CN115828162A - 一种分类模型训练的方法、装置、存储介质及电子设备 - Google Patents
一种分类模型训练的方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN115828162A CN115828162A CN202310137411.4A CN202310137411A CN115828162A CN 115828162 A CN115828162 A CN 115828162A CN 202310137411 A CN202310137411 A CN 202310137411A CN 115828162 A CN115828162 A CN 115828162A
- Authority
- CN
- China
- Prior art keywords
- modal
- type
- classification
- trained
- classification model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本说明书公开了一种分类模型训练的方法、装置、存储介质及电子设备,在本说明书提供的方法中,先获得每种模态类型的信息的单模态分类结果,作为第一分类结果,然后将各模态类型的信息输入待训练的多模态分类模型,确定各模态类型的信息的特征与各特征的融合特征,并根据融合特征确定所述训练样本的分类结果,作为第二结果,根据所述第一分类结果、第二分类结果、所述标注确定各模态类型对应的损失,根据各模态类型对应的损失确定共同损失,根据共同结果调整待训练的多模态分类模型的参数,得到训练后的多模态分类模型。从上述方法中可以看出,根据本方法训练得到的多模态分类模型能够准确的根据多模态类型的信息进行分类。
Description
技术领域
本申请涉及计算机领域,特别涉及一种分类模型训练的方法、装置、存储介质及电子设备。
背景技术
随着互联网技术的不断发展,互联网中的信息内容也越来越丰富。
在风控场景中,需要对风险场景或者用户行为等进行分类,由于信息量过于庞大,人们通常利用机器学习进行分类,结合机器学习并根据单一模态的信息进行分类的技术已十分成熟,随着信息内容越来越丰富,往往需要同时根据多种模态的信息综合判断进而分类,比如根据用户的投诉文件中的文本、图像、结构化表格数据等多种模态的信息判断投诉对象的行为属于欺诈、盗用或者违禁中的哪一类,通常将多种模态的信息称为多模态信息,人们需要利用机器学习根据多模态信息进行分类的场景越来越多。
所以,如何训练根据多模态信息进行分类的机器学习模型是一个亟待解决的问题。
发明内容
本说明书提供一种分类模型训练的方法、装置、存储介质及电子设备,以至少部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种分类模型训练的方法,所述方法包括:
获取训练样本,将所述训练样本的实际分类结果作为标注;所述训练样本包括多种模态类型的信息;
针对每种模态类型,将该模态类型的信息输入预先针对该模态类型训练好的单模态分类模型中,得到所述单模态分类模型根据该模态类型的信息输出的所述训练样本的分类结果,作为所述训练样本对应于该模态类型的第一分类结果;
将各模态类型的信息输入待训练的多模态分类模型中,通过所述待训练的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述待训练的多模态分类模型确定所述各特征的融合特征,通过所述待训练的多模态分类模型根据所述融合特征确定所述训练样本的分类结果,作为第二分类结果;
针对每种模态类型,将所述第二分类结果、所述标注与所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果输入预先确定的该模态类型对应的损失函数中,确定该模态类型对应的损失;
根据各模态类型对应的损失确定共同损失;
根据所述共同损失调整所述待训练的多模态分类模型的参数,得到训练后的多模态分类模型。
可选地,所述模态类型包括文本类型、图像类型与结构化数据类型中的至少一种。
可选地,所述训练样本至少包括用户投诉信息;
所述训练样本的分类结果包括欺诈、盗用、违禁中的至少一种。
可选地,所述待训练的多模态分类模型至少包括特征融合层、分类层、各模态类型分别对应的特征提取层;
通过所述待训练的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述待训练的多模态分类模型确定所述各特征的融合特征,通过所述待训练的多模态分类模型根据所述融合特征确定所述训练样本的分类结果,具体包括:
针对各模态类型,将该模态类型的信息输入所述待训练的多模态分类模型中对应于该模态类型的特征提取层,获得对应于该模态类型的特征提取层输出的该模态类型的信息对应的特征;
将各模态类型的信息对应的特征输入所述待训练的多模态分类模型中的特征融合层,获得所述特征融合层输出的各模态类型的信息对应的特征的融合特征;
将所述融合特征输入所述待训练的多模态分类模型中的分类层,获得所述分类层输出的所述训练样本的分类结果。
可选地,所述待训练的多模态分类模型中的分类层包括各模态类型分别对应的分类层;
得到所述训练后的多模态分类模型之后,所述方法还包括:
将所述训练后的多模态分类模型中对应于各模态类型的分类层替换为共用分类层;
将各模态类型的信息输入所述训练后的多模态分类模型中,通过所述训练后的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述训练后的多模态分类模型确定所述各特征的融合特征;
将所述融合特征输入所述训练后的多模态分类模型中的共用分类层,获得所述共用分类层根据所述融合特征输出的所述训练样本的分类结果,作为第三分类结果;
根据所述标注与所述第三分类结果调整所述训练后的多模态分类模型的参数,得到调整后的多模态分类模型。
可选地,得到所述训练后的多模态分类模型之后,所述方法还包括:
获取用户投诉信息,确定用户投诉信息中各模态类型的信息;
将用户投诉信息中各模态类型的信息输入所述训练后的多模态分类模型中,通过所述训练后的多模态分类模型获得用户投诉信息中各模态类型的信息分别对应的特征,并通过所述训练后的多模态分类模型确定用户投诉信息中各模态类型的信息对应的特征的融合特征,作为用户投诉信息的融合特征,通过所述训练后的多模态分类模型根据所述用户投诉信息的融合特征确定所述用户投诉信息的分类结果。
可选地,确定各模态类型对应的损失,具体包括:
确定所述第二分类结果与所述标注的乘积;针对每种模态类型,确定除所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果的均值;
根据所述乘积与所述均值的交叉熵确定该模态类型对应的损失。
可选地,根据所述共同损失调整所述待训练的多模态分类模型的参数,具体包括:
根据所述共同损失调整所述待训练的多模态分类模型中特征融合层与各模态类型分别对应的特征提取层的参数。
本说明书提供了一种分类模型训练的装置,所述装置包括:
获取模块,用于将所述训练样本的实际分类结果作为标注;所述训练样本包括多种模态类型的信息;
第一分类模块,用于针对每种模态类型,将该模态类型的信息输入预先针对该模态类型训练好的单模态分类模型中,得到所述单模态分类模型根据该模态类型的信息输出的所述训练样本的分类结果,作为所述训练样本对应于该模态类型的第一分类结果;
第二分类模块,用于将各模态类型的信息输入待训练的多模态分类模型中,通过所述待训练的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述待训练的多模态分类模型确定所述各特征的融合特征,通过所述待训练的多模态分类模型根据所述融合特征确定所述训练样本的分类结果,作为第二分类结果;
确定模块,用于针对每种模态类型,将所述第二分类结果、所述标注与所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果输入预先确定的该模态类型对应的损失函数中,确定该模态类型对应的损失;根据各模态类型对应的损失确定共同损失;
调整模块,用于根据所述共同损失调整所述待训练的多模态分类模型的参数,得到训练后的多模态分类模型。
可选地,所述模态类型包括文本类型、图像类型与结构化数据类型中的至少一种。
可选地,所述训练样本至少包括用户投诉信息;
所述训练样本的分类结果包括欺诈、盗用、违禁中的至少一种。
可选地,所述待训练的多模态分类模型至少包括特征融合层、分类层、各模态类型分别对应的特征提取层;
所述第二分类模块具体用于,针对各模态类型,将该模态类型的信息输入所述待训练的多模态分类模型中对应于该模态类型的特征提取层,获得对应于该模态类型的特征提取层输出的该模态类型的信息对应的特征;将各模态类型的信息对应的特征输入所述待训练的多模态分类模型中的特征融合层,获得所述特征融合层输出的各模态类型的信息对应的特征的融合特征;将所述融合特征输入所述待训练的多模态分类模型中的分类层,获得所述分类层输出的所述训练样本的分类结果。
可选地,所述待训练的多模态分类模型中的分类层包括各模态类型分别对应的分类层;
所述调整模块还用于,将所述训练后的多模态分类模型中对应于各模态类型的分类层替换为共用分类层;将各模态类型的信息输入所述训练后的多模态分类模型中,通过所述训练后的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述训练后的多模态分类模型确定所述各特征的融合特征;将所述融合特征输入所述训练后的多模态分类模型中的共用分类层,获得所述共用分类层根据所述融合特征输出的所述训练样本的分类结果,作为第三分类结果;根据所述标注与所述第三分类结果调整所述训练后的多模态分类模型的参数,得到调整后的多模态分类模型。
可选地,所述装置还包括:
应用模块,用于获取用户投诉信息,确定用户投诉信息中各模态类型的信息;
将用户投诉信息中各模态类型的信息输入所述训练后的多模态分类模型中,通过所述训练后的多模态分类模型获得用户投诉信息中各模态类型的信息分别对应的特征,并通过所述训练后的多模态分类模型确定用户投诉信息中各模态类型的信息对应的特征的融合特征,作为用户投诉信息的融合特征,通过所述训练后的多模态分类模型根据所述用户投诉信息的融合特征确定所述用户投诉信息的分类结果。
可选地,所述确定模块具体用于,确定所述第二分类结果与所述标注的乘积;针对每种模态类型,确定除所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果的均值;根据所述乘积与所述均值的交叉熵确定该模态类型对应的损失。
可选地,所述调整模块具体用于,根据所述共同损失调整所述待训练的多模态分类模型中特征融合层与各模态类型分别对应的特征提取层的参数。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述方法。
本说明书提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
本申请提供的一种分类模型训练的方法,先获得每种模态类型的信息的单模态分类结果,作为第一分类结果,然后将各模态类型的信息输入待训练的多模态分类模型,通过待训练的多模态分类模型确定各模态类型的信息的特征与各特征的融合特征,并根据融合特征确定所述训练样本的分类结果,作为第二结果,根据所述第一分类结果、第二分类结果、所述标注确定各模态类型对应的损失,根据各模态类型对应的损失确定共同损失,根据共同结果调整待训练的多模态分类模型的参数,得到训练后的多模态分类模型。从上述方法中可以看出,根据本方法训练得到的多模态分类模型能够准确的根据多模态类型的信息进行分类。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种分类模型训练的方法的流程示意图;
图2为本说明书中提供的一种待训练的多模态分类模型结构的示意图;
图3为本说明书中提供的另一种待训练的多模态分类模型结构的示意图;
图4为本说明书提供的一种分类模型训练的装置的示意图;
图5为本说明书提供的对应于图1的电子设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书提供的一种分类模型训练方法的流程示意图,具体包括以下步骤:
S100:获取训练样本,将所述训练样本的实际分类结果作为标注;所述训练样本包括多种模态类型的信息。
本说明书提供的分类模型训练方法的执行主体可以是任意一种具备计算能力的电子设备,如服务器、终端等,本方法用于训练多模态分类模型,训练好的多模态模型可以根据多模态的信息对多模态信息进行分类。
本方法可以应用于审理用户投诉信息,具体地,可获取用户投诉信息作为训练样本,用户投诉信息包括多种模态类型的信息,例如文本类型的信息、图像类型的信息、结构化数据类型的信息(如表格)等,其中,结构化数据也称作行数据,是由二维表结构表示的数据,例如,在用户投诉信息中,通常用结构化数据表示用户的信息、特征、交易关系等。确定用户投诉信息作为训练样本后,确定用户投诉信息的实际分类结果作为标注,用户投诉信息的分类结果包括欺诈、盗用、违禁中的至少一种。
S102:针对每种模态类型,将该模态类型的信息输入预先针对该模态类型训练好的单模态分类模型中,得到所述单模态分类模型根据该模态类型的信息输出的所述训练样本的分类结果,作为所述训练样本对应于该模态类型的第一分类结果。
按照常规分类模型的训练方法,将多种模态类型的信息输入待训练的多模态分类模型后,通常是根据待训练的多模态分类模型输出的分类结果与标注的差异对其进行训练,但这种训练方法可能会出现训练好的多模态分类模型只根据其中一种或少数几种模态类型的信息进行分类的情况。
为使训练好的多模态分类模型能够更准确地根据多种模态类型的信息进行分类,本申请提供的训练方法提前获得训练样本对应于每种模态类型的信息的分类结果,将其作为第一分类结果,将第一分类结果用于下述步骤S106,更好的训练多模态分类模型。
提前获得训练样本对应于每种模态类型的信息的分类结果,具体地,针对每种模态类型,可以将该模态类型的信息输入预先针对该模态类型训练好的单模态分类模型中,得到所述单模态分类模型根据该模态类型的信息输出的所述训练样本的分类结果。预先针对该模态类型训练好的单模态分类模型的功能是根据该模态类型的信息对训练样本进行分类。例如,获取用户投诉信息,用户投诉中包括文本类型、图像类型、结构化数据类型三种模态类型的信息,将文本类型的信息输入预先针对文本类型训练好的单模态分类模型中,得到单模态分类模型根据文本类型的信息输出的用户投诉信息的分类结果,将图像类型的信息输入预先针对图像类型训练好的单模态分类模型中,得到单模态分类模型根据图像类型的信息输出的用户投诉信息的分类结果。
S104:将各模态类型的信息输入待训练的多模态分类模型中,通过所述待训练的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述待训练的多模态分类模型确定所述各特征的融合特征,通过所述待训练的多模态分类模型根据所述融合特征确定所述训练样本的分类结果,作为第二分类结果。
如图2所示,待训练的多模态分类模型至少包括特征融合层、分类层、各模态类型分别对应的特征提取层。
基于如图2所示的模型结构,针对各模态类型,将该模态类型的信息输入待训练的多模态分类模型中对应于该模态类型的特征提取层,获得对应于该模态类型的特征提取层输出的该模态类型的信息对应的特征,将各模态类型的信息对应的特征输入待训练的多模态分类模型中的特征融合层,获得特征融合层输出的各模态类型的信息对应的特征的融合特征,将融合特征输入待训练的多模态分类模型中的分类层,获得分类层输出的训练样本的分类结果。其中,通过特征融合层融合各特征的方法可以是最大池化、最小池化、平均池化亦或其他融合方法,当采用平均池化的融合方法时,待训练的多模态分类模型中的特征融合层可以是平均池化层,通过特征融合层将各特征平均,确定各特征的均值为融合特征。
沿用上例,将文本类型的信息输入如图2所示的待训练的多模态分类模型中对应于文本类型的特征提取层,获得对应于文本类型的特征提取层输出的文本类型的信息对应的特征,同理,将图像类型与结构化数据类型也输入待训练的多模态分类模型中分别对应于图像类型与结构化数据类型的特征提取层中,分别获得图像类型与结构化数据类型对应的特征,将文本、图像、结构化数据类型的信息对应的特征输入如图2所示的待训练的多模态分类模型中的特征融合层,获得特征融合层输出的上述三种模态类型的信息对应的特征的融合特征,再将融合特征输入如图2所示的待训练的多模态分类模型中的分类层,获得分类层输出的训练样本的分类结果。若采用平均池化的方法融合各特征时,则上述三种模态类型的信息对应的特征的融合特征即上述三种模态类型的信息对应的特征的均值。
需要说明的是,上述待训练的多模态分类模型可以如图2所示只包括一个分类层,也可以如图3所示包括各模态类型分别对应的分类层,因为在待训练的多模态分类模型中,分类层在特征融合层之后,其功能是根据特征融合层输出的融合特征输出训练样本的分类结果,所以当融合特征一致时,分类层输出的第二结果是相同的,本方法并不限制上述分类层具体是只有一个还是包括各模态类型分别对应的分类层,因为无论分类层有几个,第二结果都是相同的。
S106:针对每种模态类型,将所述第二分类结果、所述标注与所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果输入预先确定的该模态类型对应的损失函数中,确定该模态类型对应的损失。
为使训练好的多模态分类模型可以更好地兼顾各种模态类型的信息对训练样本进行更准确的分类,本申请提供的训练方法预先构造每种模态类型对应的损失函数。先确定第二分类结果与标注的乘积,针对每种模态类型,确定除所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果的均值,根据上述第二分类结果与标注的乘积与上述均值的交叉熵确定该模态类型对应的损失。
针对第i种模态类型的信息,可以根据如下所述的公式确定该模态类型的损失:
Loss即损失,表示第i种模态类型的损失,CrossEntropy为交叉熵,y为分类层根据融合特征输出的训练样本的分类结果(或对应于第i种模态类型的分类层根据融合特征输出的训练样本对应于第i种模态类型的分类结果),即第二分类结果,即标注,
根据上述两个公式即可确定各模态类型的损失。
S108:根据各模态类型对应的损失确定共同损失。
因为本说明书提供的分类模型的训练方法训练得到的多模态分类模型是要根据各模态类型的信息对训练样本进行分类,所以确定了各模态类型对应的损失后,要根据各模态类型对应的损失确定共同损失。
可选地,可以根据模态类型的种类数量确定各种模态类型对应的损失的权重,然后根据所述权重与各种模态类型对应的损失确定共同损失。沿用上例,训练样本包含的信息对应的模态类型为三种,则每种模态类型对应的权重为三分之一,针对每种模态类型,确定该模态类型对应的损失乘上该模态类型对应的权重的乘积结果,将各种模态的乘积结果累加得到的损失即共同损失。
S110:根据所述共同损失调整所述待训练的多模态分类模型的参数,得到训练后的多模态分类模型。
根据共同损失调整待训练的多模态分类模型的参数具体是调整如图2所示的特征融合层与各模态类型分别对应的特征提取层的参数。
由上述方法可以看出,本方法先提前获得各模态类型信息的单模态分类结果,然后分别确定各模态类型信息的特征及各特征的融合特征,根据融合特征确定训练样本的分类结果,并根据各模态类型信息的单模态分类结果以及根据融合特征确定训练样本的分类结果及标注确定各模态类型对应的损失,根据各模态类型的损失共同调整多模态分类模型中的各模态类型的特征提取层与特征融合层的参数,充分训练了多模态分类模型对应于各模态类型的特征提取层的提取准确度以及特征融合层的融合能力,使训练好的多模态分类模型能够兼顾各种模态类型的信息对多模态信息进行分类。
因为本方法的核心思路是根据各模态类型的损失确定共同损失,然后根据共同损失训练调整多模态分类模型中特征提取层与特征融合层的参数,再将训练完成后的多模态分类模型用于实际分类任务,实际分类任务只需要一个分类结果,即只需要一个分类层,而在训练过程中,为了确定各模态类型的信息的损失,本方法中待训练的多模态分类模型可能包含各模态类型对应的分类层,所以在用于实际分类任务之前,若训练后的多模态分类模型的分类层包括各模态类型对应的分类层,因为实际分类任务只需要一个综合的分类结果,所以可将训练后的多模态分类模型中对应于各模态类型的分类层替换为共用分类层,替换后的多模态分类模型可以直接用于实际分类任务,也可以微调后再用于分类任务,微调是为了使多模态分类模型的分类结果更准确,微调时调整的是训练后的多模态分类模型所有层的参数,包括分类层、特征融合层、各模态类型对应的特征提取层的参数,若训练后的多模态分类模型只包括一个分类层,则该训练后的多模态分类模型可以直接用于实际分类任务(此时,将训练后的多模态分类模型中的分类层作为共用分类层),也可以微调后再用于分类任务。
具体地,微调步骤如下:将训练样本中各模态类型的信息输入训练后的多模态分类模型中,通过训练后的多模态分类模型获得各模态类型的信息分别对应的特征,并通过训练后的多模态分类模型确定所述各特征的融合特征;将融合特征输入训练后的多模态分类模型中的共用分类层,获得共用分类层根据融合特征输出的训练样本的分类结果,作为第三分类结果;根据标注与第三分类结果调整训练后的多模态分类模型中所有层的参数,得到调整后的多模态分类模型。
如上所述训练多模态分类模型之后,训练好的多模态分类模型就可以投入实际分类任务了。沿用上例,使用用户投诉信息,按上述步骤训练多模态分类模型,将训练后的多模态分类模型投入实际分类任务中,具体如下:先获取用户投诉信息,并且确定用户投诉信息中各模态类型的信息,将用户投诉信息中各模态类型的信息输入训练后的多模态分类模型中,通过训练后的多模态分类模型获得用户投诉信息中各模态类型的信息分别对应的特征以及用户投诉信息的融合特征,通过训练后的多模态分类模型根据用户投诉信息的融合特征确定用户投诉信息的分类结果。
当然,除了上述应用场景之外,本说明书提供的分类模型训练方法也可以应用于其他场景,在此不再赘述。
以上为本说明书的一个或多个实施例提供的分类模型训练的方法,基于同样的思路,本说明书还提供了相应的分类模型训练的装置,如图4所示。
图4为本说明书提供的一种分类模型训练的装置示意图,具体包括:
获取模块401,用于将所述训练样本的实际分类结果作为标注;所述训练样本包括多种模态类型的信息;
第一分类模块402,用于针对每种模态类型,将该模态类型的信息输入预先针对该模态类型训练好的单模态分类模型中,得到所述单模态分类模型根据该模态类型的信息输出的所述训练样本的分类结果,作为所述训练样本对应于该模态类型的第一分类结果;
第二分类模块403,用于将各模态类型的信息输入待训练的多模态分类模型中,通过所述待训练的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述待训练的多模态分类模型确定所述各特征的融合特征,通过所述待训练的多模态分类模型根据所述融合特征确定所述训练样本的分类结果,作为第二分类结果;
确定模块404,用于针对每种模态类型,将所述第二分类结果、所述标注与所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果输入预先确定的该模态类型对应的损失函数中,确定该模态类型对应的损失;根据各模态类型对应的损失确定共同损失;
调整模块405,用于根据所述共同损失调整所述待训练的多模态分类模型的参数,得到训练后的多模态分类模型。
可选地,所述模态类型包括文本类型、图像类型与结构化数据类型中的至少一种。
可选地,所述训练样本至少包括用户投诉信息;
所述训练样本的分类结果包括欺诈、盗用、违禁中的至少一种。
可选地,所述待训练的多模态分类模型至少包括特征融合层、分类层、各模态类型分别对应的特征提取层;
所述第二分类模块403具体用于,针对各模态类型,将该模态类型的信息输入所述待训练的多模态分类模型中对应于该模态类型的特征提取层,获得对应于该模态类型的特征提取层输出的该模态类型的信息对应的特征;将各模态类型的信息对应的特征输入所述待训练的多模态分类模型中的特征融合层,获得所述特征融合层输出的各模态类型的信息对应的特征的融合特征;将所述融合特征输入所述待训练的多模态分类模型中的分类层,获得所述分类层输出的所述训练样本的分类结果。
可选地,所述待训练的多模态分类模型中的分类层包括各模态类型分别对应的分类层;
所述调整模块405还用于,将所述训练后的多模态分类模型中对应于各模态类型的分类层替换为共用分类层;将各模态类型的信息输入所述训练后的多模态分类模型中,通过所述训练后的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述训练后的多模态分类模型确定所述各特征的融合特征;将所述融合特征输入所述训练后的多模态分类模型中的共用分类层,获得所述共用分类层根据所述融合特征输出的所述训练样本的分类结果,作为第三分类结果;根据所述标注与所述第三分类结果调整所述训练后的多模态分类模型的参数,得到调整后的多模态分类模型。
可选地,所述装置还包括:
应用模块406,用于获取用户投诉信息,确定用户投诉信息中各模态类型的信息;
将用户投诉信息中各模态类型的信息输入所述训练后的多模态分类模型中,通过所述训练后的多模态分类模型获得用户投诉信息中各模态类型的信息分别对应的特征,并通过所述训练后的多模态分类模型确定用户投诉信息中各模态类型的信息对应的特征的融合特征,作为用户投诉信息的融合特征,通过所述训练后的多模态分类模型根据所述用户投诉信息的融合特征确定所述用户投诉信息的分类结果。
可选地,所述确定模块404具体用于,确定所述第二分类结果与所述标注的乘积;针对每种模态类型,确定除所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果的均值;根据所述乘积与所述均值的交叉熵确定该模态类型对应的损失。
可选地,所述调整模块405具体用于,根据所述共同损失调整所述待训练的多模态分类模型中特征融合层与各模态类型分别对应的特征提取层的参数。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的分类模型训练的方法。
本说明书还提供了图5所示的电子设备的结构示意图。如图5所述,在硬件层面,该无人驾驶设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的分类模型训练的方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(ApplicationSpecific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书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说明书,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。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (18)
1.一种分类模型训练的方法,所述方法包括:
获取训练样本,将所述训练样本的实际分类结果作为标注;所述训练样本包括多种模态类型的信息;
针对每种模态类型,将该模态类型的信息输入预先针对该模态类型训练好的单模态分类模型中,得到所述单模态分类模型根据该模态类型的信息输出的所述训练样本的分类结果,作为所述训练样本对应于该模态类型的第一分类结果;
将各模态类型的信息输入待训练的多模态分类模型中,通过所述待训练的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述待训练的多模态分类模型确定各特征的融合特征,通过所述待训练的多模态分类模型根据所述融合特征确定所述训练样本的分类结果,作为第二分类结果;
针对每种模态类型,将所述第二分类结果、所述标注与所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果输入预先确定的该模态类型对应的损失函数中,确定该模态类型对应的损失;
根据各模态类型对应的损失确定共同损失;
根据所述共同损失调整所述待训练的多模态分类模型的参数,得到训练后的多模态分类模型。
2.如权利要求1所述的方法,所述模态类型包括文本类型、图像类型与结构化数据类型中的至少一种。
3.如权利要求1所述的方法,所述训练样本至少包括用户投诉信息;
所述训练样本的分类结果包括欺诈、盗用、违禁中的至少一种。
4.如权利要求1所述的方法,所述待训练的多模态分类模型至少包括特征融合层、分类层、各模态类型分别对应的特征提取层;
通过所述待训练的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述待训练的多模态分类模型确定所述各特征的融合特征,通过所述待训练的多模态分类模型根据所述融合特征确定所述训练样本的分类结果,具体包括:
针对各模态类型,将该模态类型的信息输入所述待训练的多模态分类模型中对应于该模态类型的特征提取层,获得对应于该模态类型的特征提取层输出的该模态类型的信息对应的特征;
将各模态类型的信息对应的特征输入所述待训练的多模态分类模型中的特征融合层,获得所述特征融合层输出的各模态类型的信息对应的特征的融合特征;
将所述融合特征输入所述待训练的多模态分类模型中的分类层,获得所述分类层输出的所述训练样本的分类结果。
5.如权利要求4所述的方法,所述待训练的多模态分类模型中的分类层包括各模态类型分别对应的分类层;
得到所述训练后的多模态分类模型之后,所述方法还包括:
将所述训练后的多模态分类模型中对应于各模态类型的分类层替换为共用分类层;
将各模态类型的信息输入所述训练后的多模态分类模型中,通过所述训练后的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述训练后的多模态分类模型确定所述各特征的融合特征;
将所述融合特征输入所述训练后的多模态分类模型中的共用分类层,获得所述共用分类层根据所述融合特征输出的所述训练样本的分类结果,作为第三分类结果;
根据所述标注与所述第三分类结果调整所述训练后的多模态分类模型的参数,得到调整后的多模态分类模型。
6.如权利要求3所述的方法,得到所述训练后的多模态分类模型之后,所述方法还包括:
获取用户投诉信息,确定用户投诉信息中各模态类型的信息;
将用户投诉信息中各模态类型的信息输入所述训练后的多模态分类模型中,通过所述训练后的多模态分类模型获得用户投诉信息中各模态类型的信息分别对应的特征,并通过所述训练后的多模态分类模型确定用户投诉信息中各模态类型的信息对应的特征的融合特征,作为用户投诉信息的融合特征,通过所述训练后的多模态分类模型根据所述用户投诉信息的融合特征确定所述用户投诉信息的分类结果。
7.如权利要求1所述的方法,确定各模态类型对应的损失,具体包括:
确定所述第二分类结果与所述标注的乘积;针对每种模态类型,确定除所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果的均值;
根据所述乘积与所述均值的交叉熵确定该模态类型对应的损失。
8.如权利要求4所述的方法,根据所述共同损失调整所述待训练的多模态分类模型的参数,具体包括:
根据所述共同损失调整所述待训练的多模态分类模型中特征融合层与各模态类型分别对应的特征提取层的参数。
9.一种分类模型训练的装置,所述装置包括:
获取模块,用于将所述训练样本的实际分类结果作为标注;所述训练样本包括多种模态类型的信息;
第一分类模块,用于针对每种模态类型,将该模态类型的信息输入预先针对该模态类型训练好的单模态分类模型中,得到所述单模态分类模型根据该模态类型的信息输出的所述训练样本的分类结果,作为所述训练样本对应于该模态类型的第一分类结果;
第二分类模块,用于将各模态类型的信息输入待训练的多模态分类模型中,通过所述待训练的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述待训练的多模态分类模型确定各特征的融合特征,通过所述待训练的多模态分类模型根据所述融合特征确定所述训练样本的分类结果,作为第二分类结果;
确定模块,用于针对每种模态类型,将所述第二分类结果、所述标注与所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果输入预先确定的该模态类型对应的损失函数中,确定该模态类型对应的损失;根据各模态类型对应的损失确定共同损失;
调整模块,用于根据所述共同损失调整所述待训练的多模态分类模型的参数,得到训练后的多模态分类模型。
10.如权利要求9所述的装置,所述模态类型包括文本类型、图像类型与结构化数据类型中的至少一种。
11.如权利要求9所述的装置,所述训练样本至少包括用户投诉信息;
所述训练样本的分类结果包括欺诈、盗用、违禁中的至少一种。
12.如权利要求9所述的装置,所述待训练的多模态分类模型至少包括特征融合层、分类层、各模态类型分别对应的特征提取层;
所述第二分类模块具体用于,针对各模态类型,将该模态类型的信息输入所述待训练的多模态分类模型中对应于该模态类型的特征提取层,获得对应于该模态类型的特征提取层输出的该模态类型的信息对应的特征;将各模态类型的信息对应的特征输入所述待训练的多模态分类模型中的特征融合层,获得所述特征融合层输出的各模态类型的信息对应的特征的融合特征;将所述融合特征输入所述待训练的多模态分类模型中的分类层,获得所述分类层输出的所述训练样本的分类结果。
13.如权利要求12所述的装置,所述待训练的多模态分类模型中的分类层包括各模态类型分别对应的分类层;
所述装置还包括:
微调模块,用于将所述训练后的多模态分类模型中对应于各模态类型的分类层替换为共用分类层;将各模态类型的信息输入所述训练后的多模态分类模型中,通过所述训练后的多模态分类模型获得各模态类型的信息分别对应的特征,并通过所述训练后的多模态分类模型确定所述各特征的融合特征;将所述融合特征输入所述训练后的多模态分类模型中的共用分类层,获得所述共用分类层根据所述融合特征输出的所述训练样本的分类结果,作为第三分类结果;根据所述标注与所述第三分类结果调整所述训练后的多模态分类模型的参数,得到调整后的多模态分类模型。
14.如权利要求11所述的装置,所述装置还包括:
应用模块,用于获取用户投诉信息,确定用户投诉信息中各模态类型的信息;
将用户投诉信息中各模态类型的信息输入所述训练后的多模态分类模型中,通过所述训练后的多模态分类模型获得用户投诉信息中各模态类型的信息分别对应的特征,并通过所述训练后的多模态分类模型确定用户投诉信息中各模态类型的信息对应的特征的融合特征,作为用户投诉信息的融合特征,通过所述训练后的多模态分类模型根据所述用户投诉信息的融合特征确定所述用户投诉信息的分类结果。
15.如权利要求9所述的装置,所述确定模块具体用于,确定所述第二分类结果与所述标注的乘积;针对每种模态类型,确定除所述训练样本对应于除该模态类型之外的其他模态类型的第一分类结果的均值;根据所述乘积与所述均值的交叉熵确定该模态类型对应的损失。
16.如权利要求12所述的装置,所述调整模块具体用于,根据所述共同损失调整所述待训练的多模态分类模型中特征融合层与各模态类型分别对应的特征提取层的参数。
17.一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~8中任一项所述的方法。
18.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述权利要求1~8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137411.4A CN115828162B (zh) | 2023-02-08 | 2023-02-08 | 一种分类模型训练的方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310137411.4A CN115828162B (zh) | 2023-02-08 | 2023-02-08 | 一种分类模型训练的方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115828162A true CN115828162A (zh) | 2023-03-21 |
CN115828162B CN115828162B (zh) | 2023-07-07 |
Family
ID=85521881
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310137411.4A Active CN115828162B (zh) | 2023-02-08 | 2023-02-08 | 一种分类模型训练的方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115828162B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168258A (zh) * | 2023-04-25 | 2023-05-26 | 之江实验室 | 一种目标物分类方法、装置、设备及可读存储介质 |
CN117036869A (zh) * | 2023-10-08 | 2023-11-10 | 之江实验室 | 一种基于多样性和随机策略的模型训练方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685565A (zh) * | 2020-12-29 | 2021-04-20 | 平安科技(深圳)有限公司 | 基于多模态信息融合的文本分类方法、及其相关设备 |
CN112733808A (zh) * | 2021-02-22 | 2021-04-30 | 深圳市商汤科技有限公司 | 模型训练与图像处理方法、装置、电子设备和存储介质 |
CN113343936A (zh) * | 2021-07-15 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 视频表征模型的训练方法及训练装置 |
CN113538354A (zh) * | 2021-07-08 | 2021-10-22 | 中国海洋大学 | 一种用于融合多模态数据特征的方法及应用 |
EP3923185A2 (en) * | 2021-03-03 | 2021-12-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Image classification method and apparatus, electronic device and storage medium |
CN113887221A (zh) * | 2021-09-15 | 2022-01-04 | 北京三快在线科技有限公司 | 一种模型训练以及关键词分类方法及装置 |
CN115130591A (zh) * | 2022-07-01 | 2022-09-30 | 浙江大学 | 一种基于交叉监督的多模态数据分类方法及装置 |
CN115273251A (zh) * | 2022-07-25 | 2022-11-01 | 支付宝(杭州)信息技术有限公司 | 一种基于多模态的模型训练方法、装置以及设备 |
CN115563366A (zh) * | 2022-09-22 | 2023-01-03 | 北京三快在线科技有限公司 | 一种模型训练和数据分析的方法、装置、存储介质及设备 |
-
2023
- 2023-02-08 CN CN202310137411.4A patent/CN115828162B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112685565A (zh) * | 2020-12-29 | 2021-04-20 | 平安科技(深圳)有限公司 | 基于多模态信息融合的文本分类方法、及其相关设备 |
CN112733808A (zh) * | 2021-02-22 | 2021-04-30 | 深圳市商汤科技有限公司 | 模型训练与图像处理方法、装置、电子设备和存储介质 |
EP3923185A2 (en) * | 2021-03-03 | 2021-12-15 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Image classification method and apparatus, electronic device and storage medium |
CN113538354A (zh) * | 2021-07-08 | 2021-10-22 | 中国海洋大学 | 一种用于融合多模态数据特征的方法及应用 |
CN113343936A (zh) * | 2021-07-15 | 2021-09-03 | 北京达佳互联信息技术有限公司 | 视频表征模型的训练方法及训练装置 |
CN113887221A (zh) * | 2021-09-15 | 2022-01-04 | 北京三快在线科技有限公司 | 一种模型训练以及关键词分类方法及装置 |
CN115130591A (zh) * | 2022-07-01 | 2022-09-30 | 浙江大学 | 一种基于交叉监督的多模态数据分类方法及装置 |
CN115273251A (zh) * | 2022-07-25 | 2022-11-01 | 支付宝(杭州)信息技术有限公司 | 一种基于多模态的模型训练方法、装置以及设备 |
CN115563366A (zh) * | 2022-09-22 | 2023-01-03 | 北京三快在线科技有限公司 | 一种模型训练和数据分析的方法、装置、存储介质及设备 |
Non-Patent Citations (3)
Title |
---|
QI HE等: "Multi-modal Remote Sensing Image Classification for Low Sample Size Data", 《2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
洪炎佳等: "多模态多维信息融合的鼻咽癌MR图像肿瘤深度分割方法", 浙江大学学报(工学版) * |
王帅琛等: "多模态数据的行为识别综述", 《中国图象图形学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116168258A (zh) * | 2023-04-25 | 2023-05-26 | 之江实验室 | 一种目标物分类方法、装置、设备及可读存储介质 |
CN117036869A (zh) * | 2023-10-08 | 2023-11-10 | 之江实验室 | 一种基于多样性和随机策略的模型训练方法及装置 |
CN117036869B (zh) * | 2023-10-08 | 2024-01-09 | 之江实验室 | 一种基于多样性和随机策略的模型训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN115828162B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516105B (zh) | 图像处理方法及装置 | |
CN115828162B (zh) | 一种分类模型训练的方法、装置、存储介质及电子设备 | |
CN112672184A (zh) | 一种视频审核及发布方法 | |
CN112308113A (zh) | 一种基于半监督的目标识别方法、设备及介质 | |
CN111930810B (zh) | 数据规则挖掘方法及装置 | |
CN116049761A (zh) | 数据处理方法、装置及设备 | |
CN111368902A (zh) | 一种数据标注的方法及装置 | |
CN116757278B (zh) | 一种预测模型的训练方法、装置、存储介质及电子设备 | |
CN116630480B (zh) | 一种交互式文本驱动图像编辑的方法、装置和电子设备 | |
CN116186330B (zh) | 一种基于多模态学习的视频去重方法及装置 | |
CN108804563A (zh) | 一种数据标注方法、装置以及设备 | |
CN117113174A (zh) | 一种模型训练的方法、装置、存储介质及电子设备 | |
CN115130621B (zh) | 一种模型训练方法、装置、存储介质及电子设备 | |
CN115221523B (zh) | 数据处理方法、装置及设备 | |
CN114926687A (zh) | 一种分类模型的训练方法及装置 | |
CN115689676A (zh) | 一种行业识别的方法、装置、存储介质及电子设备 | |
CN111242195B (zh) | 模型、保险风控模型训练方法、装置及电子设备 | |
CN109325127B (zh) | 一种风险识别方法和装置 | |
CN113344590A (zh) | 一种模型训练以及投诉率预估的方法及装置 | |
CN111461352B (zh) | 模型训练、业务节点识别方法、装置及电子设备 | |
CN116340852B (zh) | 一种模型训练、业务风控的方法及装置 | |
CN117237744B (zh) | 一种图像分类模型的训练方法、装置、介质及电子设备 | |
CN116363418A (zh) | 一种训练分类模型的方法、装置、存储介质及电子设备 | |
CN115862675A (zh) | 一种情感识别方法、装置、设备及存储介质 | |
CN115880527A (zh) | 一种模型压缩的方法、装置、存储介质及电子设备 |
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 |