CN116151215B - 文本处理方法、深度学习模型训练方法、装置以及设备 - Google Patents
文本处理方法、深度学习模型训练方法、装置以及设备 Download PDFInfo
- Publication number
- CN116151215B CN116151215B CN202211705167.9A CN202211705167A CN116151215B CN 116151215 B CN116151215 B CN 116151215B CN 202211705167 A CN202211705167 A CN 202211705167A CN 116151215 B CN116151215 B CN 116151215B
- Authority
- CN
- China
- Prior art keywords
- target
- training
- deep learning
- learning model
- network layer
- 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.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 436
- 238000013136 deep learning model Methods 0.000 title claims abstract description 226
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000003672 processing method Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 31
- 238000003058 natural language processing Methods 0.000 claims abstract description 21
- 230000000873 masking effect Effects 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 26
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 8
- 238000013135 deep learning Methods 0.000 abstract description 2
- 238000004590 computer program Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process 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
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013138 pruning Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 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
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- 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、装置、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、深度学习、自然语言处理等领域。具体实现方案为:获取输入文本;获取目标深度学习模型;通过目标深度学习模型处理输入文本,得到目标文本信息。
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、深度学习、自然语言处理等技术领域,具体涉及一种文本处理方法、深度学习模型训练方法、文本处理装置、深度学习模型训练装置、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、文本处理装置、深度学习模型训练装置、设备、存储介质以及程序产品。
根据本公开的一方面,提供了一种深度学习模型训练方法,包括:针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与训练批次关联的初始训练样本集,确定目标训练样本集,其中,目标训练样本集的目标训练样本的数量小于初始训练样本集的初始训练样本的数量;将目标训练样本集的目标训练样本输入目标网络层,得到目标网络层输出数据;根据目标损失函数和目标网络层输出数据,确定当前训练批次的训练反馈数值,训练反馈数值用于调整目标网络层的网络参数;以及在全量的训练批次对初始深度学习模型训练完成的情况下,根据每一个目标网络层的当前网络参数,确定目标深度学习模型,其中,初始深度学习模型包括自然语言处理预训练深度学习模型。
根据本公开的另一方面,提供了一种文本处理方法,包括:获取输入文本;获取目标深度学习模型;通过目标深度学习模型处理输入文本,得到目标文本信息其中,目标深度学习模型是根据上述以下操作得到的:针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与训练批次关联的初始训练样本集,确定目标训练样本集,其中,目标训练样本集的目标训练样本的数量小于初始训练样本集的初始训练样本的数量;将目标训练样本集的目标训练样本输入目标网络层,得到目标网络层输出数据;根据目标损失函数和目标网络层输出数据,确定当前训练批次的训练反馈数值,训练反馈数值用于调整目标网络层的网络参数;以及在全量的训练批次对初始深度学习模型训练完成的情况下,根据每一个目标网络层的当前网络参数,确定目标深度学习模型,其中,初始深度学习模型包括自然语言处理预训练深度学习模型。
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:目标训练样本集确定模块,用于针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与训练批次关联的初始训练样本集,确定目标训练样本集,其中,目标训练样本集的目标训练样本的数量小于初始训练样本集的初始训练样本的数量;目标网络层输出数据确定模块,用于将目标训练样本集的目标训练样本输入目标网络层,得到目标网络层输出数据;训练反馈数值确定模块,用于根据目标损失函数和目标网络层输出数据,确定当前训练批次的训练反馈数值,训练反馈数值用于调整目标网络层的网络参数;以及目标深度学习模型确定模块,用于在全量的训练批次对初始深度学习模型训练完成的情况下,根据每一个目标网络层的当前网络参数,确定目标深度学习模型,其中,初始深度学习模型包括自然语言处理预训练深度学习模型。
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;目标文本信息确定模块,用于通过目标深度学习模型处理输入文本,得到目标文本信息;其中,目标深度学习模型是根据以下模块得到的:目标训练样本集确定模块,用于针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与训练批次关联的初始训练样本集,确定目标训练样本集,其中,目标训练样本集的目标训练样本的数量小于初始训练样本集的初始训练样本的数量;目标网络层输出数据确定模块,用于将目标训练样本集的目标训练样本输入目标网络层,得到目标网络层输出数据;训练反馈数值确定模块,用于根据目标损失函数和目标网络层输出数据,确定当前训练批次的训练反馈数值,训练反馈数值用于调整目标网络层的网络参数;目标深度学习模型确定模块,用于在全量的训练批次对初始深度学习模型训练完成的情况下,根据每一个目标网络层的当前网络参数,确定目标深度学习模型,其中,初始深度学习模型包括自然语言处理预训练深度学习模型。
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深度学习模型训练方法、文本处理方法和装置的系统架构图;
图2示意性示出了根据本公开实施例的深度学习模型训练方法的流程图;
图3A示意性示出了全量的网络层的数量等于目标网络层的数量的具体示例;
图3B示意性示出了全量的网络层的数量大于目标网络层的数量的具体示例;
图3C示意性示出了针对任意一个目标网络层的datadropout-i的具体示例;
图4示意性示出了根据本公开实施例的文本处理方法的流程图;
图5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6示意性示出了根据本公开实施例的文本处理装置的框图;
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方法、文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”等表明了所述特征、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,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,例如可以利用用于文本处理的深度学习模型进行文本处理。
深度学习模型作为人工智能技术的一个重要分支,深度学习模型的规模呈现快速增长的趋势,大规模的深度学习模型的训练成本也非常高,这使得深度学习模型的训练效率较低,由此,用于文本处理的深度学习模型的性能也较低。
例如,以自然语言处理的应用场景为例进行说明,例如基于transformer架构的预训练深度学习模型,从1亿/3亿级规模的bert、Roberta、Ernie等模型到百亿/千亿级规模的悟道、源、gpt-3、Ernie 3.0等模型,不断刷新着各项下游任务的效果。
仍以上述预训练深度学习模型为例,一些实施方式中,将根据处理后的训练样本(即数据)分批次输入至初始的深度学习模型中,前向经过模型整体网络输出loss,然后基于计算得到的梯度反向优化模型参数。当深度学习模型规模较小时,训练成本尚能接受,但随着模型规模的不断扩大(目前已至万亿级别),训练所需的时间和资源成本指数级增长。此外,针对例如transformer类预训练深度学习模型的结构分析表明,该类深度学习模型存在结构冗余,且模型规模越大,冗余现象越明显。因此,在当前主流的训练范式下,大量的时间和资源都用于优化深度学习模型的冗余结构,这造成了深度学习模型训练效率低下,并产生了大量的资源浪费,导致例如用于文本处理的深度学习模型的性能也较低。
图1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、文本处理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:用于获取初始训练样本集的终端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可以用于获得用于深度学习模型的初始训练样本集。终端102可以根据终端101获得的初始训练样本集执行对应的深度学习模型训练方法以实现初始深度学习模型的模型训练。终端103可以基于终端102获得的训练后的目标深度学习模型对输入文本进行处理,得到目标文本信息。
需要说明的是,文本处理和深度学习模型的训练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。
以下将按照先说明深度学习模型训练方法,再说明文本处理方法的顺序对本公开实施例的文本处理方法、深度学习模型训练方法进行说明。
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2~图3C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2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2所示,本公开实施例的深度学习模型训练方法200例如可以包括操作S210~操作S240。
在操作S210,针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与训练批次关联的初始训练样本集,确定目标训练样本集。
目标训练样本集的目标训练样本的数量小于初始训练样本集的初始训练样本的数量。
示例性地,例如可以将预先确定的全量的训练样本划分为多个训练批次,每一个训练批次包括多个训练样本(每一个训练批次即为一个batch),多个训练批次即为全量的训练批次。每一个训练批次对应一次模型参数的迭代。
需要说明的是,初始训练样本集与训练批次关联,例如针对任意一个目标网络层,具有与该目标网络层关联的初始训练样本集,每一个目标网络层的初始样本集都是相同的,例如可以是该训练批次(batch),例如,batch包括S1-SX的共计X个样本,每一个目标网络层的初始训练样本集的初始训练样本都是S1-SX。对于每一个目标网络层,目标表训练样本集可以是不同的,例如,针对目标网络层L1,目标训练样本集可以是S1-SX-1的共计(X-1)个目标训练样本。针对目标网络层L2,目标训练样本集可以是S2-SX-1的共计(X-2)个目标训练样本。
初始深度学习模型具有初始的模型参数,模型参数例如包括初始深度学习模型的每一个目标网络层的权重和偏置量。
在操作S220,将目标训练样本集的目标训练样本输入目标网络层,得到目标网络层输出数据。
在操作S230,根据目标损失函数和目标网络层输出数据,确定当前训练批次的训练反馈数值。
训练反馈数值用于调整目标网络层的网络参数。
目标损失函数例如可以预先确定。
在操作S240,在全量的训练批次对初始深度学习模型训练完成的情况下,根据每一个目标网络层的当前网络参数,确定目标深度学习模型。
初始深度学习模型包括自然语言处理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一个第一深度学习模型,然后在目标任务上使用该第一深度学习模型,针对目标任务的特性,对该第一深度学习模型进行精调,从而达到提高目标任务的目的,这里的预先训练的第一深度学习模型即为预训练深度学习模型。
示例性地,自然语言处理预训练深度学习模型作为初始深度学习模型,目标网络层例如可以包括transformer网络层。
在全量的训练批次对初始深度学习模型训练完成的情况下,目标深度学习模型的每一个目标网络层具有当前网络参数,由此可以确定目标深度学习模型。
根据本公开实施例的深度学习模型训练方法,针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与训练批次关联的初始训练样本集,确定的目标训练样本集用于输入目标网络层,由于目标训练样本集的目标训练样本的数量小于初始训练样本集的初始训练样本的数量,所以针对任意一个训练批次和任意一个目标网络层,相当于对初始训练样本进行丢弃,以下将称针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与训练批次关联的初始训练样本集,确定目标训练样本集的操作为datadropout。
根据本公开实施例的深度学习模型训练方法,在保持深度学习模型训练的batchsize与常规训练方式(常规训练方式是输入并处理batch的每一个数据)一致的情况下,可以使得初始深度学习模型的每一个目标网络层建模的数据(建模的数据可以理解为用于输入目标网络层的数据,即目标训练样本集的目标训练样本)仅为原始输入数据(原始输入数据即为初始训练样本集的初始训练样本)的一部分,初始深度学习模型的每一个目标网络层的计算耗时均被缩减。
另外,根据本公开实施例的深度学习模型训练方法,当目标网络层的数量足够大的时候,可以保证每一个与训练批次关联的初始训练样本集的每一个初始训练样本至少被其中的一个目标网络层训练过,在保证模型每次迭代的建模数据量不变的情况下,明显缩减模型的计算耗时,加速模型训练。
再者,在保持初始深度学习模型的每一个目标网络层的实际建模数据(即实际参与训练的目标训练样本集的目标训练样本的数量)与常规训练方式一致的情况下:由于初始深度学习模型的每一个目标网络层的实际建模数据与常规训练方式一致,初始深度学习模型的每一个目标网络层的计算耗时也是一致的,但此时通过datadropout的初始深度学习模型得到整体建模数据量却比常规训练方式更多倍。在同样计算耗时的情况下,初始深度学习模型每次迭代时建模的数据量得到明显提升,可以加速模型训练。
具体地,例如针对每一个目标网络层,从初始训练样本集中丢弃1/n(n大于1)个初始训练样本,得到的目标训练样本集的目标训练样本的数量为初始训练样本的数量的(n-1)/n,根据本公开实施例的深度学习模型训练方法的建模数据量为常规训练方式的建模数据量的n/(n-1)倍。
示例性地,根据本公开另一实施例的深度学习模型训练方法还可以包括:根据初始深度学习模型的全量的网络层,确定目标网络层。
全量的网络层的数量大于或者等于目标网络层的数量。
图3A示意性示出了全量的网络层的数量等于目标网络层的数量的具体示例。
图3B示意性示出了全量的网络层的数量大于目标网络层的数量的具体示例。
例如,在图3A和图3B的示例中,示意性示出了初始深度学习模型Mi的全量的网络层的数量为N的具体示例。在图3B的示例中,至少初始深度学习模型Mi的网络层L3被丢弃。
图3A和图3B示意性示出了任意一个训练批次batch-i和针对每一个目标网络层,根据与训练批次关联的初始训练样本集,确定目标训练样本集的具体示例。
在图3A和图3B的示例中,以datadropout表征针对每一个目标网络层的根据与训练批次关联的初始训练样本集,确定目标训练样本集的这一操作。
图3C示意性示出了针对任意一个目标网络层的datadropout-i的具体示例。
在图3C的示例中,初始训练样本集301包括初始训练样本Si-1至初始训练样本Si-m的共计m个初始训练样本的具体示例,通过datadropout可以得到目标训练样本集302,目标训练样本集302包括目标训练样本Sa-1中目标训练样本Sa-r的共计r个目标训练样本的具体示例,r、m均为正整数,r小于m。
根据本公开实施例的深度学习模型训练方法,在全量的网络层的数量大于目标网络层的数量的情况下,针对每一次训练批次,可以对初始深度学习模型进行结构剪枝。结构剪枝体现在:针对每一次训练批次,可以丢弃初始深度学习模型的一部分网络层,这样可以使训练后的目标深度学习模型的泛化性更强、减少过拟合的情况,从而提高模型的鲁棒性提高深度学习模型训练效率。泛化性更强体现在模型输出结果不会太依赖某些局部的特征。减少过拟合体现在丢弃初始深度学习模型的一部分网络层,导致当前训练批次的初始深度学习模型的结构与初始深度学习模型原始的结构不同,相当于对很多个不同的神经网络取平均,可以达到整体上减少过拟合。
根据本公开实施例的深度学习模型训练方法,在全量的网络层的数量等于目标网络层的数量的情况下,每一次训练迭代,初始深度学习模型的结构均为原始的结构,模型结构会保持不变,可以确保初始深度学习模型的非冗余的网络层不会被丢弃/优化,不会因非冗余的网络层被丢弃而降低深度学习模型的训练效率。
需要说明的是,图3B示意性示出的全量的网络层的数量大于目标网络层的数量的具体示例针对任意一个训练批次,即在某一次训练过程中,可以丢弃一些网络层,但是每一个训练批次丢弃的网络层可能会不同,最终训练完毕的目标深度学习模型的结构仍然是与初始深度学习模型的结构是相同的。
如图3A所示,根据本公开又一实施例的深度学习模型训练方法,目标损失函数与多个目标网络层的输出数据相关。
每一个目标网络层的结构相同。
需要说明的是,每一个目标网络层的结构相同,表征初始深度学习模型的结构是相同的目标网络层堆叠的,因此,每一个目标网络层的输出在数据属性方面是相同的,且每一个目标网络层的输出都可以作为最终的输出。
示例性地,如图3A所示,目标损失函数Loss例如可以与每一个目标网络层的输出数据相关。
另外,与目标损失函数Loss相关的多个目标网络层还可以根据需求设置和调整。除了图3A的示例之外,目标损失函数例如还可以与一部分目标网络层的输出数据相关。
根据本公开实施例的深度学习模型训练方法,通过目标损失函数与多个目标网络层的输出数据相关,可以实现联合训练,并且,由于本公开实施例的深度学习模型训练方法中用于训练初始深度学习模型的每一个目标网络层的数据均不相同,可以让初始深度学习模型的多个目标网络层都通过与目标损失函数loss相关以参与训练,可以让初始深度学习模型训练的更充分。另外,目标损失函数与多个目标网络层的输出数据相关还可以加快模型训练速度,因为在模型结构中位置处于越低的目标网络层的模型参数可以优化更多的loss。
示例性地,根据本公开又一实施例的深度学习模型训练方法,例如可以利用一下实施例实现根据与训练批次关联的初始训练样本集,确定目标训练样本集的具体示例:根据样本屏蔽条件和初始训练样本集的多个初始训练样本,确定满足样本屏蔽条件的屏蔽样本。根据屏蔽样本和初始训练样本集,确定目标训练样本集。
样本屏蔽条件例如可以预先确定。
示例性地,样本屏蔽条件例如可以表征确定屏蔽样本的规则。
示例性地,样本屏蔽条件例如可以包括随机屏蔽初始训练样本集的某一比例的初始训练样本。
例如,可以设置相应的样本屏蔽比例为1/n(n大于1),可以将每一个初始训练样本的被屏蔽的概率设置为相同,例如可以采样得到1/n的初始训练样本作为屏蔽样本。
示例性地,根据屏蔽样本和初始训练样本集,确定目标训练样本集例如可以是丢弃初始训练样本集中的屏蔽样本,将初始训练样本集中的其他初始训练样本确定为目标训练样本集。
根据本公开实施例的深度学习模型训练方法,可以根据样本屏蔽条件规则地从初始训练样本集中确定目标训练样本集。例如,样本屏蔽条件可以灵活设置,从而适应多种、更灵活的应用场景。
示例性地,根据本公开又一实施例的深度学习模型训练方法,例如可以利用以下实施例实现根据初始深度学习模型的全量的网络层,确定目标网络层的具体实施例:根据网络层屏蔽条件和初始深度学习模型的全量的网络层,确定满足网络层屏蔽条件的屏蔽网络层。根据屏蔽网络层和初始深度学习模型的全量的网络层,确定目标网络层。
网络层屏蔽条件例如也可以预先确定。
示例性地,网络层屏蔽条件例如可以表征确定屏蔽网络层的规则。
示例性地,网络层屏蔽条件例如可以包括随机屏蔽全量的网络层的某一比例的网络层。
例如,可以设置网络层屏蔽比例为1/p(p大于1),可以将每一个网络层的被屏蔽的概率设置为相同,例如可以采样得到1/p的网络层作为屏蔽网络层。
示例性地,根据屏蔽网络层和初始深度学习模型的全量的网络层,确定目标网络层例如可以是丢弃初始深度学习模型的全量的网络层中的屏蔽网络层,将初始深度学习模型的全量的网络层中的其他网络层确定为目标网络层。
根据本公开实施例的深度学习模型训练方法,可以根据网络层屏蔽条件规则地从初始深度学习模型的全量的网络层中确定目标网络层。例如,网络层屏蔽条件可以灵活设置,从而适应多种、更灵活的应用场景。
示例性地,根据本公开又一实施例的深度学习模型训练方法,样本屏蔽条件表征初始训练样本的屏蔽概率小于样本屏蔽概率阈值。网络层屏蔽条件表征网络层的屏蔽概率小于网络层屏蔽概率阈值;初始训练样本的屏蔽概率以及网络层的屏蔽概率中的至少一个与保留概率阈值、初始深度学习模型的训练总步长以及全量的网络层的数量相关。
样本频率概率阈值例如可以预先设定。
示例性地,初始训练样本的屏蔽概率或者网络层的屏蔽概率例如可以利用以下公式(1)表征。
其中,表征保留概率阈值,保留概率阈值可以自定义,T表征初始深度学习模型的训练总步长(训练总步长即为全量的训练批次的数量),L表征模型层数、t表征模型当前训练步数(当前训练批次的排序数值),i表征当前目标网络层。
示例性地,通过上述公式(1)例如可以得到针对任意一个初始训练样本集的每一个初始训练样本的样本屏蔽概率,每一个初始训练样本的样本屏蔽概率是相同的,例如可以随机采样确定屏蔽样本,或者可以根据某一样本屏蔽概率确定屏蔽样本。
本公开实施例还提供一种文本处理方法。根据本公开实施例的文本处理方法可以由图1的服务器103执行。
如图4所示,根据本公开实施例的文本处理方法可以包括操作S410~操作S430。
在操作S410,获取输入文本。
在操作S420,获取目标深度学习模型。
在操作S430,通过目标深度学习模型处理输入文本,得到目标文本信息。
目标深度学习模型是根据以下操作得到的:针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与训练批次关联的初始训练样本集,确定目标训练样本集,其中,目标训练样本集的目标训练样本的数量小于初始训练样本集的初始训练样本的数量;将目标训练样本集的目标训练样本输入目标网络层,得到目标网络层输出数据;根据目标损失函数和目标网络层输出数据,确定当前训练批次的训练反馈数值,训练反馈数值用于调整目标网络层的网络参数;以及在全量的训练批次对初始深度学习模型训练完成的情况下,根据每一个目标网络层的当前网络参数,确定目标深度学习模型,其中,初始深度学习模型包括自然语言处理预训练深度学习模型。
根据本公开实施例的文本处理方法,目标深度学习模型是根据上述深度学习模型训练方法训练完毕的自然语言处理预训练深度学习模型,由于上述实施例的训练完毕的自然语言处理预训练深度学习模型的训练速度、训练效率更高,可以解决过拟合等问题,因此通过目标深度学习模型处理输入文本,得到目标文本信息具有更高的预测准确性和预测效率。
上述实施例的训练完毕的自然语言处理预训练深度学习模型的训练速度、训练效率更高的原理如上述实施例所述,在此不再赘述。
图5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5所示,本公开实施例的深度学习模型训练装置500例如包括目标训练样本集确定模块510、目标网络层输出数据确定模块520、训练反馈数值确定模块530以及目标深度学习模型确定模块540。
目标训练样本集确定模块510,用于针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与训练批次关联的初始训练样本集,确定目标训练样本集。其中,目标训练样本集的目标训练样本的数量小于初始训练样本集的初始训练样本的数量。
目标网络层输出数据确定模块520,用于将目标训练样本集的目标训练样本输入目标网络层,得到目标网络层输出数据。
训练反馈数值确定模块530,用于根据目标损失函数和目标网络层输出数据,确定当前训练批次的训练反馈数值,训练反馈数值用于调整目标网络层的网络参数。
目标深度学习模型确定模块540,用于在全量的训练批次对初始深度学习模型训练完成的情况下,根据每一个目标网络层的当前网络参数,确定目标深度学习模型,其中,初始深度学习模型包括自然语言处理预训练深度学习模型。
根据本公开实施例,还包括:目标网络层确定模块,用于根据初始深度学习模型的全量的网络层,确定目标网络层,其中,全量的网络层的数量大于或者等于目标网络层的数量。
根据本公开实施例,目标训练样本集确定模块包括:屏蔽样本确定子模块,用于根据样本屏蔽条件和初始训练样本集的多个初始训练样本,确定满足样本屏蔽条件的屏蔽样本;目标训练样本集确定子模块,用于根据屏蔽样本和初始训练样本集,确定目标训练样本集。
根据本公开实施例,在全量的网络层的数量大于目标网络层的数量的情况下,目标网络层确定模块包括:屏蔽网络层确定子模块,用于根据网络层屏蔽条件和初始深度学习模型的全量的网络层,确定满足网络层屏蔽条件的屏蔽网络层;目标网络层确定子模块,用于根据屏蔽网络层和初始深度学习模型的全量的网络层,确定目标网络层。
根据本公开实施例,样本屏蔽条件表征初始训练样本的屏蔽概率小于样本屏蔽概率阈值;网络层屏蔽条件表征网络层的屏蔽概率小于网络层屏蔽概率阈值;初始训练样本的屏蔽概率以及网络层的屏蔽概率中的至少一个与保留概率阈值、初始深度学习模型的训练总步长、当前训练步数以及全量的网络层的数量相关。
根据本公开实施例,每一个目标网络层的结构相同,目标损失函数与多个目标网络层的输出数据相关。
图6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6所示,本公开实施例的文本处理装置600例如包括输入文本获取模块610、目标深度学习模型获取模块620以及目标文本信息确定模块630。
输入文本获取模块610,用于获取输入文本。
目标深度学习模型获取模块620,用于获取目标深度学习模型。
目标文本信息确定模块630,用于通过目标深度学习模型处理输入文本,得到目标文本信息。
目标深度学习模型是根据以下模块得到的:目标训练样本集确定模块,用于针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与训练批次关联的初始训练样本集,确定目标训练样本集,其中,目标训练样本集的目标训练样本的数量小于初始训练样本集的初始训练样本的数量;目标网络层输出数据确定模块,用于将目标训练样本集的目标训练样本输入目标网络层,得到目标网络层输出数据;训练反馈数值确定模块,用于根据目标损失函数和目标网络层输出数据,确定当前训练批次的训练反馈数值,训练反馈数值用于调整目标网络层的网络参数;目标深度学习模型确定模块,用于在全量的训练批次对初始深度学习模型训练完成的情况下,根据每一个目标网络层的当前网络参数,确定目标深度学习模型,其中,初始深度学习模型包括自然语言处理预训练深度学习模型。
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7示出了可以用来实施本公开的实施例的示例电子设备700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7所示,设备700包括计算单元701,其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序,来执行各种适当的动作和处理。在RAM 703中,还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。
设备700中的多个部件连接至I/O接口705,包括:输入单元706,例如键盘、鼠标等;输出单元707,例如各种类型的显示器、扬声器等;存储单元708,例如磁盘、光盘等;以及通信单元709,例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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701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701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701执行上文所描述的各个方法和处理,例如深度学习模型训练方法、文本处理方法。例如,在一些实施例中,深度学习模型训练方法、文本处理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708。在一些实施例中,计算机程序的部分或者全部可以经由ROM702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM 703并由计算单元701执行时,可以执行上文描述的深度学习模型训练方法、文本处理方法的一个或多个步骤。备选地,在其他实施例中,计算单元701可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行深度学习模型训练方法、文本处理方法。
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 (16)
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;
通过所述目标深度学习模型处理所述输入文本,得到目标文本信息;
其中,所述目标深度学习模型是根据以下操作得到的:
针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与所述训练批次关联的初始训练样本集,确定目标训练样本集,其中,所述目标训练样本集的目标训练样本的数量小于所述初始训练样本集的初始训练样本的数量;
将所述目标训练样本集的所述目标训练样本输入所述目标网络层,得到目标网络层输出数据;
根据目标损失函数和所述目标网络层输出数据,确定当前训练批次的训练反馈数值,所述训练反馈数值用于调整所述目标网络层的网络参数;以及
在所述全量的训练批次对所述初始深度学习模型训练完成的情况下,根据每一个所述目标网络层的当前网络参数,确定目标深度学习模型,其中,所述初始深度学习模型包括自然语言处理预训练深度学习模型。
2.一种深度学习模型训练方法,包括:
针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与所述训练批次关联的初始训练样本集,确定目标训练样本集,其中,所述目标训练样本集的目标训练样本的数量小于所述初始训练样本集的初始训练样本的数量;
将所述目标训练样本集的所述目标训练样本输入所述目标网络层,得到目标网络层输出数据;
根据目标损失函数和所述目标网络层输出数据,确定当前训练批次的训练反馈数值,所述训练反馈数值用于调整所述目标网络层的网络参数;以及
在所述全量的训练批次对所述初始深度学习模型训练完成的情况下,根据每一个所述目标网络层的当前网络参数,确定目标深度学习模型,其中,所述初始深度学习模型包括自然语言处理预训练深度学习模型。
3.根据权利要求2所述的方法,还包括:
根据所述初始深度学习模型的全量的网络层,确定所述目标网络层,其中,全量的所述网络层的数量大于或者等于所述目标网络层的数量。
4. 根据权利要求3所述的方法,其中,所述根据与所述训练批次关联的初始训练样本集,确定目标训练样本集包括:
根据样本屏蔽条件和所述初始训练样本集的多个初始训练样本,确定满足所述样本屏蔽条件的屏蔽样本;以及
根据所述屏蔽样本和所述初始训练样本集,确定所述目标训练样本集。
5.根据权利要求4所述的方法,在全量的所述网络层的数量大于所述目标网络层的数量的情况下,根据所述初始深度学习模型的全量的网络层,确定所述目标网络层包括:
根据网络层屏蔽条件和所述初始深度学习模型的全量的所述网络层,确定满足所述网络层屏蔽条件的屏蔽网络层;
根据所述屏蔽网络层和所述初始深度学习模型的全量的所述网络层,确定所述目标网络层。
6.根据权利要求5所述的方法,其中,所述样本屏蔽条件表征所述初始训练样本的屏蔽概率小于样本屏蔽概率阈值;所述网络层屏蔽条件表征所述网络层的屏蔽概率小于网络层屏蔽概率阈值;所述初始训练样本的屏蔽概率以及所述网络层的屏蔽概率中的至少一个与保留概率阈值、所述初始深度学习模型的训练总步长、当前训练步数以及全量的网络层的数量相关。
7.根据权利要求2-6中任一项所述的方法,其中,每一个所述目标网络层的结构相同,所述目标损失函数与多个所述目标网络层的输出数据相关。
8.一种文本处理装置,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;
目标文本信息确定模块,用于通过所述目标深度学习模型处理所述输入文本,得到目标文本信息;
其中,所述目标深度学习模型是根据以下模块得到的:
目标训练样本集确定模块,用于针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与所述训练批次关联的初始训练样本集,确定目标训练样本集,其中,所述目标训练样本集的目标训练样本的数量小于所述初始训练样本集的初始训练样本的数量;
目标网络层输出数据确定模块,用于将所述目标训练样本集的所述目标训练样本输入所述目标网络层,得到目标网络层输出数据;
训练反馈数值确定模块,用于根据目标损失函数和所述目标网络层输出数据,确定当前训练批次的训练反馈数值,所述训练反馈数值用于调整所述目标网络层的网络参数;以及
目标深度学习模型确定模块,用于在所述全量的训练批次对所述初始深度学习模型训练完成的情况下,根据每一个所述目标网络层的当前网络参数,确定目标深度学习模型,其中,所述初始深度学习模型包括自然语言处理预训练深度学习模型。
9.一种深度学习模型训练装置,包括:
目标训练样本集确定模块,用于针对全量的训练批次中的任意一个训练批次以及初始深度学习模型的任意一个目标网络层,根据与所述训练批次关联的初始训练样本集,确定目标训练样本集,其中,所述目标训练样本集的目标训练样本的数量小于所述初始训练样本集的初始训练样本的数量;
目标网络层输出数据确定模块,用于将所述目标训练样本集的所述目标训练样本输入所述目标网络层,得到目标网络层输出数据;
训练反馈数值确定模块,用于根据目标损失函数和所述目标网络层输出数据,确定当前训练批次的训练反馈数值,所述训练反馈数值用于调整所述目标网络层的网络参数;以及
目标深度学习模型确定模块,用于在所述全量的训练批次对所述初始深度学习模型训练完成的情况下,根据每一个所述目标网络层的当前网络参数,确定目标深度学习模型,其中,所述初始深度学习模型包括自然语言处理预训练深度学习模型。
10.根据权利要求9所述的装置,还包括:
目标网络层确定模块,用于根据所述初始深度学习模型的全量的网络层,确定所述目标网络层,其中,全量的所述网络层的数量大于或者等于所述目标网络层的数量。
11. 根据权利要求10所述的装置,其中,所述目标训练样本集确定模块包括:
屏蔽样本确定子模块,用于根据样本屏蔽条件和所述初始训练样本集的多个初始训练样本,确定满足所述样本屏蔽条件的屏蔽样本;以及
目标训练样本集确定子模块,用于根据所述屏蔽样本和所述初始训练样本集,确定所述目标训练样本集。
12.根据权利要求11所述的装置,在全量的所述网络层的数量大于所述目标网络层的数量的情况下,所述目标网络层确定模块包括:
屏蔽网络层确定子模块,用于根据网络层屏蔽条件和所述初始深度学习模型的全量的所述网络层,确定满足所述网络层屏蔽条件的屏蔽网络层;
目标网络层确定子模块,用于根据所述屏蔽网络层和所述初始深度学习模型的全量的所述网络层,确定所述目标网络层。
13.根据权利要求12所述的装置,其中,所述样本屏蔽条件表征所述初始训练样本的屏蔽概率小于样本屏蔽概率阈值;所述网络层屏蔽条件表征所述网络层的屏蔽概率小于网络层屏蔽概率阈值;所述初始训练样本的屏蔽概率以及所述网络层的屏蔽概率中的至少一个与保留概率阈值、所述初始深度学习模型的训练总步长、当前训练步数以及全量的网络层的数量相关。
14.根据权利要求9-13中任一项所述的装置,其中,每一个所述目标网络层的结构相同,所述目标损失函数与多个所述目标网络层的输出数据相关。
15. 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2-7中任一项所述的方法。
16.一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2-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211705167.9A CN116151215B (zh) | 2022-12-28 | 2022-12-28 | 文本处理方法、深度学习模型训练方法、装置以及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211705167.9A CN116151215B (zh) | 2022-12-28 | 2022-12-28 | 文本处理方法、深度学习模型训练方法、装置以及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116151215A CN116151215A (zh) | 2023-05-23 |
CN116151215B true CN116151215B (zh) | 2023-12-01 |
Family
ID=86372789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211705167.9A Active CN116151215B (zh) | 2022-12-28 | 2022-12-28 | 文本处理方法、深度学习模型训练方法、装置以及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151215B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254197A (zh) * | 2021-04-30 | 2021-08-13 | 西安电子科技大学 | 一种基于深度强化学习的网络资源调度方法及系统 |
CN114329201A (zh) * | 2021-12-27 | 2022-04-12 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、内容推荐方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657465B (zh) * | 2021-07-29 | 2024-04-09 | 北京百度网讯科技有限公司 | 预训练模型的生成方法、装置、电子设备和存储介质 |
-
2022
- 2022-12-28 CN CN202211705167.9A patent/CN116151215B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113254197A (zh) * | 2021-04-30 | 2021-08-13 | 西安电子科技大学 | 一种基于深度强化学习的网络资源调度方法及系统 |
CN114329201A (zh) * | 2021-12-27 | 2022-04-12 | 北京百度网讯科技有限公司 | 深度学习模型的训练方法、内容推荐方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN116151215A (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114202076B (zh) | 深度学习模型的训练方法、自然语言处理方法和装置 | |
CN112580732B (zh) | 模型训练方法、装置、设备、存储介质和程序产品 | |
CN115631261B (zh) | 图像生成模型的训练方法、图像生成方法和装置 | |
CN114564971B (zh) | 深度学习模型的训练方法、文本数据处理方法和装置 | |
CN114494814A (zh) | 基于注意力的模型训练方法、装置及电子设备 | |
CN114936323A (zh) | 图表示模型的训练方法、装置及电子设备 | |
CN116151215B (zh) | 文本处理方法、深度学习模型训练方法、装置以及设备 | |
CN114742035B (zh) | 基于注意力机制优化的文本处理方法、网络模型训练方法 | |
CN114897183B (zh) | 问题数据处理方法、深度学习模型的训练方法和装置 | |
CN115186738B (zh) | 模型训练方法、装置和存储介质 | |
CN113361621B (zh) | 用于训练模型的方法和装置 | |
CN114817476A (zh) | 语言模型的训练方法、装置、电子设备和存储介质 | |
CN114898742A (zh) | 流式语音识别模型的训练方法、装置、设备和存储介质 | |
CN114707638A (zh) | 模型训练、对象识别方法及装置、设备、介质和产品 | |
CN113807397A (zh) | 语义表示模型的训练方法、装置、设备和存储介质 | |
CN113408632A (zh) | 提高图像分类准确性的方法、装置、电子设备及存储介质 | |
CN113408702A (zh) | 音乐神经网络模型预训练方法及电子设备和存储介质 | |
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 | |
CN113553407B (zh) | 事件追溯方法、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 | |
CN115456167B (zh) | 轻量级模型训练方法、图像处理方法、装置及电子设备 | |
CN114580442B (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN116127948B (zh) | 待标注文本数据的推荐方法、装置及电子设备 | |
CN112989797B (zh) | 模型训练、文本扩展方法,装置,设备以及存储介质 | |
CN116567145A (zh) | 一种客服话术质检方法、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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |