CN115878783A - 文本处理方法、深度学习模型训练方法以及样本生成方法 - Google Patents
文本处理方法、深度学习模型训练方法以及样本生成方法 Download PDFInfo
- Publication number
- CN115878783A CN115878783A CN202310005798.8A CN202310005798A CN115878783A CN 115878783 A CN115878783 A CN 115878783A CN 202310005798 A CN202310005798 A CN 202310005798A CN 115878783 A CN115878783 A CN 115878783A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- learning model
- target
- sample
- initial sample
- 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
- 238000013136 deep learning model Methods 0.000 title claims abstract description 391
- 238000012549 training Methods 0.000 title claims abstract description 113
- 238000000034 method Methods 0.000 title claims abstract description 79
- 238000003672 processing method Methods 0.000 title claims abstract description 23
- 238000012545 processing Methods 0.000 claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims description 50
- 238000012216 screening Methods 0.000 claims description 30
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012163 sequencing technique Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 7
- 238000003058 natural language processing Methods 0.000 abstract description 7
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 17
- 238000004891 communication Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000005457 optimization Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000011161 development Methods 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
- 230000000644 propagated effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 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
- 238000013519 translation Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Abstract
本公开提供了一种文本处理方法、深度学习模型训练方法、样本生成方法、文本处理装置、深度学习模型训练装置、样本生成装置、电子设备、存储介质以及程序产品,涉及数据处理技术领域,尤其涉及人工智能、自然语言处理、深度学习技术领域。具体实现方案为:获取输入文本;获取目标深度学习模型,其中,目标深度学习模型是根据目标第二深度学习模型得到的,目标深度学习模型用于执行目标任务,目标任务包括文本处理;通过目标深度学习模型对输入文本进行处理,得到文本处理结果。
Description
技术领域
本公开涉及数据处理技术领域,尤其涉及人工智能、自然语言处理、深度学习技术领域,具体涉及一种文本处理方法、深度学习模型训练方法、样本生成方法、文本处理装置、深度学习模型训练装置、样本生成装置、电子设备、存储介质以及程序产品。
背景技术
随着人工智能技术的快速发展,自然语言处理作为人工智能的一个重要分支,可以用于文本处理等场景,如何提高文本处理效率成为一个亟需解决的技术问题。
发明内容
本公开提供了一种文本处理方法、深度学习模型训练方法、样本生成方法、文本处理装置、深度学习模型训练装置、样本生成装置、电子设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种文本处理方法,包括:获取输入文本;获取目标深度学习模型,其中,目标深度学习模型是根据目标第二深度学习模型得到的,目标深度学习模型用于执行目标任务,目标任务包括文本处理;通过目标深度学习模型对输入文本进行处理,得到文本处理结果。其中,目标第二深度学习模型是根据以下操作得到的:获取初始样本;获取第一深度学习模型和第二深度学习模型,其中,第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务;通过第一深度学习模型和第二深度学习模型分别对初始样本进行前向传播,得到针对第一深度学习模型的初始样本第一预测结果以及针对第二深度学习模型的初始样本第二预测结果,其中,初始样本第一预测结果的置信度高于初始样本第二预测结果的置信度;根据初始样本第一预测结果、初始样本第二预测结果,确定第一损失数值和第二损失数值;根据第一损失数值和第二损失数值,确定损失差异评估值;根据损失差异评估值对初始样本进行筛选,以生成目标样本;根据目标样本对第二深度学习模型进行后向传播,得到目标第二深度学习模型。
根据本公开的另一方面,提供了一种深度学习模型训练方法,包括:获取初始样本;获取第一深度学习模型和第二深度学习模型,其中,第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务;通过第一深度学习模型和第二深度学习模型分别对初始样本进行前向传播,得到针对第一深度学习模型的初始样本第一预测结果以及针对第二深度学习模型的初始样本第二预测结果,其中,初始样本第一预测结果的置信度高于初始样本第二预测结果的置信度;根据初始样本第一预测结果、初始样本第二预测结果,确定第一损失数值和第二损失数值;根据第一损失数值和第二损失数值,确定损失差异评估值;根据损失差异评估值对初始样本进行筛选,以生成目标样本;根据目标样本对第二深度学习模型进行后向传播,得到目标第二深度学习模型。
根据本公开的另一方面,提供了一种样本生成方法,包括:获取初始样本;确定初始样本针对第一深度学习模型的第一损失数值以及针对第二深度学习模型的第二损失数值,其中,第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,第一深度学习模型的预测结果置信度高于第二深度学习模型的预测结果置信度;高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务;根据第一损失数值和第二损失数值,确定损失差异评估值;根据损失差异评估值对初始样本进行筛选,以生成目标样本,其中,目标样本用于训练第二深度学习模型。
根据本公开的另一方面,提供了一种文本处理装置,包括:输入文本获取模块,用于获取输入文本;目标深度学习模型获取模块,用于获取目标深度学习模型,其中,目标深度学习模型是根据目标第二深度学习模型得到的,目标深度学习模型用于执行目标任务,目标任务包括文本处理;文本处理模块,用于通过目标深度学习模型对输入文本进行处理,得到文本处理结果,其中,目标第二深度学习模型是根据以下模块得到的:初始样本获取模块,用于获取初始样本;模型获取模块,用于获取第一深度学习模型和第二深度学习模型,其中,第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务;前向传播模块,用于通过第一深度学习模型和第二深度学习模型分别对初始样本进行前向传播,得到针对第一深度学习模型的初始样本第一预测结果以及针对第二深度学习模型的初始样本第二预测结果,其中,初始样本第一预测结果的置信度高于初始样本第二预测结果的置信度;损失数值确定模块,用于根据初始样本第一预测结果、初始样本第二预测结果,确定第一损失数值和第二损失数值;损失差异评估值确定模块,用于根据第一损失数值和第二损失数值,确定损失差异评估值;目标样本生成模块,用于根据损失差异评估值对初始样本进行筛选,以生成目标样本;后向传播模块,用于根据目标样本对第二深度学习模型进行后向传播,得到目标第二深度学习模型。
根据本公开的另一方面,提供了一种深度学习模型训练装置,包括:初始样本获取模块,用于获取初始样本;模型获取模块,用于获取第一深度学习模型和第二深度学习模型,其中,第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务;前向传播模块,用于通过第一深度学习模型和第二深度学习模型分别对初始样本进行前向传播,得到针对第一深度学习模型的初始样本第一预测结果以及针对第二深度学习模型的初始样本第二预测结果,其中,初始样本第一预测结果的置信度高于初始样本第二预测结果的置信度;损失数值确定模块,用于根据初始样本第一预测结果、初始样本第二预测结果,确定第一损失数值和第二损失数值;损失差异评估值确定模块,用于根据第一损失数值和第二损失数值,确定损失差异评估值;目标样本生成模块,用于根据损失差异评估值对初始样本进行筛选,以生成目标样本;后向传播模块,用于根据目标样本对第二深度学习模型进行后向传播,得到目标第二深度学习模型。
根据本公开的另一方面,提供了一种样本生成装置,包括:初始样本获取模块,用于获取初始样本;损失数值确定模块,用于确定初始样本针对第一深度学习模型的第一损失数值以及针对第二深度学习模型的第二损失数值,其中,第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,第一深度学习模型的预测结果置信度高于第二深度学习模型的预测结果置信度;高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务;损失差异评估值确定模块,用于根据第一损失数值和第二损失数值,确定损失差异评估值;目标样本生成模块,用于根据损失差异评估值对初始样本进行筛选,以生成目标样本,其中,目标样本用于训练第二深度学习模型。
根据本公开的另一方面,提供了一种电子设备,包括:至少一个处理器和与至少一个处理器通信连接的存储器。其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开实施例的方法。
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,计算机指令用于使计算机执行本公开实施例的方法。
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,计算机程序存储于可读存储介质和电子设备其中至少之一上,计算机程序存储于可读存储介质和电子设备其中至少之一上,计算机程序在被处理器执行时实现本公开实施例的方法。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案,不构成对本公开的限定。其中:
图1示意性示出了根据本公开实施例的文本处理方法、深度学习模型训练方法、样本生成方法及其装置的系统架构图;
图2示意性示出了根据本公开实施例的样本生成方法的流程图;
图3示意性示出了根据本公开实施例的深度学习模型训练方法的流程图;
图4示意性示出了根据本公开另一实施例的深度学习模型训练方法的示意图;
图5示意性示出了根据本公开实施例的文本处理方法的框图;
图6示意性示出了根据本公开实施例的样本生成装置的框图;
图7示意性示出了根据本公开实施例的深度学习模型训练装置的框图;
图8示意性示出了根据本公开实施例的文本处理装置的框图;以及
图9示意性示出了可以实现本公开实施例的文本处理方法、深度学习模型训练方法、样本处理方法的电子设备的框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本公开。在此使用的术语“包括”、“包含”等表明了特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
随着人工智能技术的快速发展,深度学习模型可以执行各种类型的目标任务。自然语言处理作为人工智能的一个重要分支,相关的深度学习模型可以用于文本处理等,文本处理例如可以包括文本翻译、自然语言理解等。
以下将以自然语言处理的深度学习模型为例进行说明。
随着用于自然语言处理的预训练深度学习模型的不断发展,业界研究依然保持着构建更大规模预训练深度学习模型的趋势,但是大规模的深度学习模型的训练耗时长,对资源的要求高,严重影响了大规模深度学习模型的算法策略迭代效率。
一些实施方式,在大规模的预训练深度学习模型训练过程中冻结部分模型参数,只对一部分模型参数进行训练,通过对大规模的预训练深度学习模型的模型结构优化,提高模型的整体训练效率。但是这种方式由于减少模型参数,也导致了模型性能的下降。
一些实施方式,通过设定规则对训练样本进行筛选,比如通过损失阈值来判断训练样本的难易程度,损失越大的样本具有越高的训练优先级,深度学习模型通过持续对困难样本的学习来加速模型收敛速度。但是这种方式无法覆盖特殊情况,甚至会将噪声或错误标注样本作为模型的重点学习对象,例如通过损失阈值对训练数据进行筛选时,损失大的样本不一定是值得学习的困难样本,也有可能是标签错误或者其他噪声数据,模型对这部分噪声数据加强学习反而会降低模型的性能。
图1示意性示出了根据本公开一实施例的文本处理方法、深度学习模型训练方法和装置的系统架构。需要注意的是,图1所示仅为可以应用本公开实施例的系统架构的示例,以帮助本领域技术人员理解本公开的技术内容,但并不意味着本公开实施例不可以用于其他设备、系统、环境或场景。
如图1所示,本公开实施例中系统架构100可以包括:用于样本生成的终端101、用于深度学习模型训练的终端102和用于文本处理的终端103。
本公开实施例中,终端101可以用于根据初始样本执行对应的样本生成方法,生成目标样本。终端102可以根据终端101获得的目标样本执行对应的深度学习模型训练方法以训练得到目标深度学习模型。终端103可以基于终端102获得的目标深度学习模型对输入文本进行处理,得到文本处理结果。
需要说明的是,文本处理、深度学习模型的训练以及样本生成可以在同一终端上实现,也可在不同终端实现。
终端101、终端102和终端103可以是服务器,还可以是服务器集群。
应该理解,图1中终端101、终端102和终端103的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端101、终端102和终端103。
应注意,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。
在本公开的技术方案中,在获取或采集用户个人信息之前,均获取了用户的授权或同意。
以下将依次说明本公开实施例的样本生成方法、深度学习模型训练方法以及文本处理方法。
本公开实施例提供了一种样本生成方法,下面结合图1的系统架构,参考图2来描述根据本公开示例性实施方式的样本生成方法。本公开实施例的样本生成方法例如可以由图1所示的服务器101来执行。
图2示意性示出了根据本公开一实施例的样本生成方法的流程图。
如图2所示,本公开实施例的样本生成方法200例如可以包括操作S210~操作S230。
在操作S210,获取初始样本。
在操作S220,确定初始样本针对第一深度学习模型的第一损失数值以及针对第二深度学习模型的第二损失数值。
示例性地,例如可以将初始样本输入第一深度学习模型,得到针对初始样本的预测结果,根据与第一深度学习模型关联的损失函数对预测结果进行评估,得到第一损失数值。第一损失数值可以表征第一深度学习模型对初始样本的预测能力,同理,可以将初始样本输入第二深度学习模型,得到第二损失数值。
第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,第一深度学习模型的预测结果置信度高于第二深度学习模型的预测结果置信度。
示例性地,高置信度样本集例如可以是由人工标注得到的。
目标任务可以根据需求设定,以下将以目标任务为文本处理举例说明。
高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务。
在操作S230,根据第一损失数值和第二损失数值,确定损失差异评估值。
示例性地,例如可以将第二损失数值与第一损失数值作差,得到损失差异评估值。
在操作S240,根据损失差异评估值对初始样本进行筛选,以生成目标样本。
目标样本用于训练第二深度学习模型。
上述的生成目标样本可以理解为:将初始样本输入计算机,经过计算机的处理,输出目标样本的过程。
根据本公开实施例的样本生成方法,通过确定初始样本针对第-深度学习模型的第一损失数值以及针对第二深度学习模型的第二损失数值,可以利用第一损失数值评估第一学习模型对初始样本的预测能力,利用第二损失数值评估第二学习模型对初始样本的预测能力。通过根据第一损失数值和第二损失数值,确定的损失差异评估值可以用于评估第一深度学习模型与第二深度学习模型对初始样本的预测能力差异。
根据本公开实施例的样本生成方法,由于目标深度学习模型是利用高置信度样本训练集、基于第二深度学习模型得到的,因此针对任意一个目标任务,第二深度学习模型的性能影响目标深度学习模型执行目标任务。
第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,第一深度学习模型的预测结果置信度高于第二深度学习模型的预测结果置信度,这就使得通过确定初始样本针对第一深度学习模型的第一损失数值可以准确、真实地评估初始样本用于目标任务相关训练的预测能力。通过确定初始样本针对第二深度学习模型的第二损失数值,可以利用第二损失数值评估第二学习模型对初始样本的预测能力。
通过根据第一损失数值和第二损失数值,确定的损失差异评估值可以用于评估第一深度学习模型与第二深度学习模型对初始样本的预测能力差异。该预测能力差异可以反映初始样本对于第二深度学习模型的训练价值,训练价值体现在初始样本是简单样本、困难样本还是噪声样本等异常样本。简单样本对于模型参数优化的作用并不大,因此例如可以过滤简单样本,困难样本对于模型参数优化的作用更大,例如可以保留该困难样本作为目标样本,目标样本例如可以用于调整第二深度学习模型的模型参数,异常样本可能会破坏模型参数优化,例如可以过滤异常样本。
例如,以下述的几种情况说明上述原理:
(1)第一损失数值较小、第二损失数值较大,损失差异评估值的数值例如为较大的正值。说明第一深度学习模型对该初始样本预测准确(学会该初始样本),第二深度学习模型对该初始样本预测不准确(未学会该初始样本),可以将该初始样本作为目标样本用于第二深度学习模型加强学习。
(2)第一损失数值较小、第二损失数值较小,损失差异评估值的数值例如为较小的正值。说明第一深度学习模型和第二深度学习模型对该初始样本均预测准确(学会该初始样本),第二深度学习模型可以不学习该初始样本。
(3)第一损失数值较大、第二损失数值较小,损失差异评估值的数值例如为负值。说明第一深度学习模型对该初始样本预测不准确。由于第一深度学习模型是由高置信度样本集得到的,高置信度样本集以及第二深度学习模型均用于目标任务,且第一深度学习模型的预测置信度高于第二深度学习模型的预测置信度,所以第一深度学习模型对初始样本的预测结果不准确表明该初始样本为例如噪声样本等异常样本(异常样本在第一深度学习模型的分布之外),第二深度学习模型可以不学习该初始样本。
由此,根据本公开实施例的样本生成方法,可以对初始样本基于样本价值进行筛选,得到对于第二深度学习模型的参数优化、模型训练更重要的目标样本。另外,在筛选过程中,也可以降低样本数量,在后续模型训练的过程中,可以提高模型训练速度,由此,可以兼顾提高模型参数优化效率以及模型训练速度。
示例性地,根据本公开另一实施例的样本生成方法,初始样本包括多个。例如可以利用以下实施例实现根据损失差异评估值对初始样本进行筛选,以生成目标样本的具体示例:对多个初始样本对应的损失差异评估值进行排序,得到损失差异评估值序列。根据目标样本筛选阈值从损失差异评估值序列中筛选得到目标样本。
以N个初始样本以及将第二损失数值与第一损失数值作差,得到损失差异评估值为例进行说明,第二深度学习模型对初始样本预测不准确的困难样本将排序在前,第一深度学习模型和第二深度学习模型对初始样本均预测准确的简单样本排序次之,第一深度学习模型对初始样本预测不准确的异常样本排序最后,得到损失差异评估值序列。
示例性地,例如可以将损失差异评估值序列中排序前K作为目标样本筛选阈值。N为大于1的正整数,K为小于N的正整数。
示例性地,例如可以将K取值为与N/2接近的正整数。
根据本公开实施例的样本生成方法,通过对多个初始样本对应的损失差异评估值进行排序,得到的损失差异评估值序列可以体现样本价值的排序序列。由此,可以根据目标样本筛选阈值从损失差异评估值序列中准确、高效地筛选得到目标样本。
本公开实施例提供了一种深度学习模型训练方法,下面结合图1的系统架构,参考图3~图4来描述根据本公开示例性实施方式的深度学习模型训练方法。本公开实施例的深度学习模型训练方法例如可以由图1所示的服务器102来执行。
图3示意性示出了根据本公开一实施例的深度学习模型训练方法的流程图。
如图3所示,本公开实施例的深度学习模型训练方法300例如可以包括操作S310~操作S370。
在操作S310,获取初始样本。
在操作S320,获取第一深度学习模型和第二深度学习模型。
第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务。
在操作S330,通过第一深度学习模型和第二深度学习模型分别对初始样本进行前向传播,得到针对第一深度学习模型的初始样本第一预测结果以及针对第二深度学习模型的初始样本第二预测结果。
第一深度学习模型的预测结果置信度高于第二深度学习模型的预测结果置信度。由此,初始样本第一预测结果的置信度高于初始样本第二预测结果的置信度。
在操作S340,根据初始样本第一预测结果、初始样本第二预测结果,确定第一损失数值和第二损失数值。
在操作S350,根据第一损失数值和第二损失数值,确定损失差异评估值。
在操作S360,根据损失差异评估值对初始样本进行筛选,以生成目标样本。
在操作S370,根据目标样本对第二深度学习模型进行后向传播,得到目标第二深度学习模型。
根据本公开实施例的深度学习模型训练方法,通过获取初始样本、获取第一深度学习模型和第二深度学习模型,以及通过第一深度学习模型和第二深度学习模型分别对初始样本进行前向传播,得到针对第一深度学习模型的初始样本第一预测结果以及针对第二深度学习模型的初始样本第二预测结果,可以将初始样本在第二深度学习模型执行模型训练的前向传播阶段(前向传播阶段可以获得第二损失数值),同步获得第一深度学习模型对初始样本的第一损失数值,以及根据初始样本第一预测结果、初始样本第二预测结果,确定第一损失数值和第二损失数值。还通过根据第一损失数值和第二损失数值,确定损失差异评估值以及根据损失差异评估值可以对初始样本进行筛选,以生成目标样本。目标样本是对第二深度学习模型的模型参数优化更重要的样本,因此根据目标样本对第二深度学习模型进行后向传播,得到的目标第二深度学习模型的性能更优。另外,初始样本为多个的情况下,通过筛选得到的目标样本的数量更少,利用目标样本对第二深度学习模型进行后向传播的训练速度更快,适应于例如大规模的第二深度学习模型,可以提高大规模的第二深度学习模型的训练效率。
根据本公开实施例的深度学习模型训练方法,可以在确保第二深度学习模型的性能不损的情况下,例如初始样本可以是任意一个训练批次(batch)的一个训练样本,通过上述操作,在第二深度学习模型的训练过程中,可以基于初始样本的样本价值进行样本价值排序并从中筛选出部分目标样本进行后向传播(梯度回传),可以实现对错误标注、噪声样本等异常样本以及简单样本、困难样本的处理,使得经过训练得到的目标第二深度学习模型兼顾模型训练效率以及模型性能的提高。
相关样本价值的说明与上述样本生成方法的实施例相同,在此不再赘述。
图4示意性示出了根据本公开另一实施例的深度学习模型训练方法的示意图。
如图4所示,根据本公开另一实施例的深度学习模型训练方法400,还包括:获取针对目标任务407的高置信度样本集408。根据高置信度样本集408对目标第二深度学习模型M3进行训练,得到目标深度学习模型M4,目标深度学习模型M4用于执行目标任务407。
示例性地,第二深度学习模型包括预训练深度学习模型。
预训练深度学习模型可以理解为:在一个原始任务上预先训练初始深度学习模型,然后在目标任务上使用该初始深度学习模型,针对目标任务的特性,对该初始深度学习模型进行精调,从而达到目标任务的目的。
示例性地,预训练深度学习模型例如可以包括用于自然语言处理的预训练深度学习模型,例如ERNIE、BERT等。
在图4的示例中,还示意性示出了:获取针对某一个训练批次的其中一个初始样本Si-i。该训练批次包括Si-1至Si-x的共计x个初始样本。还示意性示出了获取第一深度学习模型M1和第二深度学习模型M2。还示意性示出了通过第一深度学习模型M1和第二深度学习模型M2分别对初始样本Si-i进行前向传播,得到针对第一深度学习模型的初始样本第一预测结果401以及针对第二深度学习模型的初始样本第二预测结果402。还示意性示出了根据初始样本第一预测结果401、初始样本第二预测结果402,确定第一损失数值403和第二损失数值404。还示意性示出了根据第一损失数值403和第二损失数值404,确定损失差异评估值405。还示意性示出了根据损失差异评估值405对初始样本进行筛选,以生成目标样本406。以及根据目标样本406对第二深度学习模型M2进行后向传播,得到目标第二深度学习模型M3的具体示例。
本公开实施例提供了一种文本处理方法,下面结合图1的系统架构,参考图5来描述根据本公开示例性实施方式的文本处理方法。本公开实施例的文本处理方法例如可以由图1所示的服务器103来执行。
图5示意性示出了根据本公开一实施例的文本处理方法的流程图。
如图5所示,本公开实施例的文本处理方法500例如可以包括操作S510~操作S530。
在操作S510,获取输入文本。
在操作S520,获取目标深度学习模型。
目标深度学习模型是根据目标第二深度学习模型得到的,目标深度学习模型用于执行目标任务,目标任务包括文本处理。
在操作S530,通过目标深度学习模型对输入文本进行处理,得到文本处理结果。
目标第二深度学习模型是根据以下操作得到的:获取初始样本;获取第一深度学习模型和第二深度学习模型,其中,第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务;通过第一深度学习模型和第二深度学习模型分别对初始样本进行前向传播,得到针对第一深度学习模型的初始样本第一预测结果以及针对第二深度学习模型的初始样本第二预测结果,其中,初始样本第一预测结果的置信度高于初始样本第二预测结果的置信度;根据初始样本第一预测结果、初始样本第二预测结果,确定第一损失数值和第二损失数值;根据第一损失数值和第二损失数值,确定损失差异评估值;根据损失差异评估值对初始样本进行筛选,以生成目标样本;根据目标样本对第二深度学习模型进行后向传播,得到目标第二深度学习模型。
根据本公开实施例的文本处理方法,通过目标深度学习模型对输入文本进行处理,由于目标深度学习模型是根据针对目标任务的高置信度样本集对目标第二深度学习模型训练得到的,目标第二深度学习模型的准确性以及性能更优,因此,目标深度学习模型对输入文本继续处理得到的文本处理结果也更准确。目标第二深度学习模型的准确性以及性能更优的原理和技术效果与上述深度学习模型训练方法类似,在此不再赘述。
图6示意性示出了根据本公开一实施例的样本生成装置的框图。
如图6所示,根据本公开实施例的样本生成装置600例如包括:初始样本获取模块610、损失数值确定模块620、损失差异评估值确定模块630以及目标样本生成模块640。
初始样本获取模块610,用于获取初始样本。
损失数值确定模块620,用于确定初始样本针对第一深度学习模型的第一损失数值以及针对第二深度学习模型的第二损失数值,其中,第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,第一深度学习模型的预测结果置信度高于第二深度学习模型的预测结果置信度;高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务。
损失差异评估值确定模块630,用于根据第一损失数值和第二损失数值,确定损失差异评估值。
目标样本生成模块640,用于根据损失差异评估值对初始样本进行筛选,以生成目标样本,其中,目标样本用于训练第二深度学习模型。
示例性地,初始样本包括多个;目标样本生成模块包括:排序子模块,用于对多个初始样本对应的损失差异评估值进行排序,得到损失差异评估值序列;目标样本生成子模块,用于根据目标样本筛选阈值从损失差异评估值序列中筛选得到目标样本。
图7示意性示出了根据本公开一实施例的深度学习模型训练装置的框图。
如图7所示,本公开实施例的深度学习模型训练装置700例如包括初始样本获取模块710、模型获取模块720、前向传播模块730、损失数值确定模块740、损失差异评估值确定模块750、目标样本生成模块760以及后向传播模块770。
初始样本获取模块710,用于获取初始样本。
模型获取模块720,用于获取第一深度学习模型和第二深度学习模型,其中,第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务。
前向传播模块730,用于通过第一深度学习模型和第二深度学习模型分别对初始样本进行前向传播,得到针对第一深度学习模型的初始样本第一预测结果以及针对第二深度学习模型的初始样本第二预测结果,其中,初始样本第一预测结果的置信度高于初始样本第二预测结果的置信度。
损失数值确定模块740,用于根据初始样本第一预测结果、初始样本第二预测结果,确定第一损失数值和第二损失数值。
损失差异评估值确定模块750,用于根据第一损失数值和第二损失数值,确定损失差异评估值。
目标样本生成模块760,用于根据损失差异评估值对初始样本进行筛选,以生成目标样本。
后向传播模块770,用于根据目标样本对第二深度学习模型进行后向传播,得到目标第二深度学习模型。
示例性地,根据本公开又一实施例的深度学习模型训练装置还包括:高置信度样本集获取模块,用于获取针对目标任务的高置信度样本集;目标深度学习模型确定模块,用于根据高置信度样本集对目标第二深度学习模型进行训练,得到目标深度学习模型,目标深度学习模型用于执行目标任务。
示例性地,第二深度学习模型包括预训练深度学习模型。
图8示意性示出了根据本公开一实施例的文本处理装置的框图。
如图8所示,本公开实施例的文本处理装置800例如包括:输入文本获取模块810、目标深度学习模型获取模块820以及文本处理模块830。
输入文本获取模块810,用于获取输入文本。
目标深度学习模型获取模块820,用于获取目标深度学习模型,其中,目标深度学习模型是根据目标第二深度学习模型得到的,目标深度学习模型用于执行目标任务,目标任务包括文本处理。
文本处理模块830,用于通过目标深度学习模型对输入文本进行处理,得到文本处理结果。
目标第二深度学习模型是根据以下模块得到的:初始样本获取模块,用于获取初始样本;模型获取模块,用于获取第一深度学习模型和第二深度学习模型,其中,第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,高置信度样本集还用于基于第二深度学习模型训练得到目标深度学习模型,目标深度学习模型用于执行目标任务;前向传播模块,用于通过第一深度学习模型和第二深度学习模型分别对初始样本进行前向传播,得到针对第一深度学习模型的初始样本第一预测结果以及针对第二深度学习模型的初始样本第二预测结果,其中,初始样本第一预测结果的置信度高于初始样本第二预测结果的置信度;损失数值确定模块,用于根据初始样本第一预测结果、初始样本第二预测结果,确定第一损失数值和第二损失数值;损失差异评估值确定模块,用于根据第一损失数值和第二损失数值,确定损失差异评估值;目标样本生成模块,用于根据损失差异评估值对初始样本进行筛选,以生成目标样本;后向传播模块,用于根据目标样本对第二深度学习模型进行后向传播,得到目标第二深度学习模型。
应该理解,本公开装置部分的实施例与本公开方法部分的实施例对应相同或类似,所解决的技术问题和所达到的技术效果也对应相同或类似,本公开在此不再赘述。
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9示出了可以用来实施本公开的实施例的示例电子设备900的示意性框图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图8所示,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RAM 903中,还可存储设备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。
设备900中的多个部件连接至I/O接口905,包括:输入单元906,例如键盘、鼠标等;输出单元907,例如各种类别的显示器、扬声器等;存储单元908,例如磁盘、光盘等;以及通信单元909,例如网卡、调制解调器、无线通信收发机等。通信单元909允许设备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。
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,例如文本处理方法、深度学习模型训练方法、样本生成方法。例如,在一些实施例中,文本处理方法、深度学习模型训练方法、样本生成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/或安装到设备900上。当计算机程序加载到RAM903并由计算单元901执行时,可以执行上文描述的文本处理方法、深度学习模型训练方法、样本生成方法的一个或多个步骤。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)而被配置为执行文本处理方法、深度学习模型训练方法、样本生成方法。
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。
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)
1.一种文本处理方法,包括:
获取输入文本;
获取目标深度学习模型,其中,所述目标深度学习模型是根据目标第二深度学习模型得到的,所述目标深度学习模型用于执行目标任务,所述目标任务包括文本处理;
通过所述目标深度学习模型对所述输入文本进行处理,得到文本处理结果,
其中,所述目标第二深度学习模型是根据以下操作得到的:
获取初始样本;
获取第一深度学习模型和第二深度学习模型,其中,所述第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,所述高置信度样本集还用于基于所述第二深度学习模型训练得到目标深度学习模型,所述目标深度学习模型用于执行所述目标任务;
通过所述第一深度学习模型和所述第二深度学习模型分别对所述初始样本进行前向传播,得到针对所述第一深度学习模型的初始样本第一预测结果以及针对所述第二深度学习模型的初始样本第二预测结果,其中,所述初始样本第一预测结果的置信度高于所述初始样本第二预测结果的置信度;
根据所述初始样本第一预测结果、所述初始样本第二预测结果,确定第一损失数值和第二损失数值;
根据所述第一损失数值和所述第二损失数值,确定损失差异评估值;
根据所述损失差异评估值对所述初始样本进行筛选,以生成目标样本;
根据所述目标样本对所述第二深度学习模型进行后向传播,得到目标第二深度学习模型。
2.一种深度学习模型训练方法,包括:
获取初始样本;
获取第一深度学习模型和第二深度学习模型,其中,所述第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,所述高置信度样本集还用于基于所述第二深度学习模型训练得到目标深度学习模型,所述目标深度学习模型用于执行所述目标任务;
通过所述第一深度学习模型和所述第二深度学习模型分别对所述初始样本进行前向传播,得到针对所述第一深度学习模型的初始样本第一预测结果以及针对所述第二深度学习模型的初始样本第二预测结果,其中,所述初始样本第一预测结果的置信度高于所述初始样本第二预测结果的置信度;
根据所述初始样本第一预测结果、所述初始样本第二预测结果,确定第一损失数值和第二损失数值;
根据所述第一损失数值和所述第二损失数值,确定损失差异评估值;
根据所述损失差异评估值对所述初始样本进行筛选,以生成目标样本;
根据所述目标样本对所述第二深度学习模型进行后向传播,得到目标第二深度学习模型。
3.根据权利要求2所述的方法,还包括:
获取针对目标任务的所述高置信度样本集;
根据所述高置信度样本集对所述目标第二深度学习模型进行训练,得到目标深度学习模型,所述目标深度学习模型用于执行目标任务。
4.根据权利要求2所述的方法,其中,所述第二深度学习模型包括预训练深度学习模型。
5.一种样本生成方法,包括:
获取初始样本;
确定所述初始样本针对第一深度学习模型的第一损失数值以及针对第二深度学习模型的第二损失数值,其中,所述第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,所述第一深度学习模型的预测结果置信度高于所述第二深度学习模型的预测结果置信度;所述高置信度样本集还用于基于所述第二深度学习模型训练得到目标深度学习模型,所述目标深度学习模型用于执行所述目标任务;
根据所述第一损失数值和所述第二损失数值,确定损失差异评估值;
根据所述损失差异评估值对所述初始样本进行筛选,以生成目标样本,其中,所述目标样本用于训练所述第二深度学习模型。
6.根据权利要求5所述的方法,其中,所述初始样本包括多个;所述根据所述损失差异评估值对所述初始样本进行筛选,以生成目标样本包括:
对所述多个初始样本对应的所述损失差异评估值进行排序,得到损失差异评估值序列;
根据目标样本筛选阈值从所述损失差异评估值序列中筛选得到所述目标样本。
7.一种文本处理装置,包括:
输入文本获取模块,用于获取输入文本;
目标深度学习模型获取模块,用于获取目标深度学习模型,其中,所述目标深度学习模型是根据目标第二深度学习模型得到的,所述目标深度学习模型用于执行目标任务,所述目标任务包括文本处理;
文本处理模块,用于通过所述目标深度学习模型对所述输入文本进行处理,得到文本处理结果,
其中,所述目标第二深度学习模型是根据以下模块得到的:
初始样本获取模块,用于获取初始样本;
模型获取模块,用于获取第一深度学习模型和第二深度学习模型,其中,所述第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,所述高置信度样本集还用于基于所述第二深度学习模型训练得到目标深度学习模型,所述目标深度学习模型用于执行所述目标任务;
前向传播模块,用于通过所述第一深度学习模型和所述第二深度学习模型分别对所述初始样本进行前向传播,得到针对所述第一深度学习模型的初始样本第一预测结果以及针对所述第二深度学习模型的初始样本第二预测结果,其中,所述初始样本第一预测结果的置信度高于所述初始样本第二预测结果的置信度;
损失数值确定模块,用于根据所述初始样本第一预测结果、所述初始样本第二预测结果,确定第一损失数值和第二损失数值;
损失差异评估值确定模块,用于根据所述第一损失数值和所述第二损失数值,确定损失差异评估值;
目标样本生成模块,用于根据所述损失差异评估值对所述初始样本进行筛选,以生成目标样本;
后向传播模块,用于根据所述目标样本对所述第二深度学习模型进行后向传播,得到目标第二深度学习模型。
8.一种深度学习模型训练装置,包括:
初始样本获取模块,用于获取初始样本;
模型获取模块,用于获取第一深度学习模型和第二深度学习模型,其中,所述第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,所述高置信度样本集还用于基于所述第二深度学习模型训练得到目标深度学习模型,所述目标深度学习模型用于执行所述目标任务;
前向传播模块,用于通过所述第-深度学习模型和所述第二深度学习模型分别对所述初始样本进行前向传播,得到针对所述第一深度学习模型的初始样本第一预测结果以及针对所述第二深度学习模型的初始样本第二预测结果,其中,所述初始样本第一预测结果的置信度高于所述初始样本第二预测结果的置信度;
损失数值确定模块,用于根据所述初始样本第一预测结果、所述初始样本第二预测结果,确定第一损失数值和第二损失数值;
损失差异评估值确定模块,用于根据所述第一损失数值和所述第二损失数值,确定损失差异评估值;
目标样本生成模块,用于根据所述损失差异评估值对所述初始样本进行筛选,以生成目标样本;
后向传播模块,用于根据所述目标样本对所述第二深度学习模型进行后向传播,得到目标第二深度学习模型。
9.根据权利要求8所述的装置,还包括:
高置信度样本集获取模块,用于获取针对目标任务的所述高置信度样本集;
目标深度学习模型确定模块,用于根据所述高置信度样本集对所述目标第二深度学习模型进行训练,得到目标深度学习模型,所述目标深度学习模型用于执行目标任务。
10.根据权利要求8所述的装置,其中,所述第二深度学习模型包括预训练深度学习模型。
11.一种样本生成装置,包括:
初始样本获取模块,用于获取初始样本;
损失数值确定模块,用于确定所述初始样本针对第一深度学习模型的第一损失数值以及针对第二深度学习模型的第二损失数值,其中,所述第一深度学习模型是利用针对目标任务的高置信度样本集训练得到的,所述第一深度学习模型的预测结果置信度高于所述第二深度学习模型的预测结果置信度;所述高置信度样本集还用于基于所述第二深度学习模型训练得到目标深度学习模型,所述目标深度学习模型用于执行所述目标任务;
损失差异评估值确定模块,用于根据所述第一损失数值和所述第二损失数值,确定损失差异评估值;
目标样本生成模块,用于根据所述损失差异评估值对所述初始样本进行筛选,以生成目标样本,其中,所述目标样本用于训练所述第二深度学习模型。
12.根据权利要求11所述的装置,其中,所述初始样本包括多个;所述目标样本生成模块包括:
排序子模块,用于对所述多个初始样本对应的所述损失差异评估值进行排序,得到损失差异评估值序列;
目标样本生成子模块,用于根据目标样本筛选阈值从所述损失差异评估值序列中筛选得到所述目标样本。
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或者2-4或者5-6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或者2-4或者5-6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,所述计算机程序存储于可读存储介质和电子设备其中至少之一上,所述计算机程序在被处理器执行时实现根据权利要求1或者2-4或者5-6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005798.8A CN115878783B (zh) | 2023-01-03 | 2023-01-03 | 文本处理方法、深度学习模型训练方法以及样本生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310005798.8A CN115878783B (zh) | 2023-01-03 | 2023-01-03 | 文本处理方法、深度学习模型训练方法以及样本生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115878783A true CN115878783A (zh) | 2023-03-31 |
CN115878783B CN115878783B (zh) | 2023-11-03 |
Family
ID=85758012
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310005798.8A Active CN115878783B (zh) | 2023-01-03 | 2023-01-03 | 文本处理方法、深度学习模型训练方法以及样本生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115878783B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821823A (zh) * | 2022-04-12 | 2022-07-29 | 马上消费金融股份有限公司 | 图像处理、人脸防伪模型的训练及活体检测方法和装置 |
CN115082920A (zh) * | 2022-08-16 | 2022-09-20 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、图像处理方法和装置 |
US20220398834A1 (en) * | 2022-08-17 | 2022-12-15 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for transfer learning |
-
2023
- 2023-01-03 CN CN202310005798.8A patent/CN115878783B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114821823A (zh) * | 2022-04-12 | 2022-07-29 | 马上消费金融股份有限公司 | 图像处理、人脸防伪模型的训练及活体检测方法和装置 |
CN115082920A (zh) * | 2022-08-16 | 2022-09-20 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、图像处理方法和装置 |
US20220398834A1 (en) * | 2022-08-17 | 2022-12-15 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method and apparatus for transfer learning |
Also Published As
Publication number | Publication date |
---|---|
CN115878783B (zh) | 2023-11-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852421B (zh) | 模型生成方法和装置 | |
CN111145076B (zh) | 数据并行化处理方法、系统、设备及存储介质 | |
CN114329201A (zh) | 深度学习模型的训练方法、内容推荐方法和装置 | |
CN111311321A (zh) | 用户消费行为预测模型训练方法、装置、设备及存储介质 | |
CN111353601A (zh) | 用于预测模型结构的延时的方法和装置 | |
CN114118287A (zh) | 样本生成方法、装置、电子设备以及存储介质 | |
CN114818913A (zh) | 决策生成方法和装置 | |
CN117032938B (zh) | 一种算子的并行调度方法、装置、电子设备及存储介质 | |
CN113204614A (zh) | 模型训练方法、优化训练数据集的方法及其装置 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN115081630A (zh) | 多任务模型的训练方法、信息推荐方法、装置和设备 | |
CN116230001A (zh) | 一种混合语音分离方法、装置、设备及存储介质 | |
US20230206084A1 (en) | Method, device, and program product for managing knowledge graphs | |
CN115878783B (zh) | 文本处理方法、深度学习模型训练方法以及样本生成方法 | |
CN115454261A (zh) | 输入法候选词生成方法、装置、电子设备及可读存储介质 | |
CN115392441A (zh) | 量化神经网络模型的片内适配方法、装置、设备及介质 | |
CN114998649A (zh) | 图像分类模型的训练方法、图像分类方法及装置 | |
CN114037060A (zh) | 预训练模型的生成方法、装置、电子设备以及存储介质 | |
CN113869042A (zh) | 文本标题生成方法、装置、电子设备以及存储介质 | |
CN113361574A (zh) | 数据处理模型的训练方法、装置、电子设备及存储介质 | |
CN113361712B (zh) | 特征确定模型的训练方法、语义分析方法、装置及电子设备 | |
CN116933896B (zh) | 一种超参数确定及语义转换方法、装置、设备及介质 | |
CN116992150A (zh) | 一种研发组件推荐方法、装置、设备及存储介质 | |
CN117707899A (zh) | 一种微服务异常检测方法、装置、设备及存储介质 | |
CN116881857A (zh) | 一种产品推荐方法、装置、设备及介质 |
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 |