CN114841137A - 模型获取方法、装置、电子设备及存储介质 - Google Patents
模型获取方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114841137A CN114841137A CN202210405517.3A CN202210405517A CN114841137A CN 114841137 A CN114841137 A CN 114841137A CN 202210405517 A CN202210405517 A CN 202210405517A CN 114841137 A CN114841137 A CN 114841137A
- Authority
- CN
- China
- Prior art keywords
- type
- task
- different types
- sample
- samples
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000012545 processing Methods 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000005457 optimization Methods 0.000 claims description 21
- 230000008859 change Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 230000000692 anti-sense effect Effects 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000003058 natural language processing Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000003042 antagnostic effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000010485 coping Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 229960005486 vaccine Drugs 0.000 description 2
- 244000099147 Ananas comosus Species 0.000 description 1
- 235000007119 Ananas comosus Nutrition 0.000 description 1
- 244000300264 Spinacia oleracea Species 0.000 description 1
- 235000009337 Spinacia oleracea Nutrition 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/10—Text processing
- G06F40/194—Calculation of difference between files
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Machine Translation (AREA)
Abstract
本公开提供了模型获取方法、装置、电子设备及存储介质,涉及深度学习以及自然语言处理等人工智能领域,其中的方法可包括:获取预训练得到的初始模型;针对预定类型的任务,生成所述任务对应的M种不同类型的对抗样本,M为大于一的正整数,并执行以下第一处理:将生成的对抗样本加入对抗样本集,结合对抗样本集以及所述任务对应的原始样本集对所述初始模型进行训练,得到所述任务对应的任务处理模型。应用本公开所述方案,可提升模型的鲁棒性。
Description
技术领域
本公开涉及人工智能技术领域,特别涉及深度学习以及自然语言处理等领域的模型获取方法、装置、电子设备及存储介质。
背景技术
文本匹配旨在判断两个文本的语义是否匹配,在实际应用中,可利用语义匹配模型来进行两个文本语义是否匹配的判断。
随着技术的发展,语义匹配模型在标准测试集上取得了较好的效果,但在面临输入上发生微小变化的情况时,经常不能做出符合预期的判断,鲁棒性较差。
发明内容
本公开提供了模型获取方法、装置、电子设备及存储介质。
一种模型获取方法,包括:
获取预训练得到的初始模型;
针对预定类型的任务,生成所述任务对应的M种不同类型的对抗样本,M为大于一的正整数,并执行以下第一处理:
将生成的对抗样本加入对抗样本集,结合所述对抗样本集以及所述任务对应的原始样本集对所述初始模型进行训练,得到所述任务对应的任务处理模型。
一种模型获取装置,包括:获取模块以及优化模块;
所述获取模块,用于获取预训练得到的初始模型;
所述优化模块,用于针对预定类型的任务,生成所述任务对应的M种不同类型的对抗样本,M为大于一的正整数,并执行以下第一处理:将生成的对抗样本加入对抗样本集,结合所述对抗样本集以及所述任务对应的原始样本集对所述初始模型进行训练,得到所述任务对应的任务处理模型。
一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如以上所述的方法。
一种存储有计算机指令的非瞬时计算机可读存储介质,所述计算机指令用于使计算机执行如以上所述的方法。
一种计算机程序产品,包括计算机程序/指令,所述计算机程序/指令被处理器执行时实现如以上所述的方法。
上述公开中的一个实施例具有如下优点或有益效果:可针对预定类型的任务,生成多种不同类型的对抗样本,进而可结合生成的对抗样本以及原始训练样本来对初始模型进行有针对性地优化训练,从而提升了模型的鲁棒性。
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为本公开所述模型获取方法第一实施例的流程图;
图2为本公开所述模型获取方法第二实施例的流程图;
图3为本公开所述模型获取装置实施例300的组成结构示意图;
图4示出了可以用来实施本公开的实施例的电子设备400的示意性框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
另外,应理解,本文中术语“和/或”,仅仅是一种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:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
图1为本公开所述模型获取方法第一实施例的流程图。如图1所示,包括以下具体实现方式。
在步骤101中,获取预训练得到的初始模型。
在步骤102中,针对预定类型的任务,生成所述任务对应的M种不同类型的对抗样本,M为大于一的正整数,并执行以下第一处理:将生成的对抗样本加入对抗样本集,结合对抗样本集以及所述任务对应的原始样本集对初始模型进行训练,得到所述任务对应的任务处理模型。
上述方法实施例所述方案中,可针对预定类型的任务,生成多种不同类型的对抗样本,进而可结合生成的对抗样本以及原始训练样本来对初始模型进行有针对性地优化训练,从而提升了模型的鲁棒性。
上述方法实施例所述方案可应用于深度学习以及自然语言处理等人工智能领域。在按照图1所示流程获取到任务处理模型后,可利用所述任务处理模型对所述预定类型的任务进行任务处理,从而得到处理结果。比如,所述预定类型的任务可为文本匹配任务,所述任务处理模型可为语义匹配模型,相应地,在按照图1所示流程获取到语义匹配模型后,可利用所述语义匹配模型进行文本匹配处理,如利用所述语义匹配模型确定两个文本的语义是否匹配,并得到是否匹配的判定结果。
本公开的一个实施例中,还可循环执行上述第一处理,即结合对抗样本集以及原始样本集对初始模型进行训练之后,可确定是否符合结束条件,响应于确定符合结束条件,可将最新得到的初始模型作为所需的任务处理模型,响应于确定不符合结束条件,可生成所述任务对应的N种不同类型的对抗样本,并重复执行所述第一处理,N为正整数,且N小于或等于M,所述M种不同类型中包括所述N种不同类型。
通过上述处理,可实现对于初始模型的不断迭代优化,从而进一步提升了模型的鲁棒性。
假设M的取值为6,那么N的取值可以等于6,也可以小于6,即可以再次生成6种不同类型的对抗样本,也可以只生成其中的部分类型的对抗样本。
如何确定是否符合结束条件不作限制。比如,可获取最新得到的初始模型的评估结果,若根据评估结果确定初始模型针对不同的情况均可较好的进行处理,则可认为符合结束条件,进而可将最新得到的初始模型作为所需的任务处理模型,反之,可继续进行迭代优化。
本公开的一个实施例中,所述M种不同类型的对抗样本可包括以下至少两种:丢词类型的对抗样本,转义类型的对抗样本,反义类型的对抗样本,否定类型的对抗样本,句法变化类型的对抗样本,意图变化类型的对抗样本。
其中,丢词类型的对抗样本可如以下表一所示:
类型 | 说明 | 典型例子 |
丢词 | 词汇丢失 | 地球多大了地球多大 |
表一丢词类型的对抗样本转义类型的对抗样本可如以下表二所示:
类型 | 说明 | 典型例子 |
转义 | 词汇不匹配 | 菠萝怎么吃菠菜怎么吃 |
表二转义类型的对抗样本反义类型的对抗样本可如以下表三所示:
类型 | 说明 | 典型例子 |
反义 | 反义词 | 靴筒松了怎么办靴筒太紧怎么办 |
表三反义类型的对抗样本否定类型的对抗样本可如以下表四所示:
表四否定类型的对抗样本句法变化类型的对抗样本可如以下表五所示:
类型 | 说明 | 典型例子 |
句法变化 | 字面相似非同义 | **疫苗打在哪儿**疫苗在哪儿打 |
表五句法变化类型的对抗样本意图变化类型的对抗样本可如以下表六所示:
表六意图变化类型的对抗样本
以上所述对抗样本的类型仅为举例说明,并不用于限制本公开的技术方案,具体生成哪些类型的对抗样本可根据实际需要而定。
另外,本公开的一个实施例中,针对任一种类型,可分别按照以下方式生成该类型的对抗样本:按照该类型对应的样本生成规则,生成该类型的对抗样本,或者,利用该类型对应的样本生成模型,生成该类型的对抗样本。
各类型对应的样本生成规则的具体内容可根据实际需要而定。以丢词类型为例,其对应的样本生成规则中可定义丢弃哪种/哪些类型的词汇,相应地,可基于作为基础的文本语句如“地球多大了”生成“地球多大”的文本语句,进而可利用这两个文本语句组成一个丢词类型的对抗样本,并可生成对应的标签,如1或0,表示匹配或不匹配。
样本生成模型可预先训练得到,并且,针对不同的类型,可分别生成对应的样本生成模型,仍以丢词类型为例,可将作为基础的文本语句如“地球多大了”输入样本生成模型,从而得到输出的“地球多大”的文本语句,进而可利用这两个文本语句组成一个丢词类型的对抗样本,并可生成对应的标签。
无论上述哪种方式,均可准确高效地生成有指向性的对抗样本,且符合真实应用场景,另外,具体采用哪种方式可根据实际需要而定,非常的灵活方便。
作为基础的文本语句的来源不作限制,比如,可来自于原始样本集,或者来自于其它数据集等。
在生成M种不同类型的对抗样本后,可将生成的对抗样本加入到对抗样本集中,对抗样本集初始为空,进一步地,可结合对抗样本集以及所述任务对应的原始样本集对初始模型进行训练。
初始模型可为预训练得到的,如可为文本处理类任务通用的基础模型,在初始模型的基础上,针对所述任务,如文本匹配任务,可结合对抗样本集以及原始样本集对初始模型进行优化。
即可基于初始模型的表示能力以及端到端训练的能力,结合生成的有指向性的对抗样本集以及原始训练样本集,进行有指向性的小样本学习,以提升模型的鲁棒性。
在结合对抗样本集以及原始样本集对初始模型进行训练后,可确定是否符合结束条件,若是,可将最新得到的初始模型作为所述任务对应的任务处理模型,并结束处理,若否,可生成所述任务对应的N种不同类型的对抗样本,并重复执行所述第一处理,即继续对初始模型进行迭代优化。
本公开的一个实施例中,可获取最新得到的初始模型的评估结果,根据所述评估结果确定出需要生成的所述N种不同类型的对抗样本,并生成所述N种不同类型的对抗样本。
本公开的一个实施例中,在生成所述M种不同类型的对抗样本时,可针对所述M种不同类型,分别生成相同数量的对抗样本,在生成所述N种不同类型的对抗样本时,可按照对应类型的评估结果越差生成的对抗样本数量越多的原则,生成所述N种不同类型的对抗样本。
如何对最新得到的初始模型进行评估不作限制,比如,可利用测试集中的测试样本,对初始模型应对不同情况的能力进行评估,从而得到评估结果,如可包括各类型对应的评估结果。如何获取测试集同样不作限制。
相应地,可根据评估结果确定出需要生成的所述N种不同类型的对抗样本,即确定出需要生成哪些类型的对抗样本。
比如,假设M的取值为6,为便于表述,将6种不同类型分别称为类型1、类型2、类型3、类型4、类型5和类型6,并假设类型1、类型3、类型4和类型6的评估结果较差,那么则可生成类型1、类型3、类型4和类型6的对抗样本,即N的取值为4,并可将生成的类型1、类型3、类型4和类型6的对抗样本加入到对抗样本集中,进而可重复执行所述第一处理。
通过上述处理,可针对效果较差的类型进行进一步的加强训练,从而弥补了模型在这些情况下的应对能力的不足。
另外,通常来说,在生成6种不同类型的对抗样本时,可针对类型1、类型2、类型3、类型4、类型5和类型6,分别生成相同数量的对抗样本,从而使得模型能够全面地学习到对于各种情况的应对能力,从整体上提升模型的鲁棒性。
但在生成类型1、类型3、类型4和类型6的对抗样本时,可按照对应类型的评估结果越差生成的对抗样本数量越多的原则,生成这4种不同类型的对抗样本,从而可达到更好的加强训练效果。
结合上述介绍,图2为本公开所述模型获取方法第二实施例的流程图。本实施例中,假设预定类型的任务为文本匹配任务。如图2所示,包括以下具体实现方式。
在步骤201中,获取预训练得到的初始模型。
在步骤202中,生成文本匹配任务对应的M种不同类型的对抗样本,M为大于一的正整数。
比如,所述M种不同类型的对抗样本可包括:丢词类型的对抗样本、转义类型的对抗样本、反义类型的对抗样本、否定类型的对抗样本、句法变化类型的对抗样本以及意图变化类型的对抗样本。
其中,针对任一种类型,可分别按照以下方式生成该类型的对抗样本:按照该类型对应的样本生成规则,生成该类型的对抗样本,或者,利用该类型对应的样本生成模型,生成该类型的对抗样本。
在步骤203中,将生成的对抗样本加入对抗样本集。
在步骤204中,结合对抗样本集以及文本匹配任务对应的原始样本集对初始模型进行训练。
原始样本集可为训练传统的语义匹配模型时所用的样本集(即训练样本集)。
在步骤205中,确定是否符合结束条件,若是,则执行步骤206,否则,执行步骤207。
在步骤206中,将最新得到的初始模型作为所需的语义匹配模型,之后结束流程。
在步骤207中,生成文本匹配任务对应的N种不同类型的对抗样本,N为正整数,且N小于或等于M,所述M种不同类型中包括所述N种不同类型,之后重复执行步骤203。
其中,可获取最新得到的初始模型的评估结果,根据所述评估结果确定出需要生成的所述N种不同类型的对抗样本,并生成所述N种不同类型的对抗样本。
另外,在生成所述M种不同类型的对抗样本时,可针对所述M种不同类型,分别生成相同数量的对抗样本,在生成所述N种不同类型的对抗样本时,可按照对应类型的评估结果越差生成的对抗样本数量越多的原则,生成所述N种不同类型的对抗样本。
需要说明的是,对于前述的各方法实施例,为了简单描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本公开并不受所描述的动作顺序的限制,因为依据本公开,某些步骤可以采用其它顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本公开所必须的。另外,某个实施例中没有详述的部分,可以参见其它实施例中的相关说明。
总之,采用本公开方法实施例所述方案,可提升模型的鲁棒性,相应地,以语义匹配模型为例,利用所述语义匹配模型进行文本匹配处理,可提升处理结果的准确性等。
以上是关于方法实施例的介绍,以下通过装置实施例,对本公开所述方案进行进一步说明。
图3为本公开所述模型获取装置实施例300的组成结构示意图。如图3所示,包括:获取模块301以及优化模块302。
获取模块301,用于获取预训练得到的初始模型。
优化模块302,用于针对预定类型的任务,生成所述任务对应的M种不同类型的对抗样本,M为大于一的正整数,并执行以下第一处理:将生成的对抗样本加入对抗样本集,结合对抗样本集以及所述任务对应的原始样本集对初始模型进行训练,得到所述任务对应的任务处理模型。
上述装置实施例所述方案中,可针对预定类型的任务,生成多种不同类型的对抗样本,进而可结合生成的对抗样本以及原始训练样本来对初始模型进行有针对性地优化训练,从而提升了模型的鲁棒性。
优选地,所述预定类型的任务可为文本匹配任务,相应地,所述任务处理模型可为语义匹配模型。
本公开的一个实施例中,优化模块302还可循环执行上述第一处理,即结合对抗样本集以及原始样本集对初始模型进行训练之后,可确定是否符合结束条件,响应于确定符合结束条件,可将最新得到的初始模型作为所需的任务处理模型,响应于确定不符合结束条件,可生成所述任务对应的N种不同类型的对抗样本,并重复执行所述第一处理,N为正整数,且N小于或等于M,所述M种不同类型中包括所述N种不同类型。
假设M的取值为6,那么N的取值可以等于6,也可以小于6,即可以再次生成6种不同类型的对抗样本,也可以只生成其中的部分类型的对抗样本。
如何确定是否符合结束条件不作限制。比如,可获取最新得到的初始模型的评估结果,若根据评估结果确定初始模型针对不同的情况均可较好的进行处理,则可认为符合结束条件,进而可将最新得到的初始模型作为所需的任务处理模型,反之,可继续进行迭代优化。
本公开的一个实施例中,所述M种不同类型的对抗样本可包括以下至少两种:丢词类型的对抗样本,转义类型的对抗样本,反义类型的对抗样本,否定类型的对抗样本,句法变化类型的对抗样本,意图变化类型的对抗样本。
本公开的一个实施例中,针对任一种类型,优化模块302可分别按照以下方式生成该类型的对抗样本:按照该类型对应的样本生成规则,生成该类型的对抗样本,或者,利用该类型对应的样本生成模型,生成该类型的对抗样本。
本公开的一个实施例中,优化模块302可获取最新得到的初始模型的评估结果,根据所述评估结果确定出需要生成的所述N种不同类型的对抗样本,并生成所述N种不同类型的对抗样本。
另外,本公开的一个实施例中,优化模块302在生成所述M种不同类型的对抗样本时,可针对所述M种不同类型,分别生成相同数量的对抗样本,在生成所述N种不同类型的对抗样本时,可按照对应类型的评估结果越差生成的对抗样本数量越多的原则,生成所述N种不同类型的对抗样本。
图3所示装置实施例的具体工作流程可参照前述方法实施例中的相关说明,不再赘述。
总之,采用本公开装置实施例所述方案,可提升模型的鲁棒性,相应地,以语义匹配模型为例,利用所述语义匹配模型进行文本匹配处理,可提升处理结果的准确性等。
本公开所述方案可应用于人工智能领域,特别涉及深度学习以及自然语言处理等领域。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。
本公开所述实施例中的样本数据并不是针对某一特定用户的,并不能反映出某一特定用户的个人信息。
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4示出了可以用来实施本公开的实施例的电子设备400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、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,个人数字助理、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4所示,设备400包括计算单元401,其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序,来执行各种适当的动作和处理。在RAM 403中,还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405,包括:输入单元406,例如键盘、鼠标等;输出单元407,例如各种类型的显示器、扬声器等;存储单元408,例如磁盘、光盘等;以及通信单元409,例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400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401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401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401执行上文所描述的各个方法和处理,例如本公开所述的方法。例如,在一些实施例中,本公开所述的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408。在一些实施例中,计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时,可以执行本公开所述的方法的一个或多个步骤。备选地,在其他实施例中,计算单元401可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行本公开所述的方法。
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 (15)
1.一种模型获取方法,包括:
获取预训练得到的初始模型;
针对预定类型的任务,生成所述任务对应的M种不同类型的对抗样本,M为大于一的正整数,并执行以下第一处理:
将生成的对抗样本加入对抗样本集,结合所述对抗样本集以及所述任务对应的原始样本集对所述初始模型进行训练,得到所述任务对应的任务处理模型。
2.根据权利要求1所述的方法,还包括:
所述结合所述对抗样本集以及所述任务对应的原始样本集对所述初始模型进行训练之后,确定是否符合结束条件;
响应于确定符合结束条件,将最新得到的初始模型作为所述任务处理模型;
响应于确定不符合结束条件,生成所述任务对应的N种不同类型的对抗样本,并重复执行所述第一处理,N为正整数,且N小于或等于M,所述M种不同类型中包括所述N种不同类型。
3.根据权利要求1或2所述的方法,其中,
所述M种不同类型的对抗样本包括以下至少两种:丢词类型的对抗样本,转义类型的对抗样本,反义类型的对抗样本,否定类型的对抗样本,句法变化类型的对抗样本,意图变化类型的对抗样本。
4.根据权利要求1或2所述的方法,其中,
针对任一种类型,分别按照以下方式生成所述类型的对抗样本:
按照所述类型对应的样本生成规则,生成所述类型的对抗样本;
或者,利用所述类型对应的样本生成模型,生成所述类型的对抗样本。
5.根据权利要求2所述的方法,其中,所述生成所述任务对应的N种不同类型的对抗样本包括:
获取所述最新得到的初始模型的评估结果;
根据所述评估结果确定出需要生成的所述N种不同类型的对抗样本,并生成所述N种不同类型的对抗样本。
6.根据权利要求5所述的方法,其中,
所述生成所述任务对应的M种不同类型的对抗样本包括:针对所述M种不同类型,分别生成相同数量的对抗样本;
所述生成所述任务对应的N种不同类型的对抗样本包括:按照对应类型的评估结果越差生成的对抗样本数量越多的原则,生成所述N种不同类型的对抗样本。
7.一种模型获取装置,包括:获取模块以及优化模块;
所述获取模块,用于获取预训练得到的初始模型;
所述优化模块,用于针对预定类型的任务,生成所述任务对应的M种不同类型的对抗样本,M为大于一的正整数,并执行以下第一处理:将生成的对抗样本加入对抗样本集,结合所述对抗样本集以及所述任务对应的原始样本集对所述初始模型进行训练,得到所述任务对应的任务处理模型。
8.根据权利要求7所述的装置,其中,
所述优化模块进一步用于,所述结合所述对抗样本集以及所述任务对应的原始样本集对所述初始模型进行训练之后,确定是否符合结束条件,响应于确定符合结束条件,将最新得到的初始模型作为所述任务处理模型,响应于确定不符合结束条件,生成所述任务对应的N种不同类型的对抗样本,并重复执行所述第一处理,N为正整数,且N小于或等于M,所述M种不同类型中包括所述N种不同类型。
9.根据权利要求7或8所述的装置,其中,
所述M种不同类型的对抗样本包括以下至少两种:丢词类型的对抗样本,转义类型的对抗样本,反义类型的对抗样本,否定类型的对抗样本,句法变化类型的对抗样本,意图变化类型的对抗样本。
10.根据权利要求7或8所述的装置,其中,
所述优化模块针对任一种类型,分别按照以下方式生成所述类型的对抗样本:按照所述类型对应的样本生成规则,生成所述类型的对抗样本,或者,利用所述类型对应的样本生成模型,生成所述类型的对抗样本。
11.根据权利要求8所述的装置,其中,
所述优化模块获取所述最新得到的初始模型的评估结果,根据所述评估结果确定出需要生成的所述N种不同类型的对抗样本,并生成所述N种不同类型的对抗样本。
12.根据权利要求11所述的装置,其中,
所述优化模块针对所述M种不同类型,分别生成相同数量的对抗样本,并按照对应类型的评估结果越差生成的对抗样本数量越多的原则,生成所述N种不同类型的对抗样本。
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计算机执行权利要求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/指令,所述计算机程序/指令被处理器执行时实现权利要求1-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210405517.3A CN114841137A (zh) | 2022-04-18 | 2022-04-18 | 模型获取方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210405517.3A CN114841137A (zh) | 2022-04-18 | 2022-04-18 | 模型获取方法、装置、电子设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114841137A true CN114841137A (zh) | 2022-08-02 |
Family
ID=82565361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210405517.3A Pending CN114841137A (zh) | 2022-04-18 | 2022-04-18 | 模型获取方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114841137A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256561A (zh) * | 2017-12-29 | 2018-07-06 | 中山大学 | 一种基于对抗学习的多源域适应迁移方法及系统 |
CN108520268A (zh) * | 2018-03-09 | 2018-09-11 | 浙江工业大学 | 基于样本选择和模型进化的黑盒对抗性攻击防御方法 |
CN109766991A (zh) * | 2019-01-14 | 2019-05-17 | 电子科技大学 | 一种采用对抗性训练的人工智能优化系统及方法 |
CN111767405A (zh) * | 2020-07-30 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 文本分类模型的训练方法、装置、设备及存储介质 |
CN111951805A (zh) * | 2020-07-10 | 2020-11-17 | 华为技术有限公司 | 一种文本数据处理方法及装置 |
-
2022
- 2022-04-18 CN CN202210405517.3A patent/CN114841137A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256561A (zh) * | 2017-12-29 | 2018-07-06 | 中山大学 | 一种基于对抗学习的多源域适应迁移方法及系统 |
CN108520268A (zh) * | 2018-03-09 | 2018-09-11 | 浙江工业大学 | 基于样本选择和模型进化的黑盒对抗性攻击防御方法 |
CN109766991A (zh) * | 2019-01-14 | 2019-05-17 | 电子科技大学 | 一种采用对抗性训练的人工智能优化系统及方法 |
CN111951805A (zh) * | 2020-07-10 | 2020-11-17 | 华为技术有限公司 | 一种文本数据处理方法及装置 |
CN111767405A (zh) * | 2020-07-30 | 2020-10-13 | 腾讯科技(深圳)有限公司 | 文本分类模型的训练方法、装置、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220350965A1 (en) | Method for generating pre-trained language model, electronic device and storage medium | |
CN114548110A (zh) | 语义理解方法、装置、电子设备及存储介质 | |
CN112163405A (zh) | 问题的生成方法和装置 | |
US20230013796A1 (en) | Method and apparatus for acquiring pre-trained model, electronic device and storage medium | |
CN113836925A (zh) | 预训练语言模型的训练方法、装置、电子设备及存储介质 | |
US20230141932A1 (en) | Method and apparatus for question answering based on table, and electronic device | |
CN113408304B (zh) | 文本翻译方法、装置、电子设备及存储介质 | |
CN113641724B (zh) | 知识标签挖掘方法、装置、电子设备及存储介质 | |
CN114841172A (zh) | 文本匹配双塔模型的知识蒸馏方法、装置及程序产品 | |
CN113886543A (zh) | 生成意图识别模型的方法、装置、介质及程序产品 | |
CN114841137A (zh) | 模型获取方法、装置、电子设备及存储介质 | |
CN113869042A (zh) | 文本标题生成方法、装置、电子设备以及存储介质 | |
CN112632999A (zh) | 命名实体识别模型获取及命名实体识别方法、装置及介质 | |
CN114048315A (zh) | 确定文档标签的方法、装置、电子设备和存储介质 | |
CN115840867A (zh) | 数学解题模型的生成方法、装置、电子设备和存储介质 | |
CN112989797B (zh) | 模型训练、文本扩展方法,装置,设备以及存储介质 | |
US20230113019A1 (en) | Method for generating model, and electronic device | |
CN116244432B (zh) | 语言模型的预训练方法、装置及电子设备 | |
CN116069914B (zh) | 训练数据的生成方法、模型训练方法以及装置 | |
CN113591492B (zh) | 语料生成方法、装置、电子设备以及存储介质 | |
CN113553407B (zh) | 事件追溯方法、装置、电子设备及存储介质 | |
CN116932714B (zh) | 生成式对话模型训练及生成式对话实现方法和装置 | |
CN114418084A (zh) | 非结构化剪枝模型获取方法、装置、电子设备及存储介质 | |
CN117421403A (zh) | 智能对话方法、装置及电子设备 | |
CN113408636A (zh) | 预训练模型获取方法、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 |