数据。
请参照图2,在本申请的一些实施例中,步骤S200包括步骤S210、步骤S220和步骤S230,应理解,步骤S200包括但不限于步骤S210至步骤S230,下面结合图2对这三个步骤进行详细描述。
步骤S210,将原始图像数据输入至dropout编码器进行数据增强处理,得到第一增强数据;
步骤S220,将初步增强数据输入至dropout编码器进行数据增强处理,得到第二增强数据;
步骤S230,根据第一增强数据和第二增强数据,得到初步训练数据。
在本实施例中,采取dropout编码器实现对原始图像数据的增强处理,具体地,采取simCSE模型中的两次dropout产生正例对的方法对原始图像数据进行增强处理,该方法直接通过随机采样dropout mask来生成xi+,然后再将xi+通过随机采样dropout mask来生成xi+',数据xi+'和数据xi+为正例对。simCSR模型中的dropout mask,是一种网络模型的随机,是对网络参数的mask,起到防止过拟合的作用,SimCSE巧妙的把它作为了一种noise,起到数据增强的作用,因为同一句话,经过带dropout编码器的模型两次,得到的句向量是不一样的,但是因为是相同的句子输入,最后句向量的语义期望是相同的,因此作为正例对,让模型去拉近它们之间的距离。
即在本实施例中,首先将原始图像数据输入至dropout编码器中,进行数据增强处理,得到第一增强数据,再将第一增强数据输入至dropout编码器中进行第二次的数据增强处理,得到第二增强数据,第一增强数据和第二增强数据为一个正例对。并且,原始图像数据中包括了标注图像数据和未标注图像数据,标注图像数据经过数据增强后,得到的为标签样本,而未标注的数据经过数据增强后,得到的为无标签样本。
请参照图3,在本申请的一些实施例中,步骤S300包括步骤S310、步骤S320和步骤S330,应理解,步骤S300包括但不限于步骤S310至步骤S330,下面结合图3对这是三个步骤进行详细介绍。
步骤S310,根据原始编码模型对初步训练数据进行特征提取,得到特征训练数据;
步骤S320,根据特征训练数据构建对比损失函数;
步骤S330,根据对比损失函数更新原始编码模型,得到实体编码模型。
请参照图4,在一些实施例中,步骤S310包括步骤S311和步骤S312,应理解,步骤S310包括但不限于步骤S311至步骤S312,下面结合图4对这两个步骤进行详细介绍。
步骤S311,通过原始编码模型对初步训练数据进行编码处理,得到编码训练数据;
步骤S312,对编码训练数据进行映射处理,得到特征训练数据。
在一些实施例的步骤S311中,原始编码模型可以为BERT预训练模型,也可以为其他的预训练模型。如在本实施例中采取BERT预训练模型,通过BERT预训练模型对初步训练数据进行编码处理,得到编码训练数据。
请参照图5,在一些实施例中,步骤S312包括步骤S3121、步骤S3122、步骤S3123和步骤S3124,应理解,步骤S312包括但不限于步骤S3121至步骤S3124,下面结合图5对这四个步骤进行详细介绍。
步骤S3121,获取预设的激活函数;
步骤S3122,将编码训练数据进行全连接处理,得到全连接训练数据;
步骤S3123,根据激活函数对全连接训练数据进行激活处理,得到激活训练数据;
步骤S3124,对激活训练数据进行全连接处理,得到特征训练数据。
具体地,在本实施例中,激活函数采取Relu线性整流函数,通过dense全连接层进行全连接处理。首先将编码训练数据通过dense全连接层进行全连接处理,得到全连接训练数据,再将该全连接训练数据通过Relu线性整流函数进行激活处理,得到激活训练数据,再将激活训练数据输入至dense全连接层中进行全连接处理,得到特征训练数据。通过这样设置,实现了对编码数据的映射处理。
在一些实施例的步骤S320中,经过映射处理所得到的特征训练数据,采取余弦相似度计算数据之间的相似度,在本实施例中,采取与simCLR模型相同的损失函数,在simCLR模型中使用一种对比损失,称为infoNCE loss,本申请实施例通过公式(1)构造对比损失函数,公式(1)具体为:
在公式(1)中,为余弦相似度,为第一增强数据经过特征提取处理后的特征训练数据,即经过一次dropout增强处理后的正例数据,为第二增强数据经过特征提取处理后的特征训练数据,即经过两次dropout增强处理后的正例数据,和为对应的负例数据。
在一些实施例的步骤S330中,根据前述得到的对比损失函数对原始编码模型的参数进行更新,得到实体编码模型。
在一些实施例的步骤S400中,通过标签样本对前述得到的实体编码模型进行有监督训练处理,再在训练处理后的实体编码模型接入MLP多层感知机网络,得到初级识别模型。
在一些实施例的步骤S500中,将前述步骤得到的初级识别模型对无标签样本进行预测处理,得到网络标签数据,并将网络标签数据添加至标签样本中,得到目标标签集,通过这样设置,实现了对无标注图像数据的数据标注,标签样本也随着初级识别模型对无标签样本进行预测的过程,数量不断上升。
在一些实施例的步骤S600中,首先将目标标签集中的标签样本输入至实体识别模型中,得到对应的网络标签样本,然后根据网络标签样本和标签样本构造交叉熵损失函数。即网络标签样本为标签样本输入至实体编码模型中,进行有监督训练,得到初级识别模型时产生的。
在一些实施例的步骤S700中,根据初步训练数据中的无标签样本和目标标签集中的网络标签数据构造相对熵损失函数。
请参照图6,在本申请的一些实施例中,步骤S800包括步骤S810、步骤S820和步骤S830,应理解,步骤S800包括但不限于步骤S810至步骤S830,下面结合图6对这三个步骤进行详细介绍。
步骤S810,对权重函数和相对熵函数进行求积,计算得到目标熵函数;
步骤S820,对目标熵函数和交叉熵函数进行求和,计算得到目标损失函数;
步骤S830,根据目标损失函数对初级识别模型的参数进行更新处理,得到目标模型。
具体地,在本实施例中,目标损失函数如公式(2)所示,公式(2)具体为:
在公式(2)中,表示标签样本,fi m为网络标签样本,为无标签样本,fi'm为网络标签数据,L1表示交叉熵损失函数,n表示标签样本的数据总量,n'表示无标签样本的数据总量。即目标损失函数中的前半部分表示监督学习下的网络的损失函数,后半部分采取KL散度衡量无标签样本的损失项。λ(t)是权重函数,该权重函数随时间的变化而变化,λ(t)具体如公式(3)所示,公式(3)具体为:
得到目标损失函数后,根据目标损失函数对初级识别模型的参数进行更新处理,得到目标模型,该目标模型为命名实体识别模型。
交叉熵用于度量不同的类别之间的重叠;如果不同的类别之间的重叠减少,那么决策边界上的数据点密度会随之降低。因此,在本实施中,将KL散度和交叉熵损失函数相结合,将无标注图像数据对应的无标签样本转化为目标损失函数的正则项;即将未标注图像数据视为有标签的网络标签数据,然后用交叉熵损失函数来评估误差(该误差指的是将未标注图像数据视为网路标签数据的误差)的大小,来实现模型的训练,能够提高命名实体识别模型对为标注图像数据标注的准确性。
在一些实施例中,步骤S830还包括但不限于以下步骤:
以目标损失函数最小化为目标,对初级识别模型进行循环迭代处理,以更新初级识别模型的参数,得到目标模型。
具体地,权重函数的值过大,导致权重系数太大,会扰乱有标签的数据,因此需要以权重函数最小化为目标进行模型的训练。而权重函数λ(t)最小,实际上目标损失函数最小化即可,因此,在本实施例中,以目标损失函数最小化为目标,根据前述的目标标签集对初级识别模型进行循环迭代处理,以实现对初级识别模型参数的更新,从而得到目标模型。
第二方面,请参照图7,本申请的一些实施例还提出了一种模型的训练装置,该模型的训练装置,包括数据获取模块900、数据增强模块1000、自训练模块1100、监督训练模块1200、预测处理模块1300、第一构造模块1400、第二构造模块1500和参数更新模块1600。
数据获取模块900,用于获取原始图像数据;其中,原始图像数据包括标注图像数据和未标注图像数据。
数据增强模块1000,用于对原始图像数据进行数据增强,得到初步训练数据;其中,初步训练数据包括标签样本和无标签样本,标签样本对应标注图像数据,无标签样本对应无标注图像数据。
自训练模块1100,用于根据初步训练数据对预设的原始编码模型进行自训练处理,得到实体编码模型。
监督训练模块1200,用于将标签样本输入至实体编码模型进行有监督训练,得到初级识别模型。
预测处理模块1300,用于通过初级识别模型对无标签样本进行预测处理,得到网络标签数据,并将网络标签数据添加至标签样本,得到目标标签集。
第一构造模块1400,用于根据目标标签集构造交叉熵损失函数。
第二构造模块1500,用于根据初步训练数据和目标标签集构造相对熵损失函数。
参数更新模块1600,用于根据交叉熵损失函数、相对熵损失函数和预设的权重函数对初级识别模型的参数进行更新处理,得到目标模型;其中,目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。
本申请实施例的模型的训练装置,通过获取原始图像数据,其中,原始图像数据包括标注图像数据和未标注图像数据,再对原始数据训练数据进行数据增强,得到初步训练数据,然后,根据初步训练数据对预设的原始编码模型进行自训练处理,再将标签样本输入至实体编码模型进行有监督训练,得到初级识别模型,通过初级识别模型对无标签样本进行预测处理,得到网络标签数据,并将网络标签数据添加至标签样本中,得到目标标签集,再根据目标标签集构造交叉熵损失函数,根据初步训练数据和目标标签集构造相对熵损失函数,最后,再根据交叉熵损失函数、相对熵损失函数和预设的权重函数,对初级识别模型的参数进行更新处理,得到目标模型,其中,所述目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。通过这样设置,使得命名实体识别模型能够实现对未标注图像数据的标签预测,从而实现对未标注图像数据的数据标注,并且,通过交叉熵损失函数、相对熵损失函数和预设的权重函数对初级识别模型的参数进行更新,得到命名实体识别模型,能够减少命名实体识别模型模型对未标注图像数据的标签预测的误差,从而,提高了未标注图像数据的标签预测的准确性。
该模型的训练装置的具体实施方式与上述模型的训练方法的具体实施例基本相同,在此不再赘述。
本申请实施例还提供了一种电子设备,电子设备包括:存储器、处理器、存储在存储器上并可在处理器上运行的程序以及用于实现处理器和存储器之间的连接通信的数据总线,程序被处理器执行时实现上述模型的训练方法。该电子设备可以为包括平板电脑、车载电脑等任意智能终端。
本申请实施例的电子设备,通过执行前述的模型的训练方法,通过获取原始图像数据,其中,原始图像数据包括标注图像数据和未标注图像数据,再对原始数据训练数据进行数据增强,得到初步训练数据,然后,根据初步训练数据对预设的原始编码模型进行自训练处理,再将标签样本输入至实体编码模型进行有监督训练,得到初级识别模型,通过初级识别模型对无标签样本进行预测处理,得到网络标签数据,并将网络标签数据添加至标签样本中,得到目标标签集,再根据目标标签集构造交叉熵损失函数,根据初步训练数据和目标标签集构造相对熵损失函数,最后,再根据交叉熵损失函数、相对熵损失函数和预设的权重函数,对初级识别模型的参数进行更新处理,得到目标模型,其中,所述目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。通过这样设置,使得命名实体识别模型能够实现对未标注图像数据的标签预测,从而实现对未标注图像数据的数据标注,并且,通过交叉熵损失函数、相对熵损失函数和预设的权重函数对初级识别模型的参数进行更新,得到命名实体识别模型,能够减少命名实体识别模型模型对未标注图像数据的标签预测的误差,从而,提高了未标注图像数据的标签预测的准确性。
请参阅图8,图8示意了另一实施例的电子设备的硬件结构,电子设备包括:
处理器1700,可以采用通用的CPU(CentralProcessingUnit,中央处理器)、微处理器、应用专用集成电路(ApplicationSpecificIntegratedCircuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本申请实施例所提供的技术方案;
存储器1800,可以采用只读存储器(ReadOnlyMemory,ROM)、静态存储设备、动态存储设备或者随机存取存储器(RandomAccessMemory,RAM)等形式实现。存储器1800可以存储操作系统和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1800中,并由处理器1700来调用执行本申请实施例的模型的训练方法;
输入/输出接口1900,用于实现信息输入及输出;
通信接口2000,用于实现本设备与其他设备的通信交互,可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信;
总线2100,在设备的各个组件(例如处理器1700、存储器1800、输入/输出接口1900和通信接口2000)之间传输信息;
其中处理器1700、存储器1800、输入/输出接口1900和通信接口2000通过总线2100实现彼此之间在设备内部的通信连接。
本申请实施例还提供了一种存储介质,存储介质为计算机可读存储介质,用于计算机可读存储,存储介质存储有一个或者多个程序,一个或者多个程序可被一个或者多个处理器执行,以实现上述模型的训练方法。
本申请实施例的存储介质,通过执行前述的模型的训练方法,通过获取原始图像数据,其中,原始图像数据包括标注图像数据和未标注图像数据,再对原始数据训练数据进行数据增强,得到初步训练数据,然后,根据初步训练数据对预设的原始编码模型进行自训练处理,再将标签样本输入至实体编码模型进行有监督训练,得到初级识别模型,通过初级识别模型对无标签样本进行预测处理,得到网络标签数据,并将网络标签数据添加至标签样本中,得到目标标签集,再根据目标标签集构造交叉熵损失函数,根据初步训练数据和目标标签集构造相对熵损失函数,最后,再根据交叉熵损失函数、相对熵损失函数和预设的权重函数,对初级识别模型的参数进行更新处理,得到目标模型,其中,所述目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。通过这样设置,使得命名实体识别模型能够实现对未标注图像数据的标签预测,从而实现对未标注图像数据的数据标注,并且,通过交叉熵损失函数、相对熵损失函数和预设的权重函数对初级识别模型的参数进行更新,得到命名实体识别模型,能够减少命名实体识别模型模型对未标注图像数据的标签预测的误差,从而,提高了未标注图像数据的标签预测的准确性。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本申请实施例描述的实施例是为了更加清楚的说明本申请实施例的技术方案,并不构成对于本申请实施例提供的技术方案的限定,本领域技术人员可知,随着技术的演变和新应用场景的出现,本申请实施例提供的技术方案对于类似的技术问题,同样适用。
本领域技术人员可以理解的是,图1-8中示出的技术方案并不构成对本申请实施例的限定,可以包括比图示更多或更少的步骤,或者组合某些步骤,或者不同的步骤。
以上所描述的装置实施例仅仅是示意性的,其中作为分离部件说明的单元可以是或者也可以不是物理上分开的,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、系统、设备中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于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:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,上述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
上述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括多指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例的方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等各种可以存储程序的介质。
以上参照附图说明了本申请实施例的优选实施例,并非因此局限本申请实施例的权利范围。本领域技术人员不脱离本申请实施例的范围和实质内所作的任何修改、等同替换和改进,均应在本申请实施例的权利范围之内。
Claims (10)
1.一种模型的训练方法,其特征在于,所述训练方法包括:
获取原始图像数据;其中,所述原始图像数据包括标注图像数据和未标注图像数据;
对所述原始图像数据进行数据增强,得到初步训练数据;其中,所述初步训练数据包括标签样本和无标签样本,所述标签样本对应所述标注图像数据,所述无标签样本对应所述无标注图像数据;
根据所述初步训练数据对预设的原始编码模型进行自训练处理,得到实体编码模型;
将所述标签样本输入至所述实体编码模型进行有监督训练,得到初级识别模型;
通过所述初级识别模型对所述无标签样本进行预测处理,得到网络标签数据,并将所述网络标签数据添加至所述标签样本,得到目标标签集;
根据所述目标标签集构造交叉熵损失函数;
根据所述初步训练数据和所述目标标签集构造相对熵损失函数;
根据所述交叉熵损失函数、所述相对熵损失函数和预设的权重函数对所述初级识别模型的参数进行更新处理,得到目标模型;其中,所述目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。
2.根据权利要求1所述的方法,其特征在于,所述对所述原始图像数据进行数据增强,得到初步训练数据,包括:
将所述原始图像数据输入至dropout编码器进行数据增强处理,得到第一增强数据;
将所述初步增强数据输入至dropout编码器进行数据增强处理,得到第二增强数据;
根据所述第一增强数据和所述第二增强数据,得到所述初步训练数据。
3.根据权利要求1所述的方法,其特征在于,所述根据所述初步训练数据对预设的原始编码模型进行自训练处理,得到实体编码模型,包括:
根据所述原始编码模型对所述初步训练数据进行特征提取,得到特征训练数据;
根据所述特征训练数据构建对比损失函数;
根据所述对比损失函数更新所述原始编码模型,得到所述实体编码模型。
4.根据权利要求3所述的方法,其特征在于,所述根据所述原始编码模型对所述初步训练数据进行特征提取,得到特征训练数据,包括:
通过所述原始编码模型对所述初步训练数据进行编码处理,得到编码训练数据;
对所述编码训练数据进行映射处理,得到所述特征训练数据。
5.根据权利要求4所述的方法,其特征在于,所述对所述编码训练数据进行映射处理,得到所述特征训练数据,包括:
获取预设的激活函数;
将所述编码训练数据进行全连接处理,得到全连接训练数据;
根据所述激活函数对所述全连接训练数据进行激活处理,得到激活训练数据;
对所述激活训练数据进行全连接处理,得到所述特征训练数据。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述根据所述交叉熵损失函数、所述相对熵损失函数和预设的权重函数对所述初级识别模型的参数进行更新处理,得到目标模型,包括:
对所述权重函数和所述相对熵函数进行求积,计算得到目标熵函数;
对所述目标熵函数和所述交叉熵函数进行求和,计算得到目标损失函数;
根据所述目标损失函数对所述初级识别模型的参数进行更新处理,得到所述目标模型。
7.根据权利要求6所述的方法,其特征在于,所述根据所述目标损失函数对所述初级识别模型的参数进行更新处理,得到所述目标模型,包括:
以所述目标损失函数最小化为目标,对所述初级识别模型进行循环迭代处理,以更新所述初级识别模型的参数,得到所述目标模型。
8.一种模型的训练装置,其特征在于,所述模型的训练装置包括:
数据获取模块,用于获取原始图像数据;其中,所述原始图像数据包括标注图像数据和未标注图像数据;
数据增强模块,用于对所述原始图像数据进行数据增强,得到初步训练数据;其中,所述初步训练数据包括标签样本和无标签样本,所述标签样本对应所述标注图像数据,所述无标签样本对应所述无标注图像数据;
自训练模块,用于根据所述初步训练数据对预设的原始编码模型进行自训练处理,得到实体编码模型;
监督训练模块,用于将所述标签样本输入至所述实体编码模型进行有监督训练,得到初级识别模型;
预测处理模块,用于通过所述初级识别模型对所述无标签样本进行预测处理,得到网络标签数据,并将所述网络标签数据添加至所述标签样本,得到目标标签集;
第一构造模块,用于根据所述目标标签集构造交叉熵损失函数;
第二构造模块,用于根据所述初步训练数据和所述目标标签集构造相对熵损失函数;
参数更新模块,用于根据所述交叉熵损失函数、所述相对熵损失函数和预设的权重函数对所述初级识别模型的参数进行更新处理,得到目标模型;其中,所述目标模型为命名实体识别模型,所述命名实体识别模型用于对未标注的目标图像数据进行标注。
9.一种电子设备,其特征在于,所述电子设备包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序以及用于实现所述处理器和所述存储器之间的连接通信的数据总线,所述程序被所述处理器执行时实现如权利要求1至7任一项所述的模型的训练方法的步骤。
10.一种存储介质,所述存储介质为计算机可读存储介质,用于计算机可读存储,其特征在于,所述存储介质存储有一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现权利要求1至7中任一项所述的模型的训练方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361407.1A CN114722826B (zh) | 2022-04-07 | 2022-04-07 | 模型的训练方法和装置、电子设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210361407.1A CN114722826B (zh) | 2022-04-07 | 2022-04-07 | 模型的训练方法和装置、电子设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114722826A true CN114722826A (zh) | 2022-07-08 |
CN114722826B CN114722826B (zh) | 2024-02-02 |
Family
ID=82242654
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210361407.1A Active CN114722826B (zh) | 2022-04-07 | 2022-04-07 | 模型的训练方法和装置、电子设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114722826B (zh) |
Cited By (3)
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 |
CN116468985A (zh) * | 2023-03-22 | 2023-07-21 | 北京百度网讯科技有限公司 | 模型训练方法、质量检测方法、装置、电子设备及介质 |
CN116525100A (zh) * | 2023-04-26 | 2023-08-01 | 脉景(杭州)健康管理有限公司 | 一种基于标签系统的中医开方反向校验方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200192927A1 (en) * | 2018-12-18 | 2020-06-18 | Adobe Inc. | Detecting affective characteristics of text with gated convolutional encoder-decoder framework |
CN111340719A (zh) * | 2020-02-13 | 2020-06-26 | 华南农业大学 | 基于全连接自动编码机的瞬态图像的数据增强方法 |
CN111739051A (zh) * | 2020-06-02 | 2020-10-02 | 大连理工大学 | 一种基于残差网络的多序列mri图像分割方法 |
CN112990432A (zh) * | 2021-03-04 | 2021-06-18 | 北京金山云网络技术有限公司 | 目标识别模型训练方法、装置及电子设备 |
CN113345058A (zh) * | 2021-06-30 | 2021-09-03 | 杭州妙绘科技有限公司 | 漫画人脸生成方法及装置 |
CN113435546A (zh) * | 2021-08-26 | 2021-09-24 | 广东众聚人工智能科技有限公司 | 基于区分置信度水平的可迁移图像识别方法及系统 |
-
2022
- 2022-04-07 CN CN202210361407.1A patent/CN114722826B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200192927A1 (en) * | 2018-12-18 | 2020-06-18 | Adobe Inc. | Detecting affective characteristics of text with gated convolutional encoder-decoder framework |
CN111340719A (zh) * | 2020-02-13 | 2020-06-26 | 华南农业大学 | 基于全连接自动编码机的瞬态图像的数据增强方法 |
CN111739051A (zh) * | 2020-06-02 | 2020-10-02 | 大连理工大学 | 一种基于残差网络的多序列mri图像分割方法 |
CN112990432A (zh) * | 2021-03-04 | 2021-06-18 | 北京金山云网络技术有限公司 | 目标识别模型训练方法、装置及电子设备 |
CN113345058A (zh) * | 2021-06-30 | 2021-09-03 | 杭州妙绘科技有限公司 | 漫画人脸生成方法及装置 |
CN113435546A (zh) * | 2021-08-26 | 2021-09-24 | 广东众聚人工智能科技有限公司 | 基于区分置信度水平的可迁移图像识别方法及系统 |
Cited By (5)
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 |
CN116468985A (zh) * | 2023-03-22 | 2023-07-21 | 北京百度网讯科技有限公司 | 模型训练方法、质量检测方法、装置、电子设备及介质 |
CN116468985B (zh) * | 2023-03-22 | 2024-03-19 | 北京百度网讯科技有限公司 | 模型训练方法、质量检测方法、装置、电子设备及介质 |
CN116525100A (zh) * | 2023-04-26 | 2023-08-01 | 脉景(杭州)健康管理有限公司 | 一种基于标签系统的中医开方反向校验方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114722826B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114722826B (zh) | 模型的训练方法和装置、电子设备、存储介质 | |
CN113887215A (zh) | 文本相似度计算方法、装置、电子设备及存储介质 | |
CN114358007A (zh) | 多标签识别方法、装置、电子设备及存储介质 | |
CN114897060B (zh) | 样本分类模型的训练方法和装置、样本分类方法和装置 | |
CN114626097A (zh) | 脱敏方法、脱敏装置、电子设备及存储介质 | |
CN114021582B (zh) | 结合语音信息的口语理解方法、装置、设备及存储介质 | |
CN115222066A (zh) | 模型训练方法和装置、行为预测方法、设备及存储介质 | |
CN113704428A (zh) | 智能问诊方法、装置、电子设备及存储介质 | |
CN114358201A (zh) | 基于文本的情感分类方法和装置、计算机设备、存储介质 | |
CN114416995A (zh) | 信息推荐方法、装置及设备 | |
CN114240552A (zh) | 基于深度聚类算法的产品推荐方法、装置、设备及介质 | |
CN114492661A (zh) | 文本数据分类方法和装置、计算机设备、存储介质 | |
CN114637847A (zh) | 模型的训练方法、文本分类方法和装置、设备、介质 | |
CN114358020A (zh) | 疾病部位识别方法、装置、电子设备及存储介质 | |
CN114613462A (zh) | 医疗数据处理方法和装置、电子设备及存储介质 | |
CN114519397A (zh) | 基于对比学习的实体链接模型的训练方法、装置、设备 | |
CN113901838A (zh) | 对话检测方法和装置、电子设备、存储介质 | |
CN117829122A (zh) | 基于条件的文本相似度模型训练方法、装置及介质 | |
CN116956925A (zh) | 电子病历命名实体识别方法和装置、电子设备及存储介质 | |
CN116341553A (zh) | 命名实体识别方法和装置、电子设备及存储介质 | |
CN115270900A (zh) | 一种用户意图识别方法和装置、电子设备、存储介质 | |
CN114998041A (zh) | 理赔预测模型的训练方法和装置、电子设备及存储介质 | |
CN114611529B (zh) | 意图识别方法和装置、电子设备及存储介质 | |
CN115033674A (zh) | 问答匹配方法、问答匹配装置、电子设备及存储介质 | |
CN114936274A (zh) | 模型训练方法、对话生成方法和装置、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 |