CN116186545A - 预训练模型的训练、应用方法、装置、电子设备及介质 - Google Patents

Abstract

本公开实施例提供了预训练模型的训练、应用方法、装置、电子设备及介质。训练方法包括获取训练用的样本集，所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息；将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，所述预训练模型为具有视觉语言理解和生成能力的模型，所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征；基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。提升了统一视觉语言理解和生成任务时的效果。

Description

预训练模型的训练、应用方法、装置、电子设备及介质

技术领域

本公开实施例涉及图像处理技术，尤其涉及预训练模型的训练、应用方法、装置、电子设备及介质。

背景技术

视觉-语言预训练(Vision-Language Pre-training，VLP)旨在通过在大规模图像-文本对上对模型进行预训练来提高下游视觉和语言任务的性能。大多数现有的预训练模型只能在基于理解任务或基于生成任务中表现出色，引导语言-图像预训练(Bootstrapping Language-Image Pre-training，BLIP)模型是一个新的VLP框架可用于统一视觉-语言理解和生成任务，支持比现有方法更广泛的下游任务。

然而，BLIP模型在统一视觉-语言理解和生成任务所考虑的信息有限，使得BLIP模型的效果受限。

发明内容

本公开提供预训练模型的训练、应用方法、装置、电子设备及介质，以提升统一视觉语言理解和生成任务时的效果。

第一方面，本公开实施例提供了一种预训练模型的训练方法，包括：

获取训练用的样本集，所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息；

将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，所述预训练模型为具有视觉语言理解和生成能力的模型，所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征；

基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。

第二方面，本公开实施例还提供了一种预训练模型的使用方法，所述预训练模型通过第一方面所述的方法训练得到，所述方法包括：

将待处理样本输入至所述预训练模型，得到所述待处理样本的处理结果，所述待处理样本为待所述预训练模型处理的样本。

第三方面，本公开实施例还提供了一种预训练模型的训练装置，包括：

获取模块，用于获取训练用的样本集，所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息；

输入模块，用于将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，所述预训练模型为具有视觉语言理解和生成能力的模型，所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征；

训练模块，用于基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。

第四方面，本公开实施例还提供了一种预训练模型的使用装置，所述预训练模型通过如第一方面所述的方法训练得到，所述装置包括：

输入模块，用于将待处理样本输入至所述预训练模型，得到所述待处理样本的处理结果。

第五方面，本公开实施例提供了一种电子设备，所述电子设备包括：

一个或多个处理装置；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如第一方面和/或第二方面所述的方法。

第六方面，本公开实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面和/或第二方面所述的方法。

本公开实施例，通过获取训练用的样本集，所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息；将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，所述预训练模型为具有视觉语言理解和生成能力的模型，所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征；基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。在训练时，考虑了图像、图像描述信息和文本信息多维度信息，解决BLIP模型在统一视觉-语言理解和生成任务所考虑的信息有限，使得BLIP模型的效果受限的问题，提升了统一视觉语言理解和生成任务时的效果。

附图说明

结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，原件和元素不一定按照比例绘制。

图1是本公开实施例所提供的一种预训练模型的训练方法的流程示意图；

图2是本公开实施例所提供的一种预训练模型的训练方法的流程示意图；

图3是本公开实施例所提供的一种预训练模型的使用方法的流程示意图；

图4是本公开实施例所提供的一种预训练模型的结构示意图；

图5是本公开实施例所提供的一种预训练模型的训练装置的结构示意图；

图6是本公开实施例所提供的一种预训练模型的使用装置的结构示意图；

图7是本公开实施例所提供的一种电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

应当理解，本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，和/或并行执行。此外，方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本公开的范围在此方面不受限制。

本文使用的术语“包括”及其变形是开放性包括，即“包括但不限于”。术语“基于”是“至少部分地基于”。术语“一个实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”；术语“一些实施例”表示“至少一些实施例”。其他术语的相关定义将在下文描述中给出。

需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。

需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。

例如，在响应于接收到用户的主动请求时，向用户发送提示信息，以明确地提示用户，其请求执行的操作将需要获取和使用到用户的个人信息。从而，使得用户可以根据提示信息来自主地选择是否向执行本公开技术方案的操作的电子设备、应用程序、服务器或存储介质等软件或硬件提供个人信息。

作为一种可选的但非限定性的实现方式，响应于接收到用户的主动请求，向用户发送提示信息的方式例如可以是弹窗的方式，弹窗中可以以文字的方式呈现提示信息。此外，弹窗中还可以承载供用户选择“同意”或者“不同意”向电子设备提供个人信息的选择控件。

可以理解的是，上述通知和获取用户授权过程仅是示意性的，不对本公开的实现方式构成限定，其它满足相关法律法规的方式也可应用于本公开的实现方式中。

可以理解的是，本技术方案所涉及的数据(包括但不限于数据本身、数据的获取或使用)应当遵循相应法律法规及相关规定的要求。

图1是本公开实施例所提供的一种预训练模型的训练方法的流程示意图，本公开实施例适用于对预训练模型进行训练的情形，该方法可以由预训练模型的训练装置来执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。

BLIP是一个统一的视觉语言预训练框架，从有噪声的图像文本对中学习。BLIP模型可以认为是一个统一理解和生成多模态的模型，BLIP具有两个功能，图像标注和回答问题。BLIP模型可以使用其理解的能力(encoder)，又可以利用其生成的能力(decoder)。BLIP模型可以应用于图像文本检索的任务上，也可以应用在图像标注的任务上。但是，BLIP模型所考虑的信息有限。为了解决该技术问题，本公开提供了一种预训练模型的训练方法。本公开的预训练模型也具有视觉语言理解和生成能力。如图1所示，所述方法包括：

S110、获取训练用的样本集。

所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息。

样本集可以认为是用于训练预训练模型所使用的，由多个样本所组成的集合。每个样本可以包括有图像、图像所对应的图像描述信息和图像内的文本信息。

文本信息可以认为是表征图像内文本的信息。图像描述信息可以认为是用于描述图像的信息，如图像的标题。图像描述信息可以不包含在图像上。

图像内的文本信息可以是从图像中提取得到的，具体的提取手段不作限定，可以是通过光学字符识别(Optical Character Recognition，OCR)技术提取。OCR是指对图像进行分析识别处理，获取图像中文字信息的过程。

本步骤不限定获取的手段，可以是获取用户输入的样本集。

S120、将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征。

所述预训练模型为具有视觉语言理解和生成能力的模型。输入预训练模型的内容包括图像、图像描述信息和图像内的文本信息。预训练模型从图像和文本多维度进行了训练。文本维度包括了图像描述信息和图像内的文本信息，其中图像内的文本信息充分考虑了图像内的信息，使得预训练模型的效果更好。如在富文本场景下，使得预训练模型的视觉语言预训练发挥更好的效果。

图像特征可以理解为图像经由预训练模型处理后得到的特征。如图像特征是由预训练模型内图像编码模块处理后得到的特征。

所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征。预训练模型在处理图像和文本信息时，融合了图像对应的图像特征和文本信息对应的特征，得到了融合特征。然后可以基于融合特征与描述特征进行对比学习。

描述特征可以认为是通过预训练模型处理图像描述信息后得到的特征。如通过预训练模型中描述编码模块处理后的特征。图像描述信息可以分别输入至描述编码模块中文本编码器、基于图像的文本编码器和基于图像的文本解码器，其中文本编码器、基于图像的文本编码器和基于图像的文本解码器可以分别处理图像描述信息，得到各自的描述特征。

S130、基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。

得到图像特征、融合特征和描述特征后可以对比学习，训练预训练模型，如基于图像特征、融合特征和描述特征得到训练预训练模型的损失函数，以基于损失函数训练预训练模型，直至满足训练结束条件。训练结束条件不作限定，可以基于实际情况设定。

预训练模型的损失函数此处不作限定可以包括图像文本对比损失函数、图像文本匹配损失函数和语言建模损失函数。其中，图像文本对比损失函数和图像文本匹配损失函数可以通过融合特征和描述特征的对比学习确定。图像文本匹配损失函数激活了基于图像的文本编码器，目的可以是学习图像文本的多模态表示以捕捉视觉和语言之间的细粒度对齐。语言建模损失函数激活了以图像为基础的文本编码器，目的可以是生成给定图像的图像描述信息。

本公开实施例的技术方案，通过获取训练用的样本集，所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息；将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，所述预训练模型为具有视觉语言理解和生成能力的模型，所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征；基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。在训练时，考虑了图像、图像描述信息和文本信息多维度信息，解决BLIP模型在统一视觉-语言理解和生成任务所考虑的信息有限，使得BLIP模型的效果受限的问题，提升了统一视觉语言理解和生成任务时的效果。

在上述实施例的基础上，提出了上述实施例的变型实施例，在此需要说明的是，为了使描述简要，在变型实施例中仅描述与上述实施例的不同之处。

在一个实施例中，所述基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型，包括：

基于所述融合特征和所述描述特征，确定所述预训练模型的图像文本对比损失函数；

基于所述融合特征、所述图像特征和所述描述特征，确定所述预训练模型的图像文本匹配损失函数和语言建模损失函数；

基于所述图像文本对比损失函数、图像文本匹配损失函数和语言建模损失函数训练所述预训练模型。

图像文本对比损失函数可以激活单模态编码器，通过促进正向的图像-文本对与负向的图像-文本对有相似的表示，来对齐图像编码器Image Encoder(ViT)和文本编码器的特征空间。此处不对融合特征和描述特征确定图像文本对比损失函数的技术手段进行限定，可以与BLIP中图像特征和描述特征确定图像文本对比损失函数相同的手段，也可以进行适应性调整。

本实施例可以将融合特征、所述图像特征输入至预训练模型的描述编码模块中的基于图像的文本编码器，结合基于图像的文本编码器处理图像描述信息得到的描述特征，可以得到对应的图像文本匹配损失函数，具体确定手段不作限定，可以与BLIP基于图像特征和描述特征确定图像文本匹配损失函数相同的手段，也可以进行适应性调整。

本实施例可以将融合特征、所述图像特征输入至预训练模型的描述编码模块中的基于图像的文本解码器，结合基于图像的文本解码器处理图像描述信息得到的描述特征，可以得到对应的语言建模损失函数，具体确定手段不作限定，可以与BLIP基于图像特征和描述特征确定语言建模损失函数相同的手段，也可以进行适应性调整。

在一个实施例中，所述基于所述融合特征、所述图像特征和所述描述特征，确定所述预训练模型的图像文本匹配损失函数和语言建模损失函数，包括：

融合所述融合特征和所述图像特征；

通过所述预训练模型的描述编码模块，基于所述描述特征和输入至所述描述编码模块的融合后特征，得到图像文本匹配损失函数和语言建模损失函数。

确定所述预训练模型的图像文本匹配损失函数时，可以融合图像特征和融合特征，然后将融合后特征输入至描述编码模块的基于图像的文本编码器的交叉注意力层，将图像描述信息输入双向自注意力层，以基于融合后特征和描述特征，得到图像文本匹配损失函数。

确定所述预训练模型的语言建模损失函数时，可以融合图像特征和融合特征，然后将融合后特征输入至描述编码模块的基于图像的文本解码器的交叉注意力层，将图像描述信息输入因果自注意力层，以基于融合后特征和基于图像描述信息得到的描述特征，得到图像文本匹配损失函数。

在一个实施例中，所述图像所包括的文本的数量大于设定阈值。本实施例中，图像所包括的文本的数量大于设定阈值，设定阈值的取值不作限定。在图像所包括文本的数量大于设定阈值时，可以认为图像是富文本场景下的图像，即图像内包括文本较多。本实施例在富文本场景下使用本公开提供的训练方法训练预训练模型，使得预训练模型充分利用了图像内部信息，提升了预训练模型的效果。

图2是本公开实施例所提供的一种预训练模型的训练方法的流程示意图，本实施例在上述实施例的基础上具体化了得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征的步骤，如图2所示，所述方法包括：

S210、获取训练用的样本集。

S220、将所述样本集内样本所包括的图像输入至所述预训练模型中的图像编码模块，得到所述图像的图像特征。

图像编码模块可以认为是预训练模型内部进行图像编码的模块，图像输入至图像编码模块可以得到图像特征。

S230、将所述图像特征和所述图像内的文本信息输入至所述预训练模型中的文本编码模块，得到所述文本信息对应的融合特征。

文本编码模块可以认为是预训练模型中进行文本编码的模块，文本信息输入至文本编码模块可以得到文本特征，本公开的文本编码模块还输入了图像特征，使得图像特征和文本特征进行融合，得到融合特征。

图像特征可以输入至文本编码模块的交叉注意力层，文本信息可以输入至文本编码模块的双向自注意力层，经由文本编码模块输出融合特征。

S240、将所述图像描述信息输入至描述编码模块，得到所述图像描述信息对应的描述特征。

描述编码模块可以认为是预训练模型中进行图像描述信息编码的模块。图像描述信息输入至描述编码模块后可以输出描述特征。如由文本编码模块内文本编码器输出描述特征。

本步骤可以将图像描述信息分别输入至描述编码模块中的文本编码器、基于图像的文本编码器和基于图像的文本解码器，得到文本编码器、基于图像的文本编码器和基于图像的文本解码器的对应图像描述信息的描述特征。

S250、基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。

本公开实施例，将图像输入至图像编码器，得到图像特征，将图像特征和文本信息输入至文本编码器，得到融合图像和文本的融合特征，将图像描述信息输入至描述编码模块，得到图像描述信息对应的描述特征。从而基于图像特征，融合特征和描述特征对预训练模型进行训练，提升了预训练模型在富文本场景下的效果。

图3是本公开实施例所提供的一种预训练模型的使用方法的流程示意图，本公开实施例适用于对预测模型进行使用的情况，该方法可以由预训练模型的使用装置执行，该装置可以通过软件和/或硬件的形式实现，可选的，通过电子设备来实现，该电子设备可以是移动终端、PC端或服务器等。

如图3所示，所述方法包括：

S310、将待处理样本输入至所述预训练模型，得到所述待处理样本的处理结果，所述待处理样本为待所述预训练模型处理的样本。

本公开将预训练模型训练完成后，可以将待处理样本输入至预训练模型得到处理结果，处理结果可以基于预训练模型下游模型的需要确定，如可以输出图像特征、融合特征、描述特征、图像文本对比损失函数、图像文本匹配损失函数和语言建模损失函数。待处理样本包括图像、图像描述信息和/或图像内文本信息。待处理样本为应用阶段的样本。

在一个实施例中，所述处理结果包括所述待处理样本对应的图像特征、描述特征、融合特征、图像文本对比损失函数所表征的概率值、图像文本匹配损失函数所表征的概率值和语言建模损失函数所表征的概率值中的一个或多个。

处理结果的具体内容可以取决于预训练模型的功能，或预训练模型下游的模型的所需，此处不作限定。

在一个实施例，以对象召回、推荐排序等任务为例，可以处理结果可以为图像特征、描述特征和融合特征中的一个或多个。图像特征可以为对待处理样本中图像进行处理后得到的特征，描述特征可以为对待处理样本中图像描述信息处理得到的特征。融合特征可以是对图像信息提取文本信息后，融合图像特征后得到的特征。

本实施例的预训练模型获取待处理样本后，输出处理结果，可以将处理结果输入至后续的下游模型，以用于后续的对象召回、推荐排序。

其中，对象召回可以认为是进行对象的召回，如基于图像描述信息去检索对应的图像，以实现对图像的召回。更加具体的，可以是基于物品的标题，去检索物品对应的图像。在进行对象召回时，可以使用描述特征。

其中，推荐排序可以认为是对所推荐的对象的排序，如基于图像特征、描述特征和/或融合特征，实现下游模型的推荐排序。下游模型可以基于图像特征、描述特征和/或融合特征为所推荐的对象进行排序。

在一个实施例中，以图像和图像描述信息的匹配任务为例，预训练模型输入的可以为待进行匹配的图像和图像描述信息，目的是确定图像和图像描述信息是否是匹配的，又称是否是一对的。预训练模型输出的可以为图像文本对比损失函数、图像文本匹配损失函数和语言建模损失函数中的一个或多个，以确定匹配的概率。此实施例中，图像文本对比损失函数、图像文本匹配损失函数和语言建模损失函数可以体现为概率值，概率值可以表征匹配的程度。

示例性的，在物品库中存在很多物品，一个物品和很多的标题实际上是一对，但是在物品库中不体现为一对，如不同的物品所有方可以为同一物品命名为不同的标题，故，预训练模型可以输出图像文本对比损失函数、图像文本匹配损失函数和语言建模损失函数，以确定物品所对应的图像和标题(即图像描述信息)匹配的概率值。

本公开实施例的预训练模型在使用过程中，能够充分利用图像、图像描述信息和图像内的文本信息，提升了预训练模型的应用效果。

以下对本公开进行示例性描述，本公开提供的预训练模型可以认为是一种结合OCR的大规模语言图像预训练模型。在富文本场景下，本公开能够利用OCR对富文本场景的图像进行处理，得到图像的文本信息，将文本信息加入视觉语言预训练框架中，以弥补BLIP在富文本场景下的不足。使得视觉语言预训练在富文本场景下发挥更好的效果。

图4是本公开实施例所提供的一种预训练模型的结构示意图，参见图4，预训练模型包括图像编码模块1，文本编码模块2和描述编码模块，描述编码模块包括文本编码器3、基于图像的文本编码器4和基于图像的文本解码器5。

预训练模型中加入了采用OCR技术从图像中提取的文本信息。考虑到文本信息来源于图像，本来图像和图像标题间有比较大的域间隙(domain gap)，如果把文本信息直接和图像描述信息拼接作为文本输入，会加剧域间隙，因此本公开通过预训练模型中的文本编码模块2将文本信息和图像特征做融合后，和描述特征进行对比学习，缓解图像和图像描述信息间的域间隙，加快模型收敛，达到更好的模型效果。其中，图像编码模块1的输出可以是图像特征，文本编码模块2的输出可以为融合特征，描述编码模块输入图像描述信息后，可以得到描述特征，文本编码器3输入图像描述信息后，可以输出文本编码器3的描述特征。

图5是本公开实施例所提供的一种预训练模型的训练装置的结构示意图，如图5所示，所述装置包括：

获取模块510，用于获取训练用的样本集，所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息；

输入模块520，用于将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，所述预训练模型为具有视觉语言理解和生成能力的模型，所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征；

训练模块530，用于基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。

本公开实施例所提供的技术方案，通过获取训练用的样本集，所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息；将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，所述预训练模型为具有视觉语言理解和生成能力的模型，所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征；基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。在训练时，考虑了图像、图像描述信息和文本信息多维度信息，解决BLIP模型在统一视觉-语言理解和生成任务所考虑的信息有限，使得BLIP模型的效果受限的问题，提升了统一视觉语言理解和生成任务时的效果。

在一个实施例中，输入模块520，具体用于：

将所述样本集内样本所包括的图像输入至所述预训练模型中的图像编码模块，得到所述图像的图像特征；

将所述图像特征和所述图像内的文本信息输入至所述预训练模型中的文本编码模块，得到所述文本信息对应的融合特征；

将所述图像描述信息输入至描述编码模块，得到所述图像描述信息对应的描述特征。

在一个实施例中，训练模块530，包括：

第一确定单元，用于基于所述融合特征和所述描述特征，确定所述预训练模型的图像文本对比损失函数；

第二确定单元，用于基于所述融合特征、所述图像特征和所述描述特征，确定所述预训练模型的图像文本匹配损失函数和语言建模损失函数；

训练单元，用于基于所述图像文本对比损失函数、图像文本匹配损失函数和语言建模损失函数训练所述预训练模型。

在一个实施例中，第二确定单元，具体用于：

融合所述融合特征和所述图像特征；

通过所述预训练模型的描述编码模块，基于所述描述特征和输入至所述描述编码模块的融合后特征，得到图像文本匹配损失函数和语言建模损失函数。

在一个实施例中，所述图像所包括的文本的数量大于设定阈值。

本公开实施例所提供的预训练模型的训练装置可执行本公开任意实施例所提供的预训练模型的训练方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。

图6是本公开实施例所提供的一种预训练模型的使用装置的结构示意图，如图6所示，该装置包括：

输入模块610，用于将待处理样本输入至所述预训练模型，得到所述待处理样本的处理结果，预训练模型通过本公开实施例提供的训练方法训练得到。

本公开实施例所提供的技术方案，能够充分利用图像、图像描述信息和图像内的文本信息，提升了预训练模型的应用效果。

在一个实施例中，所述处理结果包括所述待处理样本对应的图像特征、描述特征、融合特征、图像文本对比损失函数所表征的概率值、图像文本匹配损失函数所表征的概率值和语言建模损失函数所表征的概率值中的一个或多个。

本公开实施例所提供的预训练模型的使用装置可执行本公开任意实施例所提供的预训练模型的使用方法，具备执行方法相应的功能模块和有益效果。

值得注意的是，上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本公开实施例的保护范围。

图7是本公开实施例所提供的一种电子设备的结构示意图。下面参考图7，其示出了适于用来实现本公开实施例的电子设备(例如图7中的终端设备或服务器)500的结构示意图。

电子设备500包括：

一个或多个处理装置；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如本公开实施例提供的方法。

本公开实施例中的终端设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图7示出的电子设备500仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。

如图7所示，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。编辑/输出(I/O)接口505也连接至总线504。

通常，以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如磁带、硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开实施例的方法中限定的上述功能。

本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。

本公开实施例提供的电子设备与上述实施例提供的方法属于同一发明构思，未在本实施例中详尽描述的技术细节可参见上述实施例，并且本实施例与上述实施例具有相同的有益效果。

本公开实施例提供了一种计算机存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例所提供的方法。

需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。

计算机存储介质可以为计算机可执行指令的存储介质，计算机可执行指令在由计算机处理器执行时用于执行如本公开提供的方法。

计算机可读存储介质例如可以是，但不限于：电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。

在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。

上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：

上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取训练用的样本集，所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息；

将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，所述预训练模型为具有视觉语言理解和生成能力的模型，所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征；

基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。

或者，上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：将待处理样本输入至所述预训练模型，得到所述待处理样本的处理结果，所述待处理样本为待所述预训练模型处理的样本。

可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。

附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

描述于本公开实施例中所涉及到的模块或单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块或单元的名称在某种情况下并不构成对该单元本身的限定，例如，输入模块还可以被描述为“样本输入模块”。

本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。

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。

以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

此外，虽然采用特定次序描绘了各操作，但是这不应当理解为要求这些操作以所示出的特定次序或以顺序次序执行来执行。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实施例中。相反地，在单个实施例的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实施例中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (11)

1.一种预训练模型的训练方法，其特征在于，包括：

获取训练用的样本集，所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息；

将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，所述预训练模型为具有视觉语言理解和生成能力的模型，所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征；

基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。

2.根据权利要求1所述的方法，其特征在于，将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，包括：

将所述样本集内样本所包括的图像输入至所述预训练模型中的图像编码模块，得到所述图像的图像特征；

将所述图像特征和所述图像内的文本信息输入至所述预训练模型中的文本编码模块，得到所述文本信息对应的融合特征；

将所述图像描述信息输入至描述编码模块，得到所述图像描述信息对应的描述特征。

3.根据权利要求1所述的方法，其特征在于，所述基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型，包括：

基于所述融合特征和所述描述特征，确定所述预训练模型的图像文本对比损失函数；

基于所述融合特征、所述图像特征和所述描述特征，确定所述预训练模型的图像文本匹配损失函数和语言建模损失函数；

基于所述图像文本对比损失函数、图像文本匹配损失函数和语言建模损失函数训练所述预训练模型。

4.根据权利要求3所述的方法，其特征在于，所述基于所述融合特征、所述图像特征和所述描述特征，确定所述预训练模型的图像文本匹配损失函数和语言建模损失函数，包括：

融合所述融合特征和所述图像特征；

通过所述预训练模型的描述编码模块，基于所述描述特征和输入至所述描述编码模块的融合后特征，得到图像文本匹配损失函数和语言建模损失函数。

5.根据权利要求1-4任一所述的方法，其特征在于，所述图像所包括的文本的数量大于设定阈值。

6.一种预训练模型的使用方法，其特征在于，所述预训练模型通过如权利要求1-5任一所述的方法训练得到，所述方法包括：

将待处理样本输入至所述预训练模型，得到所述待处理样本的处理结果，所述待处理样本为待所述预训练模型处理的样本。

7.根据权利要求6所述的方法，其特征在于，所述处理结果包括所述待处理样本对应的图像特征、描述特征、融合特征、图像文本对比损失函数所表征的概率值、图像文本匹配损失函数所表征的概率值和语言建模损失函数所表征的概率值中的一个或多个。

8.一种预训练模型的训练装置，其特征在于，包括：

获取模块，用于获取训练用的样本集，所述样本集包括图像、所述图像所对应的图像描述信息和所述图像内的文本信息；

输入模块，用于将所述样本集内的样本输入至预训练模型，得到所述图像对应的图像特征、所述文本信息对应的融合特征和所述图像描述信息对应的描述特征，所述预训练模型为具有视觉语言理解和生成能力的模型，所述融合特征为融合了所述图像的图像特征和所述图像对应的文本信息的特征；

训练模块，用于基于所述图像特征、所述融合特征和所述描述特征，训练所述预训练模型。

9.一种预训练模型的使用装置，其特征在于，所述预训练模型通过如权利要求1-5任一所述的方法训练得到，所述装置包括：

输入模块，用于将待处理样本输入至所述预训练模型，得到所述待处理样本的处理结果。

10.一种电子设备，其特征在于，所述电子设备包括：

一个或多个处理装置；

存储装置，用于存储一个或多个程序，

当所述一个或多个程序被所述一个或多个处理装置执行，使得所述一个或多个处理装置实现如权利要求1-7中任一所述的方法。

11.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的方法。

Images