CN116861850A - 一种数据处理方法及其装置 - Google Patents

一种数据处理方法及其装置 Download PDF

Info

Publication number
CN116861850A
CN116861850A CN202310751865.0A CN202310751865A CN116861850A CN 116861850 A CN116861850 A CN 116861850A CN 202310751865 A CN202310751865 A CN 202310751865A CN 116861850 A CN116861850 A CN 116861850A
Authority
CN
China
Prior art keywords
text
feature representation
representation
feature
image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310751865.0A
Other languages
English (en)
Inventor
韩建华
卢冠松
徐航
王春微
曾艺涵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202310751865.0A priority Critical patent/CN116861850A/zh
Publication of CN116861850A publication Critical patent/CN116861850A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/12—Use of codes for handling textual entities
    • G06F40/126—Character encoding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/10—Text processing
    • G06F40/194—Calculation of difference between files
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/16—Image preprocessing
    • G06V30/164—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G06V30/19093—Proximity measures, i.e. similarity or distance measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19173—Classification techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)

Abstract

一种数据处理方法，应用于人工智能领域，包括：获取第一特征表示、第二特征表示和第三特征表示；第一特征表示包括通过扩散模型中的加噪模块对原始文本特征进行第一步长的加噪后得到的特征表示；第二特征表示为第一步长的特征表示；第三特征表示为第一图像的特征表示；根据第一特征表示、第二特征表示和第三特征表示，通过扩散模型中的去噪模块对原始文本特征进行预测，得到第四特征表示；根据第四特征表示，通过对比学习，更新去噪模块。本申请将图文对比学习转化为以图像为条件的文本生成过程，使得实现图像生成的模型和实现图文对比学习的模型之间参数共享，从而实现了在一套框架中实现图文对齐和图像生成，降低了部署的存储开销和计算开销。

Description

一种数据处理方法及其装置
技术领域
本申请涉及人工智能领域，尤其涉及一种数据处理方法及其装置。
背景技术
人工智能(Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个分支，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
基于对比学习的图片-文本对齐模型(contrastive language-image pre-training，CLIP)是一种多模态预训练模型，旨在将自然语言和视觉信息相结合，以解决不同领域的多模态分类/检索任务。相比之前的分类模型，CLIP的任务背景更广泛和更灵活，并且可以处理零样本学习(zero-shot learning)的任务。之前的分类模型是基于监督学习的，需要大量的标注数据来训练，并且只能识别已知类别的图像。这些模型无法处理零样本学习的任务，因为它们无法识别从未见过的类别。
相比之下，CLIP模型的任务是将图像和文本嵌入到同一个空间中，以使它们可以进行比较。CLIP的训练数据集不需要预先定义类别，而是使用海量的文本和图像对来进行训练，这些文本和图像对之间的关系是自动学习的。因此，CLIP不需要像之前的分类模型那样需要大量的标注数据，而是可以使用网络上大量的图文对来进行训练。此外，CLIP模型可以处理零样本学习的任务，因为它能够将从未见过的类别嵌入到同一空间中，从而可以进行比较和分类。这使得CLIP在处理一些新领域的任务时更加灵活和实用。因此，相比之前的分类模型，CLIP模型能够处理零样本分类、检索相关的任务。
另一方面，stable diffusion(稳定扩散模型，可以简称为扩散模型)是一种生成模型，用于生成高保真度的图像、语音和视频等多媒体数据。扩散模型通过扩散过程来生成图像。该模型通过对噪声进行多次扩散和逆扩散操作，完成模型的训练及推理。这使得扩散模型的生成过程更加稳定，且不容易产生模式崩溃等问题。
由于扩散模型和CLIP的框架和任务不同，因此部署在不同的框架中，需要较大的存储资源和计算资源。
发明内容
第一方面，本申请提供了一种数据处理方法，所述方法包括：
获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示包括通过扩散模型中的加噪模块对原始文本特征进行第一步长的加噪后得到的特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为第一图像的特征表示；根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；根据所述第四特征表示，通过对比学习，更新所述去噪模块。
在现有的扩散模型的架构中，扩散模型的加噪模块对原始图像(或者原始图像的特征表示)进行多次加噪(也就是多个步长的加噪)，扩散模型的加噪模块可以对每个步长所添加的噪声进行预测，并基于预测的噪声进行去噪，得到生成的新的图像。
本申请实施例中，为了将图文对比(或者称之为对齐)学习和扩散模型的框架进行融合，将图文对比学习转化为以图像为条件的文本生成以及基于生成的文本进行的对比学习的过程，进行图像生成和文本的扩散模型之间可以参数共享，从而实现了在一套框架中实现图文对齐和图像生成，进而降低了部署的存储开销和计算开销。
在一种可能的实现中，所述根据所述第四特征表示，通过对比学习，更新所述去噪模块，包括：根据所述第四特征表示和多个文本特征之间的相似度，确定损失，并根据所述损失更新所述去噪模块。
在一种可能的实现中，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
其中，去噪模块(例如，去噪模块中的解码器)还可以通过上采样和跳跃连接进行特征融合与恢复。也就是说，在一种可能的实现中，所述第一特征表示还可以包括以第一图像为条件，通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。例如，第二步长可以为前向噪声扩散中的最后一个步长。
在一种可能的实现中，所述方法还包括：获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，得到预测噪声；根据所述预测噪声和所述第三步长所添加的噪声，更新所述去噪模块。
上述实施例介绍了如何通过扩散模型的架构实现图文对齐，相当于和图像生成的架构进行了统一，而对统一后的架构进行模型训练时，可以通过引入屏蔽机制(maskmechanism)来区分多任务训练条件，对于图像生成任务屏蔽文本查询e(文本编码器可以包括两个处理分支，一个处理分支(第二处理分支)的输出用于进行以文本为条件的图像生成，另一个处理分支(第二处理分支)的输出用于进行以图像为条件的文本生成，也就是屏蔽文本编码器的第一处理分支的输出)，对于图文对齐学习任务屏蔽文本条件c(也就是屏蔽文本编码器的第二处理分支的输出)。其中，这里的“屏蔽”可以对应于掩码处理。
示例性的，在训练目标为图文对齐时，可以通过文本编码器的第一处理分支对第二文本进行处理得到原始文本特征，以及，对通过文本编码器的第二处理分支对所述第二文本进行处理得到的特征表示进行掩码处理，得到掩码结果，扩散模型的加噪模块可以对原始文本特征进行加噪，扩散模型的去噪模型在进行噪声预测时，可以将包括加噪结果和上述掩码结果的第一特征表示作为输入。
示例性的，在训练目标为图像生成时，可以对通过文本编码器的第一处理分支对第一文本进行处理得到的文本特征进行掩码处理，得到掩码结果，以及，对通过文本编码器的第二处理分支对所述第一文本进行处理得到的特征表示(第七特征表示)输入到去噪模块中，扩散模型的去噪模型在进行噪声预测时，可以将包括加噪结果和上述掩码结果的第五特征表示作为输入。
第二方面，本申请提供了一种数据处理方法，所述方法包括：
获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示包括通过扩散模型中的加噪模块对原始文本特征进行第一步长的加噪后得到的特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为第一图像的特征表示；
根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
根据所述第四特征表示和多个预设文本特征表示之间的相似度，确定所述图像的标签；每个所述预设文本特征表示对应一个标签。
在一种可能的实现中，所述原始文本特征为对用户输入的标签或者说明文字caption进行编码后得到的。
在一种可能的实现中，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
在一种可能的实现中，所述方法还包括：
获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；
根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，以及根据预测的噪声，对所述第三步长的加噪后得到的图像特征表示进行去噪，得到目标图像。
第三方面，本申请提供了一种数据处理装置，所述装置包括：
获取模块，用于获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示包括通过扩散模型中的加噪模块对原始文本特征进行第一步长的加噪后得到的特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为第一图像的特征表示；
处理模块，用于根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
根据所述第四特征表示，通过对比学习，更新所述去噪模块。
在一种可能的实现中，所述处理模块，具体用于：
根据所述第四特征表示和多个文本特征之间的相似度，确定损失，并根据所述损失更新所述去噪模块。
在一种可能的实现中，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
在一种可能的实现中，所述获取模块，还用于：
获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；
所述处理模块，还用于：
根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，得到预测噪声；
根据所述预测噪声和所述第三步长所添加的噪声，更新所述去噪模块。
在一种可能的实现中，所述原始文本特征为通过文本编码器的第一处理分支对第二文本进行处理得到的，所述第七特征表示为通过所述文本编码器的第二处理分支得到的文本特征；
所述第一特征表示还包括通过所述第二处理分支对所述第二文本进行处理得到的特征表示的掩码结果。
在一种可能的实现中，所述原始文本特征为通过文本编码器的第一处理分支对第二文本进行处理得到的，所述第七特征表示为通过所述文本编码器的第二处理分支得到的文本特征；
所述第五特征表示还包括通过文本编码器的第一处理分支对所述第一文本进行处理得到的特征表示的掩码结果。
第四方面，本申请提供了一种数据处理装置，所述装置包括：
获取模块，用于获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示为通过扩散模型中的加噪模块以图像为条件对原始文本特征进行第一步长的加噪后得到的文本特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为所述图像的特征表示；
处理模块，用于根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
根据所述第四特征表示和多个预设文本特征表示之间的相似度，确定所述图像的标签；每个所述预设文本特征表示对应一个标签。
在一种可能的实现中，所述原始文本特征为对用户输入的标签或者说明文字caption进行编码后得到的。
在一种可能的实现中，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
在一种可能的实现中，所述获取模块，还用于：
获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；
所述处理模块，还用于：根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，以及根据预测的噪声，对所述第三步长的加噪后得到的图像特征表示进行去噪，得到目标图像。
第五方面，本申请实施例提供了一种训练装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第一方面及其任一可选的方法。
第六方面，本申请实施例提供了一种执行装置，可以包括存储器、处理器以及总线系统，其中，存储器用于存储程序，处理器用于执行存储器中的程序，以执行如上述第二方面及其任一可选的方法。
第七方面，本申请实施例提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法、以及上述第二方面及其任一可选的方法。
第八方面，本申请实施例提供了一种计算机程序，当其在计算机上运行时，使得计算机执行上述第一方面及其任一可选的方法、以及上述第二方面及其任一可选的方法。
第九方面，本申请提供了一种芯片系统，该芯片系统包括处理器，用于支持执行数据处理装置实现上述方面中所涉及的功能，例如，发送或处理上述方法中所涉及的数据；或，信息。在一种可能的设计中，所述芯片系统还包括存储器，所述存储器，用于保存执行设备或训练设备必要的程序指令和数据。该芯片系统，可以由芯片构成，也可以包括芯片和其他分立器件。
附图说明
图1A为人工智能主体框架的一种结构示意图；
图1B和至图1C为本发明的应用系统框架示意；
图1D为终端的一种可选的硬件结构示意图；
图2为一种服务器的结构示意图；
图3为本申请的一种系统架构示意；
图4A为一种云服务的流程；
图4B为一种网络结构的示意；
图4C为一种网络结构的示意；
图4D为一种网络结构的示意；
图5为本申请实施例提供的一种数据处理方法的流程示意；
图6为本申请实施例提供的一种数据处理方法的处理示意；
图7为本申请实施例提供的一种数据处理方法的处理示意；
图8为本申请实施例提供的一种数据处理方法的处理示意；
图9为本申请实施例提供的一种数据处理方法的处理示意；
图10为本申请实施例提供的数据处理装置的一种结构示意图；
图11为本申请实施例提供的执行设备的一种结构示意图；
图12为本申请实施例提供的训练设备一种结构示意图；
图13为本申请实施例提供的芯片的一种结构示意图。
具体实施方式
下面结合本发明实施例中的附图对本发明实施例进行描述。本发明的实施方式部分使用的术语仅用于对本发明的具体实施例进行解释，而非旨在限定本发明。
下面结合附图，对本申请的实施例进行描述。本领域普通技术人员可知，随着技术的发展和新场景的出现，本申请实施例提供的技术方案对于类似的技术问题，同样适用。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的术语在适当情况下可以互换，这仅仅是描述本申请的实施例中对相同属性的对象在描述时所采用的区分方式。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，以便包含一系列单元的过程、方法、系统、产品或设备不必限于那些单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它单元。
本文中所用用语“基本(substantially)”、“大约(about)”及类似用语用作近似用语、而并非用作程度用语，且旨在考虑到所属领域中的普通技术人员将知的测量值或计算值的固有偏差。此外，在阐述本发明实施例时使用“可(may)”是指“可能的一个或多个实施例”。本文中所用用语“使用(use)”、“正使用(using)”、及“被使用(used)”可被视为分别与用语“利用(utilize)”、“正利用(utilizing)”、及“被利用(utilized)”同义。另外，用语“示例性(exemplary)”旨在指代实例或例示。
首先对人工智能系统总体工作流程进行描述，请参见图1A，图1A示出的为人工智能主体框架的一种结构示意图，下面从“智能信息链”(水平轴)和“IT价值链”(垂直轴)两个维度对上述人工智能主题框架进行阐述。其中，“智能信息链”反映从数据的获取到处理的一列过程。举例来说，可以是智能信息感知、智能信息表示与形成、智能推理、智能决策、智能执行与输出的一般过程。在这个过程中，数据经历了“数据—信息—知识—智慧”的凝练过程。“IT价值链”从人智能的底层基础设施、信息(提供和处理技术实现)到系统的产业生态过程，反映人工智能为信息技术产业带来的价值。
(1)基础设施
基础设施为人工智能系统提供计算能力支持，实现与外部世界的沟通，并通过基础平台实现支撑。通过传感器与外部沟通；计算能力由智能芯片(CPU、NPU、GPU、ASIC、FPGA等硬件加速芯片)提供；基础平台包括分布式计算框架及网络等相关的平台保障和支持，可以包括云存储和计算、互联互通网络等。举例来说，传感器和外部沟通获取数据，这些数据提供给基础平台提供的分布式计算系统中的智能芯片进行计算。
(2)数据
基础设施的上一层的数据用于表示人工智能领域的数据来源。数据涉及到图形、图像、语音、文本，还涉及到传统设备的物联网数据，包括已有系统的业务数据以及力、位移、液位、温度、湿度等感知数据。
(3)数据处理
数据处理通常包括数据训练，机器学习，深度学习，搜索，推理，决策等方式。
其中，机器学习和深度学习可以对数据进行符号化和形式化的智能信息建模、抽取、预处理、训练等。
推理是指在计算机或智能系统中，模拟人类的智能推理方式，依据推理控制策略，利用形式化的信息进行机器思维和求解问题的过程，典型的功能是搜索与匹配。
决策是指智能信息经过推理后进行决策的过程，通常提供分类、排序、预测等功能。
(4)通用能力
对数据经过上面提到的数据处理后，进一步基于数据处理的结果可以形成一些通用的能力，比如可以是算法或者一个通用系统，例如，翻译，文本的分析，计算机视觉的处理，语音识别，图像的识别等等。
(5)智能产品及行业应用
智能产品及行业应用指人工智能系统在各领域的产品和应用，是对人工智能整体解决方案的封装，将智能信息决策产品化、实现落地应用，其应用领域主要包括：智能终端、智能交通、智能医疗、自动驾驶、智慧城市等。
本申请可以应用于人工智能领域的自然语言处理领域中，下面以自然语言处理为例将对多个落地到产品的多个应用场景进行介绍。
首先介绍本申请的应用场景，本申请可以但不限于应用在具有图像生成、自然语言合成功能、图像分类或者检索的应用程序(以下可以简称为生成类应用程序)或者云侧服务器提供的云服务等，接下来分别进行介绍：
一、生成类应用程序
本申请实施例的产品形态可以为生成类应用程序。生成类应用程序可以运行在终端设备或者云侧的服务器上。
在一种可能的实现中，生成类应用程序可以实现图像生成任务，得到处理结果。
例如，生成类应用程序可以实现至少包括基于扩散方法的图像生成任务，但不限于此。
在一种可能的实现中，用户可以打开终端设备上安装的生成类应用程序，并输入图像数据和文本数据(文本可能是通过指令触发的，不一定是用户主动输入的)，生成类应用程序可以通过本申请实施例提供的方法训练得到的模型、或者是通过本申请实施例提供的方法对图像和文本进行处理，并将处理结果呈现给用户(呈现方式可以但不限于是显示、播放、保存、上传到云侧等)。
在一种可能的实现中，用户可以打开终端设备上安装的生成类应用程序，并输入图像数据和文本数据，生成类应用程序可以将图像数据和文本数据发送至云侧的服务器，云侧的服务器通过本申请实施例提供的方法训练得到的模型对图像或者文本进行处理，并将处理结果回传至终端设备，终端设备可以将处理结果呈现给用户(呈现方式可以但不限于是显示、播放、保存、上传到云侧等)。
示例性的，图像生成任务可以具体应用但不限于下面的场景中：
场景1、自动驾驶场景检测数据生成。
在自动驾驶检测数据生成的场景中，需要生成具有丰富、真实和多样化的交通环境的图像。这些图像应包含各种道路类型(如城市街道、高速公路等)、不同天气条件(晴天、雨天、雪天等)、多种交通参与者(行人、骑自行车者、汽车、卡车等)以及各种交通规则和信号(交通灯、停车标志、行人过街道等)。此外，生成的图像还需要考虑到各种相机视角和位置，以模拟自动驾驶系统在实际路况中的视觉感知能力。如图8所示，给定左下角自动驾驶场景的布局，可生成多种相同布局的自动驾驶数据(图8右上所示)。
场景2、智能手表表盘数据生成。
在智能手机表盘数据生成的场景中，需要根据特定的表盘布局生成多样化、个性化且具有高度真实性的表盘元素。这些表盘元素包括指针(时针、分针、秒针)、星期显示、日期显示、步数计数、心率监测、电池电量等信息。此外，生成的表盘还需要考虑各种设计风格、颜色方案和字体，以满足用户的个性化需求和审美偏好。
场景3、电商场景AI模特生成。
在电商场景的AI模特生成中，需要根据输入的指定模特造型来生成多样化的服装搭配，以便展示给潜在的消费者。首先，模型需要接收用户输入的模特造型，例如体态、姿势等特征。接着，基于这些特征，生成算法将生成一系列与模特造型相匹配的服装搭配，这些搭配可能包括不同类型的上衣、裤子、裙子、外套、鞋子等。在生成过程中，算法需要考虑到服装的款式、颜色、图案等细节，并确保所生成的搭配在视觉上具有吸引力和真实性。此外，为满足不同消费者的需求，生成的服装搭配应当具有多样性，涵盖不同的风格、场合和季节。
二、图像分类或检索类应用程序
本申请实施例的产品形态可以为图像分类或检索类应用程序。图像分类或检索类应用程序可以运行在终端设备或者云侧的服务器上。
在一种可能的实现中，图像分类或检索类应用程序可以实现图像分类或检索任务。图像分类具体是：根据各自在图像信息中所反映的不同特征，把不同类别的目标区分开来的图像处理方法。它利用计算机对图像进行定量分析，把图像或图像中的每个像元或区域划归为若干个类别中的某一种。
在一种可能的实现中，用户可以打开终端设备上安装的图像分类或检索类应用程序，并输入图像数据和文本数据(文本可能是通过指令触发的，不一定是用户主动输入的)，图像分类或检索类应用程序可以通过本申请实施例提供的方法训练得到的模型、或者是通过本申请实施例提供的方法对图像和文本进行处理，并将处理结果(图像分类或者检索结果)呈现给用户(呈现方式可以但不限于是显示、播放、保存、上传到云侧等)。
在一种可能的实现中，用户可以打开终端设备上安装的图像分类或检索类应用程序，并输入图像数据和文本数据，图像分类或检索类应用程序可以将图像数据和文本数据发送至云侧的服务器，云侧的服务器通过本申请实施例提供的方法训练得到的模型、或者是通过本申请实施例提供的方法对图像或者文本进行处理，并将处理结果回传至终端设备，终端设备可以将处理结果呈现给用户(呈现方式可以但不限于是显示、播放、保存、上传到云侧等)。
接下来分别从功能架构以及实现功能的产品架构介绍本申请实施例中的生成类应用程序。
参照图1B，图1B为本申请实施例中生成类应用程序的功能架构示意：
在一种可能的实现中，如图1B所示，生成类应用程序102可接收输入的参数101(例如包含图像或者文本)且产生处理结果103。生成类应用程序102可在(举例来说)至少一个计算机系统上执行，且包括计算机代码，所述计算机代码在由一或多个计算机执行时致使所述计算机执行用于执行通过本申请实施例提供的方法训练得到的模型。
参照图1C，图1C为本申请实施例中运行生成类应用程序的实体架构示意：
参见图1C，图1C示出了一种系统架构示意图。该系统可以包括终端100、以及服务器200。其中，服务器200可以包括一个或者多个服务器(图1C中以包括一个服务器作为示例进行说明)，服务器200可以为一个或者多个终端提供图像合成或者自然语言生成功能。
其中，终端100上可以安装有生成类应用程序，或者打开与图像合成或者自然语言生成功能相关的网页，上述应用程序和网页可以提供一个界面，终端100可以接收用户在图像合成或者自然语言生成功能界面上输入的相关参数，并将上述参数发送至服务器200，服务器200可以基于接收到的参数，得到处理结果，并将处理结果返回至至终端100。
应理解，在一些可选的实现中，终端100也可以由自身完成基于接收到的参数，得到处理结果的动作，而不需要服务器配合实现，本申请实施例并不限定。
接下来描述图1C中终端100的产品形态；
本申请实施例中的终端100可以为手机、平板电脑、可穿戴设备、车载设备、增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备、笔记本电脑、超级移动个人计算机(ultra-mobile personal computer，UMPC)、上网本、个人数字助理(personaldigital assistant，PDA)等，本申请实施例对此不作任何限制。
图1D示出了终端100的一种可选的硬件结构示意图。
参考图1D所示，终端100可以包括射频单元110、存储器120、输入单元130、显示单元140、摄像头150(可选的)、音频电路160(可选的)、扬声器161(可选的)、麦克风162(可选的)、处理器170、外部接口180、电源190等部件。本领域技术人员可以理解，图1D仅仅是终端或多功能设备的举例，并不构成对终端或多功能设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件。
输入单元130可用于接收输入的数字或字符信息，以及产生与该便携式多功能装置的用户设置以及功能控制有关的键信号输入。具体地，输入单元130可包括触摸屏131(可选的)和/或其他输入设备132。该触摸屏131可收集用户在其上或附近的触摸操作(比如用户使用手指、关节、触笔等任何适合的物体在触摸屏上或在触摸屏附近的操作)，并根据预先设定的程序驱动相应的连接装置。触摸屏可以检测用户对触摸屏的触摸动作，将该触摸动作转换为触摸信号发送给该处理器170，并能接收该处理器170发来的命令并加以执行；该触摸信号至少包括触点坐标信息。该触摸屏131可以提供该终端100和用户之间的输入界面和输出界面。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触摸屏。除了触摸屏131，输入单元130还可以包括其他输入设备。具体地，其他输入设备132可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。
其中，其他输入设备132可以接收到输入的图像数据或者文本数据。
该显示单元140可用于显示由用户输入的信息或提供给用户的信息、终端100的各种菜单、交互界面、文件显示和/或任意一种多媒体文件的播放。在本申请实施例中，显示单元140可用于显示生成类应用程序的界面、处理结果等。
该存储器120可用于存储指令和数据，存储器120可主要包括存储指令区和存储数据区，存储数据区可存储各种数据，如多媒体文件、文本等；存储指令区可存储操作系统、应用、至少一个功能所需的指令等软件单元，或者他们的子集、扩展集。还可以包括非易失性随机存储器；向处理器170提供包括管理计算处理设备中的硬件、软件以及数据资源，支持控制软件和应用。还用于多媒体文件的存储，以及运行程序和应用的存储。
处理器170是终端100的控制中心，利用各种接口和线路连接整个终端100的各个部分，通过运行或执行存储在存储器120内的指令以及调用存储在存储器120内的数据，执行终端100的各种功能和处理数据，从而对终端设备进行整体控制。可选的，处理器170可包括一个或多个处理单元；优选的，处理器170可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器170中。在一些实施例中，处理器、存储器、可以在单一芯片上实现，在一些实施例中，他们也可以在独立的芯片上分别实现。处理器170还可以用于产生相应的操作控制信号，发给计算处理设备相应的部件，读取以及处理软件中的数据，尤其是读取和处理存储器120中的数据和程序，以使其中的各个功能模块执行相应的功能，从而控制相应的部件按指令的要求进行动作。
其中，存储器120可以用于存储数据处理方法相关的软件代码，处理器170可以执行芯片的数据处理方法的步骤，也可以调度其他单元(例如上述输入单元130以及显示单元140)以实现相应的功能。
该射频单元110(可选的)可用于收发信息或通话过程中信号的接收和发送，例如，将基站的下行信息接收后，给处理器170处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low NoiseAmplifier，LNA)、双工器等。此外，射频单元110还可以通过无线通信与网络设备和其他设备通信。该无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobile communication，GSM)、通用分组无线服务(General PacketRadio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code Division Multiple Access，WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。
其中，在本申请实施例中，该射频单元110可以将图像数据或者文本数据发送至服务器200，并接收到服务器200发送的处理结果。
应理解，该射频单元110为可选的，其可以被替换为其他通信接口，例如可以是网口。
终端100还包括给各个部件供电的电源190(比如电池)，优选的，电源可以通过电源管理系统与处理器170逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
终端100还包括外部接口180，该外部接口可以是标准的Micro USB接口，也可以使多针连接器，可以用于连接终端100与其他装置进行通信，也可以用于连接充电器为终端100充电。
尽管未示出，终端100还可以包括闪光灯、无线保真(wireless fidelity，WiFi)模块、蓝牙模块、不同功能的传感器等，在此不再赘述。下文中描述的部分或全部方法均可以应用在如图1D所示的终端100中。
接下来描述图1C中服务器200的产品形态；
图2提供了一种服务器200的结构示意图，如图2所示，服务器200包括总线201、处理器202、通信接口203和存储器204。处理器202、存储器204和通信接口203之间通过总线201通信。
总线201可以是外设部件互连标准(peripheral component interconnect，PCI)总线或扩展工业标准结构(extended industry standard architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器202可以为中央处理器(central processing unit，CPU)、图形处理器(graphics processing unit，GPU)、微处理器(micro processor，MP)或者数字信号处理器(digital signal processor，DSP)等处理器中的任意一种或多种。
存储器204可以包括易失性存储器(volatile memory)，例如随机存取存储器(random access memory，RAM)。存储器204还可以包括非易失性存储器(non-volatilememory)，例如只读存储器(read-only memory，ROM)，快闪存储器，机械硬盘(hard drivedrive，HDD)或固态硬盘(solid state drive，SSD)。
其中，存储器204可以用于存储数据处理方法相关的软件代码，处理器202可以执行芯片的数据处理方法的步骤，也可以调度其他单元以实现相应的功能。
应理解，上述终端100和服务器200可以为集中式或者是分布式的设备，上述终端100和服务器200中的处理器(例如处理器170以及处理器202)可以为硬件电路(如专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、通用处理器、数字信号处理器(digital signalprocessing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，处理器可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
应理解，本申请实施例中的和模型推理过程相关的步骤涉及AI相关的运算，在执行AI运算时，终端设备和服务器的指令执行架构不仅仅局限在上述介绍的处理器结合存储器的架构。下面结合图3对本申请实施例提供的系统架构进行详细的介绍。
图3为本申请实施例提供的系统架构示意图。如图3所示，系统架构500包括执行设备510、训练设备520、数据库530、客户设备540、数据存储系统550以及数据采集系统560。
执行设备510包括计算模块511、I/O接口512、预处理模块513和预处理模块514。计算模块511中可以包括目标模型/规则501，预处理模块513和预处理模块514是可选的。
其中，执行设备510可以为上述运行生成类应用程序、或者是图像分类或检索类应用程序的终端设备或者服务器。
数据采集设备560用于采集训练样本。训练样本可以为图像数据或者文本数据等。在采集到训练样本之后，数据采集设备560将这些训练样本存入数据库530。
训练设备520可以基于数据库530中维护训练样本，对待训练的神经网络(例如本申请实施例中的神经网络模型(例如包括文本编码器、扩散模型等))，以得到目标模型/规则501。
应理解，训练设备520可以基于数据库530中维护训练样本，对待训练的神经网络进行预训练过程，或者是在预训练的基础上进行模型的微调。
需要说明的是，在实际应用中，数据库530中维护的训练样本不一定都来自于数据采集设备560的采集，也有可能是从其他设备接收得到的。另外需要说明的是，训练设备520也不一定完全基于数据库530维护的训练样本进行目标模型/规则501的训练，也有可能从云端或其他地方获取训练样本进行模型训练，上述描述不应该作为对本申请实施例的限定。
根据训练设备520训练得到的目标模型/规则501可以应用于不同的系统或设备中，如应用于图3所示的执行设备510，该执行设备510可以是终端，如手机终端，平板电脑，笔记本电脑，增强现实(augmented reality，AR)/虚拟现实(virtual reality，VR)设备，车载终端等，还可以是服务器等。
具体的，训练设备520可以将训练后的模型传递至执行设备510。
在图3中，执行设备510配置输入/输出(input/output，I/O)接口512，用于与外部设备进行数据交互，用户可以通过客户设备540向I/O接口512输入数据(例如本申请实施例中的图像数据或者文本数据等)。
预处理模块513和预处理模块514用于根据I/O接口512接收到的输入数据进行预处理。应理解，可以没有预处理模块513和预处理模块514或者只有的一个预处理模块。当不存在预处理模块513和预处理模块514时，可以直接采用计算模块511对输入数据进行处理。
在执行设备510对输入数据进行预处理，或者在执行设备510的计算模块511执行计算等相关的处理过程中，执行设备510可以调用数据存储系统550中的数据、代码等以用于相应的处理，也可以将相应处理得到的数据、指令等存入数据存储系统550中。
最后，I/O接口512将处理结果提供给客户设备540，从而提供给用户。
在图3所示情况下，用户可以手动给定输入数据，该“手动给定输入数据”可以通过I/O接口512提供的界面进行操作。另一种情况下，客户设备540可以自动地向I/O接口512发送输入数据，如果要求客户设备540自动发送输入数据需要获得用户的授权，则用户可以在客户设备540中设置相应权限。用户可以在客户设备540查看执行设备510输出的结果，具体的呈现形式可以是显示、声音、动作等具体方式。客户设备540也可以作为数据采集端，采集如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果作为新的样本数据，并存入数据库530。当然，也可以不经过客户设备540进行采集，而是由I/O接口512直接将如图所示输入I/O接口512的输入数据及输出I/O接口512的输出结果，作为新的样本数据存入数据库530。
值得注意的是，图3仅是本申请实施例提供的一种系统架构的示意图，图中所示设备、器件、模块等之间的位置关系不构成任何限制，例如，在图3中，数据存储系统550相对执行设备510是外部存储器，在其它情况下，也可以将数据存储系统550置于执行设备510中。应理解，上述执行设备510可以部署于客户设备540中。
从模型的推理侧来说：
本申请实施例中，上述执行设备520的计算模块511可以获取到数据存储系统550中存储的代码来实现本申请实施例中的和模型推理过程相关的步骤。
本申请实施例中，执行设备520的计算模块511可以包括硬件电路(如专用集成电路(application specific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)、通用处理器、数字信号处理器(digital signalprocessing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，训练设备520可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
具体的，执行设备520的计算模块511可以为具有执行指令功能的硬件系统，本申请实施例提供的和模型推理过程相关的步骤可以为存储在存储器中的软件代码，执行设备520的计算模块511可以从存储器中获取到软件代码，并执行获取到的软件代码来实现本申请实施例提供的和模型推理过程相关的步骤。
应理解，执行设备520的计算模块511可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合，本申请实施例提供的和模型推理过程相关的步骤的部分步骤还可以通过执行设备520的计算模块511中不具有执行指令功能的硬件系统来实现，这里并不限定。
从模型的训练侧来说：
本申请实施例中，上述训练设备520可以获取到存储器(图3中未示出，可以集成于训练设备520或者与训练设备520分离部署)中存储的代码来实现本申请实施例中和模型训练相关的步骤。
本申请实施例中，训练设备520可以包括硬件电路(如专用集成电路(applicationspecific integrated circuit，ASIC)、现场可编程门阵列(field-programmable gatearray，FPGA)、通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器等等)、或这些硬件电路的组合，例如，训练设备520可以为具有执行指令功能的硬件系统，如CPU、DSP等，或者为不具有执行指令功能的硬件系统，如ASIC、FPGA等，或者为上述不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合。
应理解，训练设备520可以为不具有执行指令功能的硬件系统以及具有执行指令功能的硬件系统的组合，本申请实施例提供的中和模型训练相关的部分步骤还可以通过训练设备520中不具有执行指令功能的硬件系统来实现，这里并不限定。
三、服务器提供的图像合成或者自然语言生成功能类云服务：
在一种可能的实现中，服务器可以通过应用程序编程接口(applicationprogramming interface，API)为端侧提供图像合成功能的服务。
其中，终端设备可以通过云端提供的API，将相关参数(例如图像、文本等数据)发送至服务器，服务器可以基于接收到的参数，得到处理结果等)，并将处理结果返回至至终端。
关于终端以及服务器的描述可以上述实施例的描述，这里不再赘述。
如图4A示出了使用一项云平台提供的图像合成功能类云服务的流程。
1.开通并购买内容审核服务。
2.用户可以下载内容审核服务对应的软件开发工具包(software developmentkit，SDK)，通常云平台提供多个开发版本的SDK，供用户根据开发环境的需求选择，例如JAVA版本的SDK、python版本的SDK、PHP版本的SDK、Android版本的SDK等。
3.用户根据需求下载对应版本的SDK到本地后，将SDK工程导入至本地开发环境，在本地开发环境中进行配置和调试，本地开发环境还可以进行其他功能的开发，使得形成一个集合了图像合成功能类能力的应用。
4.图像合成功能类应用在被使用的过程中，当需要进行图像合成功能时，可以触发图像合成功能的API调用。当应用触发图像合成功能时，发起API请求至云环境中的图像合成功能类服务的运行实例，其中，API请求中携带图像或者文本，由云环境中的运行实例对图像进行处理，获得处理结果。
5.云环境将处理结果返回至应用，由此完成一次的图像合成功能调用。
四、服务器提供的图像分类或检索功能类云服务：
在一种可能的实现中，服务器可以通过应用程序编程接口(applicationprogramming interface，API)为端侧提供图像分类或检索功能的服务。
其中，终端设备可以通过云端提供的API，将相关参数(例如图像、文本等数据)发送至服务器，服务器可以基于接收到的参数，得到处理结果等)，并将处理结果返回至至终端。
关于终端以及服务器的描述可以上述实施例的描述，这里不再赘述。
由于本申请实施例涉及大量神经网络的应用，为了便于理解，下面先对本申请实施例涉及的相关术语及神经网络等相关概念进行介绍。
(1)神经网络
神经网络可以是由神经单元组成的，神经单元可以是指以xs(即输入数据)和截距1为输入的运算单元，该运算单元的输出可以为：
其中，s＝1、2、……n，n为大于1的自然数，Ws为xs的权重，b为神经单元的偏置。f为神经单元的激活函数(activation functions)，用于将非线性特性引入神经网络中，来将神经单元中的输入信号转换为输出信号。该激活函数的输出信号可以作为下一层卷积层的输入，激活函数可以是sigmoid函数。神经网络是将多个上述单一的神经单元联结在一起形成的网络，即一个神经单元的输出可以是另一个神经单元的输入。每个神经单元的输入可以与前一层的局部接受域相连，来提取局部接受域的特征，局部接受域可以是由若干个神经单元组成的区域。
(2)卷积神经网络(convolutional neuron network，CNN)是一种带有卷积结构的深度神经网络。卷积神经网络包含了一个由卷积层和子采样层构成的特征抽取器，该特征抽取器可以看作是滤波器。卷积层是指卷积神经网络中对输入信号进行卷积处理的神经元层。在卷积神经网络的卷积层中，一个神经元可以只与部分邻层神经元连接。一个卷积层中，通常包含若干个特征平面，每个特征平面可以由一些矩形排列的神经单元组成。同一特征平面的神经单元共享权重，这里共享的权重就是卷积核。共享权重可以理解为提取特征的方式与位置无关。卷积核可以以随机大小的矩阵的形式化，在卷积神经网络的训练过程中卷积核可以通过学习得到合理的权重。另外，共享权重带来的直接好处是减少卷积神经网络各层之间的连接，同时又降低了过拟合的风险。
CNN是一种非常常见的神经网络，下面结合图4B重点对CNN的结构进行详细的介绍。如前文的基础概念介绍所述，卷积神经网络是一种带有卷积结构的深度神经网络，是一种深度学习(deep learning)架构，深度学习架构是指通过机器学习的算法，在不同的抽象层级上进行多个层次的学习。作为一种深度学习架构，CNN是一种前馈(feed-forward)人工神经网络，该前馈人工神经网络中的各个神经元可以对输入其中的图像作出响应。
如图4B所示，卷积神经网络(CNN)200可以包括输入层210，卷积层/池化层220(其中池化层为可选的)，以及全连接层(fully connected layer)230。
卷积层/池化层220：
卷积层：
如图4B所示卷积层/池化层220可以包括如示例221-226层，举例来说：在一种实现中，221层为卷积层，222层为池化层，223层为卷积层，224层为池化层，225为卷积层，226为池化层；在另一种实现方式中，221、222为卷积层，223为池化层，224、225为卷积层，226为池化层。即卷积层的输出可以作为随后的池化层的输入，也可以作为另一个卷积层的输入以继续进行卷积操作。
下面将以卷积层221为例，介绍一层卷积层的内部工作原理。
卷积层221可以包括很多个卷积算子，卷积算子也称为核，其在图像处理中的作用相当于一个从输入图像矩阵中提取特定信息的过滤器，卷积算子本质上可以是一个权重矩阵，这个权重矩阵通常被预先定义，在对图像进行卷积操作的过程中，权重矩阵通常在输入图像上沿着水平方向一个像素接着一个像素(或两个像素接着两个像素……这取决于步长stride的取值)的进行处理，从而完成从图像中提取特定特征的工作。该权重矩阵的大小应该与图像的大小相关，需要注意的是，权重矩阵的纵深维度(depth dimension)和输入图像的纵深维度是相同的，在进行卷积运算的过程中，权重矩阵会延伸到输入图像的整个深度。因此，和一个单一的权重矩阵进行卷积会产生一个单一纵深维度的卷积化输出，但是大多数情况下不使用单一权重矩阵，而是应用多个尺寸(行×列)相同的权重矩阵，即多个同型矩阵。每个权重矩阵的输出被堆叠起来形成卷积图像的纵深维度，这里的维度可以理解为由上面所述的“多个”来决定。不同的权重矩阵可以用来提取图像中不同的特征，例如一个权重矩阵用来提取图像边缘信息，另一个权重矩阵用来提取图像的特定颜色，又一个权重矩阵用来对图像中不需要的噪点进行模糊化等。该多个权重矩阵尺寸(行×列)相同，经过该多个尺寸相同的权重矩阵提取后的特征图的尺寸也相同，再将提取到的多个尺寸相同的特征图合并形成卷积运算的输出。
这些权重矩阵中的权重值在实际应用中需要经过大量的训练得到，通过训练得到的权重值形成的各个权重矩阵可以用来从输入图像中提取信息，从而使得卷积神经网络200进行正确的预测。
当卷积神经网络200有多个卷积层的时候，初始的卷积层(例如221)往往提取较多的一般特征，该一般特征也可以称之为低级别的特征；随着卷积神经网络200深度的加深，越往后的卷积层(例如226)提取到的特征越来越复杂，比如高级别的语义之类的特征，语义越高的特征越适用于待解决的问题。
池化层：
由于常常需要减少训练参数的数量，因此卷积层之后常常需要周期性的引入池化层，在如图4B中220所示例的221-226各层，可以是一层卷积层后面跟一层池化层，也可以是多层卷积层后面接一层或多层池化层。在图像处理过程中，池化层的唯一目的就是减少图像的空间大小。池化层可以包括平均池化算子和/或最大池化算子，以用于对输入图像进行采样得到较小尺寸的图像。平均池化算子可以在特定范围内对图像中的像素值进行计算产生平均值作为平均池化的结果。最大池化算子可以在特定范围内取该范围内值最大的像素作为最大池化的结果。另外，就像卷积层中用权重矩阵的大小应该与图像尺寸相关一样，池化层中的运算符也应该与图像的大小相关。通过池化层处理后输出的图像尺寸可以小于输入池化层的图像的尺寸，池化层输出的图像中每个像素点表示输入池化层的图像的对应子区域的平均值或最大值。
全连接层230：
在经过卷积层/池化层220的处理后，卷积神经网络200还不足以输出所需要的输出信息。因为如前所述，卷积层/池化层220只会提取特征，并减少输入图像带来的参数。然而为了生成最终的输出信息(所需要的类信息或其他相关信息)，卷积神经网络200需要利用全连接层230来生成一个或者一组所需要的类的数量的输出。因此，在全连接层230中可以包括多层隐含层(如图4B所示的231、232至23n)，该多层隐含层中所包含的参数可以根据具体的任务类型的相关训练数据进行预先训练得到，例如该任务类型可以包括图像识别，图像分类，图像超分辨率重建等等……。
在全连接层230中的多层隐含层之后，也就是整个卷积神经网络200的最后层为输出层240，该输出层240具有类似分类交叉熵的损失函数，具体用于计算预测误差，一旦整个卷积神经网络200的前向传播(如图4B由210至240方向的传播为前向传播)完成，反向传播(如图4B由240至210方向的传播为反向传播)就会开始更新前面提到的各层的权重值以及偏差，以减少卷积神经网络200的损失，及卷积神经网络200通过输出层输出的结果和理想结果之间的误差。
需要说明的是，如图4B所示的卷积神经网络200仅作为一种卷积神经网络的示例，在具体的应用中，卷积神经网络还可以以其他网络模型的形式存在，例如，仅包括图4B中所示的网络结构的一部分，比如，本申请实施例中所采用的卷积神经网络可以仅包括输入层210、卷积层/池化层220和输出层240。
需要说明的是，如图4B所示的卷积神经网络100仅作为一种卷积神经网络的示例，在具体的应用中，卷积神经网络还可以以其他网络模型的形式存在，例如，如图4C所示的多个卷积层/池化层并行，将分别提取的特征均输入给全连接层230进行处理。
(3)深度神经网络
深度神经网络(Deep Neural Network，DNN)，也称多层神经网络，可以理解为具有很多层隐含层的神经网络，这里的“很多”并没有特别的度量标准。从DNN按不同层的位置划分，DNN内部的神经网络可以分为三类：输入层，隐含层，输出层。一般来说第一层是输入层，最后一层是输出层，中间的层数都是隐含层。层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是就每一层的工作来说，其实并不复杂，简单来说就是如下线性关系表达式：其中，/>是输入向量，/>是输出向量，/>是偏移向量，W是权重矩阵(也称系数)，α()是激活函数。每一层仅仅是对输入向量/>经过如此简单的操作得到输出向量/>由于DNN层数多，则系数W和偏移向量/>的数量也就很多了。这些参数在DNN中的定义如下所述：以系数W为例：假设在一个三层的DNN中，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为/>上标3代表系数W所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。总结就是：第L-1层的第k个神经元到第L层的第j个神经元的系数定义为/>需要注意的是，输入层是没有W参数的。在深度神经网络中，更多的隐含层让网络更能够刻画现实世界中的复杂情形。理论上而言，参数越多的模型复杂度越高，“容量”也就越大，也就意味着它能完成更复杂的学习任务。训练深度神经网络的也就是学习权重矩阵的过程，其最终目的是得到训练好的深度神经网络的所有层的权重矩阵(由很多层的向量W形成的权重矩阵)。
(4)transformer层
参照图4D，图4D为一种transformer层的架构示意，如图4D所示，神经网络包括嵌入层和至少一个transformer层，至少一个transformer层可以为N个transformer层(N大于0的整数)，其中，每个transformer层包括依次相邻的注意力层、加和与归一化(add&norm)层、前馈(feed forward)层和加和与归一化层。在嵌入层，对当前输入进行嵌入处理，得到多个特征向量；在所述注意力层，从所述transformer层的上一层获取P个输入向量，以P个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出P个输入向量对应的P个中间向量；在所述池化层，将所述P个中间向量合并为Q个输出向量，其中至少一个transformer层中最后一个transformer层得到的多个输出向量用作所述当前输入的特征表示。
接下来，结合具体例子对上述各步骤进行具体介绍。
首先，在所述嵌入层，对当前输入进行嵌入处理，得到多个特征向量。
嵌入层可以称为输入嵌入(input embedding)层。当前输入可以为文本输入，例如可以为一段文本，也可以为一个句子。文本可以为中文文本，也可以为英文文本，还可以为其他语言文本。嵌入层在获取当前输入后，可以对该当前输入中各个词进行嵌入处理，可得到各个词的特征向量。在一些实施例中，如图4D所示，所述嵌入层包括输入嵌入层和位置编码(positional encoding)层。在输入嵌入层，可以对当前输入中的各个词进行词嵌入处理，从而得到各个词的词嵌入向量。在位置编码层，可以获取各个词在该当前输入中的位置，进而对各个词的位置生成位置向量。在一些示例中，各个词的位置可以为各个词在该当前输入中的绝对位置。以当前输入为“几号应还花呗”为例，其中的“几”的位置可以表示为第一位，“号”的位置可以表示为第二位，……。在一些示例中，各个词的位置可以为各个词之间的相对位置。仍以当前输入为“几号应还款”为例，其中的“几”的位置可以表示为“号”之前，“号”的位置可以表示为“几”之后、“应”之前，……。当得到当前输入中各个词的词嵌入向量和位置向量时，可以将各个词的位置向量和对应的词嵌入向量进行组合，得到各个词特征向量，即得到该当前输入对应的多个特征向量。多个特征向量可以表示为具有预设维度的嵌入矩阵。可以设定该多个特征向量中的特征向量个数为M，预设维度为H维，则该多个特征向量可以表示为M×H的嵌入矩阵。
其次，从所述第一transformer层的上一层获取P个输入向量，以P个输入向量中的任意的第一输入向量为中心，基于预设的注意力窗口范围内的各个输入向量与该第一输入向量之间的关联度，得到该第一输入向量对应的中间向量，如此确定出P个输入向量对应的P个中间向量。注意力层也可以称为多头注意力(multi-head attention)层。在一个例子中，注意力层可以为固定窗口多头注意力(fixed window multi-head attention)层。
在一些实施例中，第一transformer层可以为上述嵌入层的下一层，P个输入向量为从嵌入层得到的所述多个特征向量。在一些实施例中，本说明书实施例提供的神经网络中的至少一个transformer层还包括第二transformer层。该第二transformer层为第一自注意力的上一层，则P个输入向量为第二transformer层输出的P个输出向量。在该神经网络中的最后一个transformer层，通过上述步骤的多个输出向量可用作当前输入的特征表示。该特征表示为为当前输入的一种适合计算机处理的特征表示。
(5)注意力机制(attention mechanism)
注意力机制模仿了生物观察行为的内部过程，即一种将内部经验和外部感觉对齐从而增加部分区域的观察精细度的机制，能够利用有限的注意力资源从大量信息中快速筛选出高价值信息。注意力机制可以快速提取稀疏数据的重要特征，因而被广泛用于自然语言处理任务，特别是机器翻译。而自注意力机制(self-attention mechanism)是注意力机制的改进，其减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性。注意力机制的本质思想可以改写为如下公式：
其中，Lx＝||Source||代表Source的长度，公式含义即将Source中的构成元素想象成是由一系列的数据对构成，此时给定目标Target中的某个元素Query，通过计算Query和各个Key的相似性或者相关性，得到每个Key对应Value的权重系数，然后对Value进行加权求和，即得到了最终的Attention数值。所以本质上Attention机制是对Source中元素的Value值进行加权求和，而Query和Key用来计算对应Value的权重系数。从概念上理解，把Attention可以理解为从大量信息中有选择地筛选出少量重要信息并聚焦到这些重要信息上，忽略大多不重要的信息。聚焦的过程体现在权重系数的计算上，权重越大越聚焦于其对应的Value值上，即权重代表了信息的重要性，而Value是其对应的信息。自注意力机制可以理解为内部Attention(intra attention)，Attention机制发生在Target的元素Query和Source中的所有元素之间，自注意力机制指的是在Source内部元素之间或者Target内部元素之间发生的Attention机制，也可以理解为Target＝Source这种特殊情况下的注意力计算机制，其具体计算过程是一样的，只是计算对象发生了变化而已。
(6)损失函数
在训练深度神经网络的过程中，因为希望深度神经网络的输出尽可能的接近真正想要预测的值，所以可以通过比较当前网络的预测值和真正想要的目标值，再根据两者之间的差异情况来更新每一层神经网络的权重向量(当然，在第一次更新之前通常会有初始化的过程，即为深度神经网络中的各层预先配置参数)，比如，如果网络的预测值高了，就调整权重向量让它预测低一些，不断的调整，直到深度神经网络能够预测出真正想要的目标值或与真正想要的目标值非常接近的值。因此，就需要预先定义“如何比较预测值和目标值之间的差异”，这便是损失函数(loss function)或目标函数(objective function)，它们是用于衡量预测值和目标值的差异的重要方程。其中，以损失函数举例，损失函数的输出值(loss)越高表示差异越大，那么深度神经网络的训练就变成了尽可能缩小这个loss的过程。
(7)反向传播算法
可以采用误差反向传播(back propagation，BP)算法在训练过程中修正初始模型中参数的大小，使得模型的误差损失越来越小。具体地，前向传递输入信号直至输出会产生误差损失，通过反向传播误差损失信息来更新初始模型中的参数，从而使误差损失收敛。反向传播算法是以误差损失为主导的反向传播运动，旨在得到最优的模型参数，例如权重矩阵。
(8)扩散模型(diffusion model)
是一种生成模型，用于生成数据，如图像、文本等。扩散模型的核心思想是通过对数据进行噪声扩散，然后逐步去除噪声以恢复原始数据。扩散模型包括两个阶段：正向过程(噪声扩散)和反向过程(去噪声恢复)。
(9)layout-to-image(L2I)
是一种计算机视觉任务，其目标是根据输入的语义布局生成一张逼真的图像。语义布局通常包含物体的类别、位置和形状信息，用于指导生成过程中物体在最终图像中的出现。
(10)Contrastive loss:对比损失：度量正负样本间距离，降低正样本距离，增大负样本距离。
(11)UNet:卷积编码器-解码器结构，跳跃连接，分割任务中表现优异。
(12)双流网络：同时处理两个输入及输出信息的网络。
基于对比学习的图片-文本对齐模型(contrastive language-image pre-training，CLIP)是一种多模态预训练模型，旨在将自然语言和视觉信息相结合，以解决不同领域的多模态分类/检索任务。相比之前的分类模型，CLIP的任务背景更广泛和更灵活，并且可以处理零样本学习(zero-shot learning)的任务。之前的分类模型是基于监督学习的，需要大量的标注数据来训练，并且只能识别已知类别的图像。这些模型无法处理零样本学习的任务，因为它们无法识别从未见过的类别。
相比之下，CLIP模型的任务是将图像和文本嵌入到同一个空间中，以使它们可以进行比较。CLIP的训练数据集不需要预先定义类别，而是使用海量的文本和图像对来进行训练，这些文本和图像对之间的关系是自动学习的。因此，CLIP不需要像之前的分类模型那样需要大量的标注数据，而是可以使用网络上大量的图文对来进行训练。此外，CLIP模型可以处理零样本学习的任务，因为它能够将从未见过的类别嵌入到同一空间中，从而可以进行比较和分类。这使得CLIP在处理一些新领域的任务时更加灵活和实用。因此，相比之前的分类模型，CLIP模型能够处理零样本分类、检索相关的任务。
另一方面，stable diffusion(稳定扩散模型，可以简称为扩散模型)是一种生成模型，用于生成高保真度的图像、语音和视频等多媒体数据。扩散模型通过扩散过程来生成图像。该模型通过对噪声进行多次扩散和逆扩散操作，完成模型的训练及推理。这使得扩散模型的生成过程更加稳定，且不容易产生模式崩溃等问题。
由于扩散模型和CLIP的框架和任务不同，因此部署在不同的框架中，需要较大的存储资源和计算资源。
为了解决上述问题，本申请实施例提供了一种数据处理方法。下面结合附图对本申请实施例的数据处理方法进行详细的介绍。
参照图5，图5为本申请实施例提供的一种数据处理方法的流程示意，如图5所示，本申请实施例提供的一种数据处理方法，可以包括步骤501至503，下面分别对这些步骤进行详细的描述。
501、获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示包括通过扩散模型中的加噪模块对原始文本特征进行第一步长的加噪后得到的特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为第一图像的特征表示。
图5对应的实施例可以为扩散模型的训练过程，例如模型预训练或者模型微调过程。
在现有的扩散模型的架构中，扩散模型的加噪模块对原始图像(或者原始图像的特征表示)进行多次加噪(也就是多个步长的加噪)，扩散模型的加噪模块可以对每个步长所添加的噪声进行预测，并基于预测的噪声进行去噪，得到生成的新的图像。
本申请实施例中，为了将图文对比(或者称之为对齐)学习和扩散模型的框架进行融合，将图文对比学习转化为以图像为条件的文本生成以及基于生成的文本进行的对比学习的过程，进行图像生成和文本的扩散模型之间可以参数共享，从而实现了在一套框架中实现图文对齐和图像生成，进而降低了部署的存储开销和计算开销。
接下来首先介绍以文本为条件的图像生成过程。
其中，本申请实施例中的以文本为条件(以后后续介绍的以图像为条件)可以理解为在图像或者文本生成中，作为条件的另一模态数据也同样作为去噪模块的输入，从而使得去噪后的数据能够具有作为条件的“另一模态”的数据的特征。
具体的，针对于输入的图像和文本(例如第一文本)，可以分别通过图像编码器和文本编码器进行编码，得到图像对应的图像特征以及文本对应的文本特征。
如图6所示，给定一个输入的图像x，可以通过图像编码器V(示例性的，可以采用带下采样的卷积神经网络)得到图像的潜在特征z(例如本申请实施例中的原始图像特征)，同时对应文本y输入至文本编码器Γ，得到文本的潜在条件特征c，也就是本申请实施例中的第七特征表示，/>以及潜在查询特征e，/>
可选的，文本编码器Γ可以输出整句文本的特征，也可以输出整句文本中各个单词的特征。
其中，上述潜在条件特征c可以在以文本为条件的图像生成任务中输入到扩散模型的加噪模块中。
其中，上述潜在查询特征e(例如本申请实施例中的原始文本特征)可以在图文对齐任务中输入到扩散模型的加噪模块中。
可选的，图像编码器可以由卷积神经网络组成，用于提取更小分辨率的全图特征，用于减少后续网络的计算量，该编码器将原图的分辨率由H*W降低至其中r为下采样的比例大小。
可选的，文本编码器可以与CLIP的text encoder结构保持一致，主体框架为transformer，用于提取图片对应文本的特征。
去噪模型可以为UNet架构的神经网络，Unet是一种端到端卷积神经网络，主要用于图像分割。其特点是U形结构，包含编码器和解码器。编码器采用卷积层和最大池化层实现特征提取和下采样；解码器则通过上采样和跳跃连接进行特征融合与恢复。该架构主要用于预测diffusion框架中图片和文本特征前传中添加的噪声。
在使用扩散模型进行以文本为条件的图像生成时，可以通过扩散模型的加噪模块对原始图像(或者原始图像的特征表示)进行加噪，具体的，可以根据由βt给出的方差逐渐向样本添加高斯噪声，以产生一系列隐变量x1，x2，...，xT，其中t为添加噪声的步数(或者可以称之为步长)，N为正态分布：
然后学习一个去噪模块Φθ(xt，t)(也就是扩散模型中的去噪模块)来逼近真实的后验分布，其中uθ与∑θ是模型预测出的均值与方差：
pθ(xt-1|xt)＝N(uθ(xt，t)，∑θ(xt，t))；
以便执行逆向去噪过程进行采样：从随机噪声xT～N(0，I)开始，逐渐减少噪声，最终获得一个样本xo。现有方法采用了一个去噪网络Φθ(xt，t)，它预测噪声样本的噪声成分和以下训练目标：
其中，t可以从1，2，...，T中均匀抽样，∈为模型每一步添加的噪声。
需要注意的是，这里的x0既可以是一张图片，也可以是对应图片的潜在特征z，本申请实施例可以采用潜在特征z。同时注意如果是基于文本条件的图像生成的话，模型Φθ(xt，t)的输入除了xt，t之外还会包含文本的潜在特征c(也就是本申请实施例中的第七特征表示)作为条件。
也就是，去噪模块通过Φθ(xt，c，t)来预测噪声，其中，xt可以为第五特征表示，也就是以第一文本为条件，通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示。t为第三步长的特征表示，也就是第六特征表示，c为第一文本的特征表示，也就是第七特征表示。
在通过去噪模型得到预测噪声之后，可以根据预测噪声和所述第三步长所添加的噪声之间的差异，来更新所述去噪模块。
接下来首先介绍以图像为条件的文本生成过程。
和以文本为条件的图像生成过程类似，本申请实施例中，可以对原始文本(或者原始文本对应的特征表示)通过扩散模型的加噪模块进行多个步长的加噪过程，在去噪过程中，可以根据加噪结果(也就是以加噪后的文本特征表示，例如本申请实施例中的第一特征表示，该特征表示为对原始文本特征进行第一步长的加噪后得到的特征表示)、步长对应的特征表示(例如本申请实施例中的第二特征表示)以及作为条件的图像的特征表示(例如本申请实施例中的第三特征表示)，通过扩散模型的去噪模块来对原始文本特征进行预测，得到预测结果(例如本申请实施例中的第四特征表示)，该预测结果可以携带图像和文本的特征，且可以作为文本的特征表示来进行对比学习(例如通过模型的更新来拉远和差异较大的文本的特征表示的距离，以及拉近和差异较小的文本的特征表示的距离)。
具体的，针对于输入的图像(例如第一图像)和文本，分别通过图像编码器和文本编码器进行编码，得到图像对应的图像特征(例如本申请实施例中的第三特征表示)以及文本对应的文本特征(例如本申请实施例中的原始文本特征)。
如图6所示，给定一个输入的图像x，可以通过图像编码器V(示例性的，可以采用带下采样的卷积神经网络)得到图像的潜在特征z(例如本申请实施例中的第三特征表示)，同时对应文本y输入至文本编码器Γ，得到文本的潜在条件特征c，以及潜在查询特征e(例如本申请实施例中的原始文本特征)，
可选的，文本编码器Γ可以输出整句文本的特征，也可以输出整句文本中各个单词的特征。
其中，上述潜在查询特征e(例如本申请实施例中的原始文本特征)可以在图文对齐任务中输入到扩散模型的加噪模块中。
可选的，图像编码器可以由卷积神经网络组成，用于提取更小分辨率的全图特征，用于减少后续网络的计算量，该编码器将原图的分辨率由H*W降低至其中r为下采样的比例大小。
可选的，文本编码器可以与CLIP的text encoder结构保持一致，主体框架为transformer，用于提取图片对应文本的特征。
502、根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
在使用扩散模型进行以图像为条件的文本生成时，可以通过扩散模型的加噪模块对原始文本(或者原始文本的特征表示)进行加噪，具体的，可以根据由βt给出的方差逐渐向样本添加高斯噪声，以产生一系列隐变量e1，e2，...，eT，其中t为添加噪声的步数(或者可以称之为步长)，N为正态分布：
然后学习一个去噪模块Φθ(et，t)(也就是扩散模型中的去噪模块)来逼近真实的后验分布，其中uθ与∑θ是模型预测出的均值与方差：
pθ(et-1|et)＝N(uθ(xt，t)，∑θ(et，t))；
以便执行逆向去噪过程进行采样：从随机噪声xT～N(0，I)开始，逐渐减少噪声，最终获得一个样本x0。通过去噪网络Φθ(et，t)，来预测噪声样本的噪声成分和以下训练目标：
其中，t从1，2，...，T中均匀抽样，∈为模型每一步添加的噪声。
需要注意的是，这里的e0既可以是文本，也可以是对应文本的潜在特征。同时注意如果是基于图像条件的文本生成的话，模型Φθ(et，t)的输入除了et，t之外还会包含图像的潜在特征z作为条件。
其中，去噪模块(例如，去噪模块中的解码器)还可以通过上采样和跳跃连接进行特征融合与恢复。也就是说，在一种可能的实现中，所述第一特征表示还可以包括以第一图像为条件，通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。例如，第二步长可以为前向噪声扩散中的最后一个步长。
503、根据所述第四特征表示，通过对比学习，更新所述去噪模块。
在一种可能的实现中，可以根据所述第四特征表示和多个文本特征之间的相似度，确定损失，并根据所述损失更新所述去噪模块。其中，多个文本特征可以为同一批训练样本中的其他文本的特征表示，例如，同一批训练样本可以包括多个图像-文本对(包括步骤501至步骤503所使用的图像和文本在内)。
本申请实施例中，将判别问题转换为基于扩散模型的文本生成问题(以图片特征作为条件)，具体的转化流程可以是将基于文本的图像生成的流程中的原始图像的特征x0替换成文本的潜在特征e，同时将文本条件c替换成图片条件的潜在特征z。在训练过程中，可以基于图片获取预测的文本的潜在特征可以计算/>与各个类别文本特征e之间的相似度：
基于上述相似度可以采用图文对齐损失函数作为优化目标：
示例性的，本申请实施例可以在Conceptual Caption数据集(CC3M)上进行预训练。原始图像和潜在图像的分辨率分别设为256*256*3和32*32*4。和Stable Diffusion类似，将图像的像素值归一化到[-1,1]范围内。使用AdamW优化器，进行6个epoch的预训练，权重衰减为1e-4。批量大小设为256，学习速率设为1e-5，进行1000步线性预热，然后保持不变，直至训练结束。将λ设为1，并随机丢弃10％的文本条件进行图像生成。
接下来结合实验介绍本申请实施例的有益效果：
对于零样本图像分类，在12个分类数据集上评估本申请实施例提出的DiffDis模型，即CIFAR10、CIFAR100、Caltech101、StanfordCars、Flowers102、Food101、SUN39、Describable Textures Dataset(DTD)、Aircrafts、OxfordPets、EuroSAT和ImageNet。采用算法中描述的DDIM采样器来预测文本嵌入并计算预测文本嵌入和文本嵌入之间的相似性。在推理过程中，使用8个采样步骤。通过平均不同提示模板的文本嵌入来整合提示模板，以提高零样本分类性能。
对于零样本图像到文本检索和文本到图像检索任务，在MSCOCO和Flickr30K的karpathy测试集上进行实验，这些数据集被广泛用作基准数据集。检索的推理过程类似于图像分类。表1为在12个数据集上进行零样本图像分类的Top-1准确率(％)示意。需要注意的是，CLIP模型在CC3M上进行预训练时使用了4倍大的批量大小和3.3倍长的训练周期。表1详细展示了在12个分类数据集上的结果，比较了在相同数据集(即CC3M)上预训练的CLIP-ViT-B/32、CLIP-ViT-B/16和CLIP-ViT-L/14。为确保与DiffDis进行公平比较，所有CLIP模型的文本编码器都从预训练中初始化。尽管CLIP模型在预训练时使用了4倍大的批量大小和3.3倍长的训练周期，但DiffDis在12个数据集上实现了平均4.7％的准确率提升，超过了CLIP-ViT-L/14。此外，DiffDis在某些领域特定的数据集(如OxfordPets)上表现出显著的性能改进，我们将其归因于其强大的生成能力捕捉细粒度信息。
表1
表2为在Flickr30K和MSCOCO数据集上进行零样本图像-文本检索的结果。'R@K'表示Top-K召回率。'Mean R@1'表示Flickr30K和MSCOCO上图像到文本检索和文本到图像检索的平均R@1。应理解，CLIP模型在CC3M上进行预训练时使用了4倍大的批量大小和3.3倍长的训练周期。表2展示了在Flickr30K和MSCOCO数据集上进行的图像到文本(I2T)检索和文本到图像(T2I)检索的实验结果。可以观察到，在MSCOCO数据集上，DiffDis在I2T检索和T2I检索的R@1方面分别比CLIP-ViT-L/14高出11.6％和8.2％。此外，在Flickr30K数据集上，DiffDis在I2T检索和T2I检索的R@1方面分别实现了19.9％和18.5％的改进，表现优越。
表2
现有图文判别模型使用图文对齐的方式，即基于InfoNCE的contrastive loss。然而这种架构与基于diffusion架构的图文生成模型之间的差异性较大，无法融合在同一套框架下。而本申请实施例将图文判别模型融合进diffusion的框架中，并且在相关指标上相对于图文对对齐的方式有一定性能的提升。
上述实施例介绍了如何通过扩散模型的架构实现图文对齐，相当于和图像生成的架构进行了统一，而对统一后的架构进行模型训练时，可以通过引入屏蔽机制(maskmechanism)来区分多任务训练条件，对于图像生成任务屏蔽文本查询e(文本编码器可以包括两个处理分支，一个处理分支(第二处理分支)的输出用于进行以文本为条件的图像生成，另一个处理分支(第二处理分支)的输出用于进行以图像为条件的文本生成，也就是屏蔽文本编码器的第一处理分支的输出)，对于图文对齐学习任务屏蔽文本条件c(也就是屏蔽文本编码器的第二处理分支的输出)。其中，这里的“屏蔽”可以对应于掩码处理。
示例性的，在训练目标为图文对齐时，可以通过文本编码器的第一处理分支对第二文本进行处理得到原始文本特征，以及，对通过文本编码器的第二处理分支对所述第二文本进行处理得到的特征表示进行掩码处理，得到掩码结果，扩散模型的加噪模块可以对原始文本特征进行加噪，扩散模型的去噪模型在进行噪声预测时，可以将包括加噪结果和上述掩码结果的第一特征表示作为输入。
示例性的，在训练目标为图像生成时，可以对通过文本编码器的第一处理分支对第一文本进行处理得到的文本特征进行掩码处理，得到掩码结果，以及，对通过文本编码器的第二处理分支对所述第一文本进行处理得到的特征表示(第七特征表示)输入到去噪模块中，扩散模型的去噪模型在进行噪声预测时，可以将包括加噪结果和上述掩码结果的第五特征表示作为输入。
示例性的，参照图6，在文本条件图像生成的过程中，可以向图像编码特征z添加噪声，将其与文本条件c输入到UNet，以预测添加的噪声(对应图3中的细线部分)；在图像文本对齐学习的过程中，可以向文本查询e添加噪声，将图像编码特征z输入到UNet，以预测原始文本e(对应图3中的粗线部分)。整体的损失函数可以定义为
接下来结合实验介绍本申请实施例的有益效果：
对于零样本文本到图像生成，在MSCOCO数据集的30,000个文本提示下评估FID性能。此外，还在预训练的CLIP-RN50下计算推理结果的CLIP-Score。将我们提出的DiffDis与在CC3M上进行微调的Stable Diffusion进行比较，使用相同的训练超参数。所有模型使用采样器进行50个采样步骤。表3为添加dense captioning head之后对开集检测性能带来的影响展示，表3是在LVIS minival验证集上的评价,*代表为了公平比较，使用了相同的训练集(O365,VG)进行训练。除了在CC3M上预训练的Stable Diffusion模型外，还将我们提出的DiffDis模型与其他生成模型如LAFITE、DALLE、GLIDE、DALLE2和OFA进行比较。表3表明，与Stable Diffusion相比，本申请实施例提出的DiffDis模型在FID方面实现了1.0的提升，表明双任务学习有助于图像生成任务。此外，DiffDis在仅执行图像生成任务的模型中表现优越。具体来说，DiffDis在MSCOCO数据集上的零样本图像生成性能超过了在MSCOCO数据集上进行过微调的OFA。请注意，OFA也是一种将判别任务和生成任务结合在一起的混合模型。
表3
表4
表4为DiffDis from scratch训练UNet的结果，Dis代表只训练判别任务，Gen代表只训练生成任务，Hybrid代表两个任务都进行训练，表4展示了双任务学习与单任务学习之间的比较。注意在这个实验中，UNet从头开始训练(未经过预训练)，文本编码器被冻结，这与Stable Diffusion预训练设定相同。与单任务学习相比，双任务学习在零样本ImageNet分类中提高了1.65％，在Flickr30k和MSCOCO的平均R@1上提高了3.9％，在零样本MSCOCO文本到图像生成的FID上提高了2.42。这些结果证明了在扩散过程下将跨模态生成和判别预训练统一到一个框架中的有效性。
本申请实施例将图文判别类模型与生成类模型融合在同一套diffusion-based的框架下，同时多任务联合训练的框架，使得生成侧及判别侧的性能相对于单任务训练来说得到进一步的提升。而现有技术中的图文判别类模型和生成类模型往往是独立存在的，基于不同架构搭建，使得二者很难融合。因此在下游部署中部署多个模型也会对资源有较大的占用。
图7为双流深度融合注意力模块的示意，如图7所示，本申请实施例引入了双流网络学习不同模态/任务信息：Hidden Text Query以及Hidden Latent Image这两个分支。同时建立了从带时间条件的噪声文本查询e到从最后一个块输出的隐藏文本查询的跨块跳接机制(Skip Connection)，如架构如图7的左下方所示。
参照图8，图8为生成与判别任务基于统一的扩散模型架构总体概览图，本申请实施例提出了一种基于扩散模型的文本-图像生成与对比学习的多模态多任务大模型的一个示意。如图8所示。为了高效统一的架构范式，提出基于Diffusion模型的图像-文本对齐方法。即将图像-文本对齐问题重建模为扩散过程，将判别问题转化为基于图片条件的类别文本生成问题。同时本申请实施例设计了图文生成和判别任务统一的Diffusion框架，实现联合训练及测试，对于文本条件图像生成问题，向图像编码特征z添加噪声，将其与文本条件c输入到UNet，以预测添加的噪声；对于图像文本对齐学习，向文本查询e添加噪声，将图像编码特征z输入到UNet，以预测原始文本e。
接下来给出一个本申请实施例中模型训练的一个流程示意：
此外，本申请实施例提供的方法也可以应用更多判别任务与生成任务大模型的融合上，比如如何将检测分割这类dense类判别问题与生成问题融合在一起，以相互促进性能的提升等。
图5对应的实施例为模型训练过程的示意，接下来以模型推理过程为例介绍本申请实施例的方法，参照图9，图9为本申请实施例提供的一种数据处理方法的流程示意，所述方法包括：
901、获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示包括通过扩散模型中的加噪模块对原始文本特征进行第一步长的加噪后得到的特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为第一图像的特征表示；
其中，步骤901的具体介绍可以参照上述实施例中步骤501的描述，相似之处这里不再赘述。
在一种可能的实现中，所述原始文本特征为对用户输入的标签或者说明文字caption进行编码后得到的。例如，在进行图像分类或者图像检索的场景中，用户可以输入图像以及该图像的标签或者说明文字caption。
在一种可能的实现中，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
902、根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
其中，步骤902的具体介绍可以参照上述实施例中步骤502的描述，相似之处这里不再赘述。
903、根据所述第四特征表示和多个预设文本特征表示之间的相似度，确定所述图像的标签；每个所述预设文本特征表示对应一个标签。
其中，在图像分类或者检索的场景中，可以预设多个类别的标签，每个标签可以对应一个预设文本特征表示，进而，可以根据第四特征表示和每个预设文本特征表示之间的相似度来确定图像的标签。例如可以选择相似度最高的预设文本特征表示对应的标签作为图像的标签。
在一种可能的实现中，在图像生成的场景中，可以获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，以及根据预测的噪声，对所述第三步长的加噪后得到的图像特征表示进行去噪，得到目标图像。
示例性的，如下给出了一个图文生成模型的推理过程示意：
示例性的，如下给出了一个图文判别模型的推理过程示意：
参照图10，图10为本申请实施例提供的一种数据处理装置的结构示意，如图10所示，本申请实施例提供的一种数据处理装置，所述装置1000包括：
获取模块1001，用于获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示包括通过扩散模型中的加噪模块对原始文本特征进行第一步长的加噪后得到的特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为第一图像的特征表示；
关于获取模块1001的具体描述可以参照上述实施例中步骤501的描述，这里不再赘述。
处理模块1002，用于根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
根据所述第四特征表示，通过对比学习，更新所述去噪模块。
关于处理模块1002的具体描述可以参照上述实施例中步骤502至步骤503的描述，这里不再赘述。
在一种可能的实现中，所述处理模块1002，具体用于：
根据所述第四特征表示和多个文本特征之间的相似度，确定损失，并根据所述损失更新所述去噪模块。
在一种可能的实现中，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
在一种可能的实现中，所述获取模块1001，还用于：
获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；
所述处理模块1002，还用于：
根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，得到预测噪声；
根据所述预测噪声和所述第三步长所添加的噪声，更新所述去噪模块。
在一种可能的实现中，所述原始文本特征为通过文本编码器的第一处理分支对第二文本进行处理得到的，所述第七特征表示为通过所述文本编码器的第二处理分支得到的文本特征；
所述第一特征表示还包括通过所述第二处理分支对所述第二文本进行处理得到的特征表示的掩码结果。
在一种可能的实现中，所述原始文本特征为通过文本编码器的第一处理分支对第二文本进行处理得到的，所述第七特征表示为通过所述文本编码器的第二处理分支得到的文本特征；
所述第五特征表示还包括通过文本编码器的第一处理分支对所述第一文本进行处理得到的特征表示的掩码结果。
此外，本申请实施例还提供了一种数据处理装置，所述装置包括：
获取模块，用于获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示为通过扩散模型中的加噪模块以图像为条件对原始文本特征进行第一步长的加噪后得到的文本特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为所述图像的特征表示；
处理模块，用于根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
根据所述第四特征表示和多个预设文本特征表示之间的相似度，确定所述图像的标签；每个所述预设文本特征表示对应一个标签。
在一种可能的实现中，所述原始文本特征为对用户输入的标签或者说明文字caption进行编码后得到的。
在一种可能的实现中，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
在一种可能的实现中，所述获取模块，还用于：
获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；
所述处理模块，还用于：根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，以及根据预测的噪声，对所述第三步长的加噪后得到的图像特征表示进行去噪，得到目标图像。
接下来介绍本申请实施例提供的一种终端设备，请参阅图11，图11为本申请实施例提供的终端设备的一种结构示意图，终端设备1100具体可以表现为虚拟现实VR设备、手机、平板、笔记本电脑、智能穿戴设备等，此处不做限定。具体的，终端设备1100包括：接收器1101、发射器1102、处理器1103和存储器1104(其中终端设备1100中的处理器1103的数量可以一个或多个，图11中以一个处理器为例)，其中，处理器1103可以包括应用处理器11031和通信处理器11032。在本申请的一些实施例中，接收器1101、发射器1102、处理器1103和存储器1104可通过总线或其它方式连接。
存储器1104可以包括只读存储器和随机存取存储器，并向处理器1103提供指令和数据。存储器1104的一部分还可以包括非易失性随机存取存储器(non-volatile randomaccess memory，NVRAM)。存储器1104存储有处理器和操作指令、可执行模块或者数据结构，或者它们的子集，或者它们的扩展集，其中，操作指令可包括各种操作指令，用于实现各种操作。
处理器1103控制执行设备的操作。具体的应用中，执行设备的各个组件通过总线系统耦合在一起，其中总线系统除包括数据总线之外，还可以包括电源总线、控制总线和状态信号总线等。但是为了清楚说明起见，在图中将各种总线都称为总线系统。
上述本申请实施例揭示的方法可以应用于处理器1103中，或者由处理器1103实现。处理器1103可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器1103中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器1103可以是通用处理器、数字信号处理器(digital signal processing，DSP)、微处理器或微控制器，还可进一步包括专用集成电路(application specific integratedcircuit，ASIC)、现场可编程门阵列(field-programmable gate array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。该处理器1103可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器1104，处理器1103读取存储器1104中的信息，结合其硬件完成上述方法中涉及模型训练或者模型推理过程的步骤。
接收器1101可用于接收输入的数字或字符信息，以及产生与执行设备的相关设置以及功能控制有关的信号输入。发射器1102可用于通过第一接口输出数字或字符信息；发射器1102还可用于通过第一接口向磁盘组发送指令，以修改磁盘组中的数据；发射器1102还可以包括显示屏等显示设备。
本申请实施例还提供了一种服务器，请参阅图12，图12是本申请实施例提供的服务器一种结构示意图，服务器1200可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器(central processing units，CPU)1212(例如，一个或一个以上处理器)和存储器1232，一个或一个以上存储应用程序1242或数据1244的存储介质1230(例如一个或一个以上海量存储设备)。其中，存储器1232和存储介质1230可以是短暂存储或持久存储。存储在存储介质1230的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1212可以设置为与存储介质1230通信，在服务器1200上执行存储介质1230中的一系列指令操作。
服务器1200还可以包括一个或一个以上电源1226，一个或一个以上有线或无线网络接口1250，一个或一个以上输入输出接口1258；或，一个或一个以上操作系统1241，例如Windows ServerTM，Mac OS XTM，UnixTM,LinuxTM，FreeBSDTM等等。
本申请实施例中，中央处理器1212，用于执行上述实施例中和模型训练或者模型推理相关的动作。
本申请实施例中还提供一种包括计算机程序产品，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。
本申请实施例中还提供一种计算机可读存储介质，该计算机可读存储介质中存储有用于进行信号处理的程序，当其在计算机上运行时，使得计算机执行如前述执行设备所执行的步骤，或者，使得计算机执行如前述训练设备所执行的步骤。
本申请实施例提供的执行设备、训练设备或终端设备具体可以为芯片，芯片包括：处理单元和通信单元，所述处理单元例如可以是处理器，所述通信单元例如可以是输入/输出接口、管脚或电路等。该处理单元可执行存储单元存储的计算机执行指令，以使执行设备内的芯片执行上述实施例描述的数据处理方法，或者，以使训练设备内的芯片执行上述实施例描述的数据处理方法。可选地，所述存储单元为所述芯片内的存储单元，如寄存器、缓存等，所述存储单元还可以是所述无线接入设备端内的位于所述芯片外部的存储单元，如只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)等。
具体的，请参阅图13，图13为本申请实施例提供的芯片的一种结构示意图，所述芯片可以表现为神经网络处理器NPU 1300，NPU 1300作为协处理器挂载到主CPU(Host CPU)上，由Host CPU分配任务。NPU的核心部分为运算电路1303，通过控制器1304控制运算电路1303提取存储器中的矩阵数据并进行乘法运算。
在一些实现中，运算电路1303内部包括多个处理单元(Process Engine,PE)。在一些实现中，运算电路1303是二维脉动阵列。运算电路1303还可以是一维脉动阵列或者能够执行例如乘法和加法这样的数学运算的其它电子线路。在一些实现中，运算电路1303是通用的矩阵处理器。
举例来说，假设有输入矩阵A，权重矩阵B，输出矩阵C。运算电路从权重存储器1302中取矩阵B相应的数据，并缓存在运算电路中每一个PE上。运算电路从输入存储器1301中取矩阵A数据与矩阵B进行矩阵运算，得到的矩阵的部分结果或最终结果，保存在累加器(accumulator)1308中。
统一存储器1306用于存放输入数据以及输出数据。权重数据直接通过存储单元访问控制器(Direct Memory Access Controller，DMAC)1305，DMAC被搬运到权重存储器1302中。输入数据也通过DMAC被搬运到统一存储器1306中。
BIU为Bus Interface Unit即，总线接口单元1310，用于AXI总线与DMAC和取指存储器(Instruction Fetch Buffer，IFB)1309的交互。
总线接口单元1310(Bus Interface Unit，简称BIU)，用于取指存储器1309从外部存储器获取指令，还用于存储单元访问控制器1305从外部存储器获取输入矩阵A或者权重矩阵B的原数据。
DMAC主要用于将外部存储器DDR中的输入数据搬运到统一存储器1306或将权重数据搬运到权重存储器1302中或将输入数据数据搬运到输入存储器1301中。
向量计算单元1307包括多个运算处理单元，在需要的情况下，对运算电路1303的输出做进一步处理，如向量乘，向量加，指数运算，对数运算，大小比较等等。主要用于神经网络中非卷积/全连接层网络计算，如Batch Normalization(批归一化)，像素级求和，对特征平面进行上采样等。
在一些实现中，向量计算单元1307能将经处理的输出的向量存储到统一存储器1306。例如，向量计算单元1307可以将线性函数；或，非线性函数应用到运算电路1303的输出，例如对卷积层提取的特征平面进行线性插值，再例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元1307生成归一化的值、像素级求和的值，或二者均有。在一些实现中，处理过的输出的向量能够用作到运算电路1303的激活输入，例如用于在神经网络中的后续层中的使用。
控制器1304连接的取指存储器(instruction fetch buffer)1309，用于存储控制器1304使用的指令；
统一存储器1306，输入存储器1301，权重存储器1302以及取指存储器1309均为On-Chip存储器。外部存储器私有于该NPU硬件架构。
其中，上述任一处提到的处理器，可以是一个通用中央处理器，微处理器，ASIC，或一个或多个用于控制上述程序执行的集成电路。
另外需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本申请提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。但是，对本申请而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘、U盘、移动硬盘、ROM、RAM、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，训练设备，或者网络设备等)执行本申请各个实施例所述的方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。
所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、训练设备或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、训练设备或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存储的任何可用介质或者是包含一个或多个可用介质集成的训练设备、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。

Claims (24)

1.一种数据处理方法，其特征在于，所述方法包括：
获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示包括通过扩散模型中的加噪模块对原始文本特征进行第一步长的加噪后得到的特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为第一图像的特征表示；
根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
根据所述第四特征表示，通过对比学习，更新所述去噪模块。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第四特征表示，通过对比学习，更新所述去噪模块，包括：
根据所述第四特征表示和多个文本特征之间的相似度，确定损失，并根据所述损失更新所述去噪模块。
3.根据权利要求1或2所述的方法，其特征在于，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
4.根据权利要求1至3任一所述的方法，其特征在于，所述方法还包括：
获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；
根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，得到预测噪声；
根据所述预测噪声和所述第三步长所添加的噪声，更新所述去噪模块。
5.根据权利要求4所述的方法，其特征在于，所述原始文本特征为通过文本编码器的第一处理分支对第二文本进行处理得到的，所述第七特征表示为通过所述文本编码器的第二处理分支得到的文本特征；
所述第一特征表示还包括通过所述第二处理分支对所述第二文本进行处理得到的特征表示的掩码结果。
6.根据权利要求4或5所述的方法，其特征在于，所述原始文本特征为通过文本编码器的第一处理分支对第二文本进行处理得到的，所述第七特征表示为通过所述文本编码器的第二处理分支得到的文本特征；
所述第五特征表示还包括通过文本编码器的第一处理分支对所述第一文本进行处理得到的特征表示的掩码结果。
7.一种数据处理方法，其特征在于，所述方法包括：
获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示包括通过扩散模型中的加噪模块对原始文本特征进行第一步长的加噪后得到的特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为第一图像的特征表示；
根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
根据所述第四特征表示和多个预设文本特征表示之间的相似度，确定所述图像的标签；每个所述预设文本特征表示对应一个标签。
8.根据权利要求7所述的方法，其特征在于，所述原始文本特征为对用户输入的标签或者说明文字caption进行编码后得到的。
9.根据权利要求7或8所述的方法，其特征在于，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
10.根据权利要求7至9任一所述的方法，其特征在于，所述方法还包括：
获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；
根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，以及根据预测的噪声，对所述第三步长的加噪后得到的图像特征表示进行去噪，得到目标图像。
11.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示包括通过扩散模型中的加噪模块对原始文本特征进行第一步长的加噪后得到的特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为第一图像的特征表示；
处理模块，用于根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
根据所述第四特征表示，通过对比学习，更新所述去噪模块。
12.根据权利要求11所述的装置，其特征在于，所述处理模块，具体用于：
根据所述第四特征表示和多个文本特征之间的相似度，确定损失，并根据所述损失更新所述去噪模块。
13.根据权利要求11或12所述的装置，其特征在于，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
14.根据权利要求11至13任一所述的装置，其特征在于，所述获取模块，还用于：
获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；
所述处理模块，还用于：
根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，得到预测噪声；
根据所述预测噪声和所述第三步长所添加的噪声，更新所述去噪模块。
15.根据权利要求14所述的装置，其特征在于，所述原始文本特征为通过文本编码器的第一处理分支对第二文本进行处理得到的，所述第七特征表示为通过所述文本编码器的第二处理分支得到的文本特征；
所述第一特征表示还包括通过所述第二处理分支对所述第二文本进行处理得到的特征表示的掩码结果。
16.根据权利要求14或15所述的装置，其特征在于，所述原始文本特征为通过文本编码器的第一处理分支对第二文本进行处理得到的，所述第七特征表示为通过所述文本编码器的第二处理分支得到的文本特征；
所述第五特征表示还包括通过文本编码器的第一处理分支对所述第一文本进行处理得到的特征表示的掩码结果。
17.一种数据处理装置，其特征在于，所述装置包括：
获取模块，用于获取第一特征表示、第二特征表示和第三特征表示；所述第一特征表示为通过扩散模型中的加噪模块以图像为条件对原始文本特征进行第一步长的加噪后得到的文本特征表示；所述第二特征表示为所述第一步长的特征表示；所述第三特征表示为所述图像的特征表示；
处理模块，用于根据所述第一特征表示、所述第二特征表示和所述第三特征表示，通过所述扩散模型中的去噪模块以所述第一图像为条件，对所述原始文本特征进行预测，得到第四特征表示；
根据所述第四特征表示和多个预设文本特征表示之间的相似度，确定所述图像的标签；每个所述预设文本特征表示对应一个标签。
18.根据权利要求17所述的装置，其特征在于，所述原始文本特征为对用户输入的标签或者说明文字caption进行编码后得到的。
19.根据权利要求17或18所述的装置，其特征在于，所述第一特征表示还包括通过扩散模型中的加噪模块对原始文本特征进行第二步长的加噪后得到的文本特征表示，所述第二步长大于所述第一步长。
20.根据权利要求17至19任一所述的装置，其特征在于，所述获取模块，还用于：
获取第五特征表示、第六特征表示和第七特征表示；所述第五特征表示包括通过所述扩散模型中的加噪模块对原始图像特征进行第三步长的加噪后得到的图像特征表示；所述第六特征表示为所述第三步长的特征表示；所述第七特征表示为所述第一文本的特征表示；
所述处理模块，还用于：根据所述第五特征表示、所述第六特征表示和所述第七特征表示，通过所述扩散模型中的去噪模块以所述第一文本为条件对所述第三步长所添加的噪声进行预测，以及根据预测的噪声，对所述第三步长的加噪后得到的图像特征表示进行去噪，得到目标图像。
21.一种计算机存储介质，其特征在于，所述计算机存储介质存储有一个或多个指令，所述指令在由一个或多个计算机执行时使得所述一个或多个计算机执行权利要求1至10中任一项所述方法的操作。
22.一种计算机程序产品，其特征在于，包括计算机可读指令，当所述计算机可读指令在计算机设备上运行时，使得所述计算机设备执行如权利要求1至10任一所述的方法。
23.一种系统，包括至少一个处理器，至少一个存储器；所述处理器、所述存储器通过通信总线连接并完成相互间的通信；
所述至少一个存储器用于存储代码；
所述至少一个处理器用于执行所述代码，以执行如权利要求1至10任一所述的方法。
24.一种芯片，包括处理器，其特征在于，所述处理器用于支持数据处理装置实现实现如权利要求1至10任一所述的方法。
CN202310751865.0A 2023-06-21 2023-06-21 一种数据处理方法及其装置 Pending CN116861850A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310751865.0A CN116861850A (zh) 2023-06-21 2023-06-21 一种数据处理方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310751865.0A CN116861850A (zh) 2023-06-21 2023-06-21 一种数据处理方法及其装置

Publications (1)

Publication Number Publication Date
CN116861850A true CN116861850A (zh) 2023-10-10

Family

ID=88231372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310751865.0A Pending CN116861850A (zh) 2023-06-21 2023-06-21 一种数据处理方法及其装置

Country Status (1)

Country Link
CN (1) CN116861850A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058276A (zh) * 2023-10-12 2023-11-14 腾讯科技（深圳）有限公司 图像生成方法、装置、设备及存储介质
CN117332860A (zh) * 2023-12-01 2024-01-02 北京红棉小冰科技有限公司 文本指令数据生成方法、装置、电子设备及存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117058276A (zh) * 2023-10-12 2023-11-14 腾讯科技（深圳）有限公司 图像生成方法、装置、设备及存储介质
CN117058276B (zh) * 2023-10-12 2024-01-26 腾讯科技（深圳）有限公司 图像生成方法、装置、设备及存储介质
CN117332860A (zh) * 2023-12-01 2024-01-02 北京红棉小冰科技有限公司 文本指令数据生成方法、装置、电子设备及存储介质
CN117332860B (zh) * 2023-12-01 2024-03-19 北京红棉小冰科技有限公司 文本指令数据生成方法、装置、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN116861850A (zh) 一种数据处理方法及其装置
WO2024041479A1 (zh) 一种数据处理方法及其装置
CN112580720A (zh) 一种模型训练方法及装置
WO2024083121A1 (zh) 一种数据处理方法及其装置
CN113505193A (zh) 一种数据处理方法及相关设备
CN113240120A (zh) 基于温习机制的知识蒸馏方法、装置、计算机设备和介质
CN114359289A (zh) 一种图像处理方法及相关装置
CN115661336A (zh) 一种三维重建方法及相关装置
CN116432019A (zh) 一种数据处理方法及相关设备
WO2024046473A1 (zh) 一种数据处理方法及其装置
CN116665219A (zh) 一种数据处理方法及其装置
CN115292439A (zh) 一种数据处理方法及相关设备
CN116910202A (zh) 一种数据处理方法及相关设备
CN116737895A (zh) 一种数据处理方法及相关设备
CN116883715A (zh) 一种数据处理方法及其装置
CN116258176A (zh) 一种数据处理方法及其装置
CN116052714A (zh) 一种数据处理方法及其装置
CN115879508A (zh) 一种数据处理方法及相关装置
Rawat et al. Indian Sign Language Recognition System for Interrogative Words Using Deep Learning
CN117173035A (zh) 一种数据处理方法及其装置
CN117669691A (zh) 一种数据处理方法及其装置
CN116542289A (zh) 一种数据处理方法及其装置
CN117765341A (zh) 一种数据处理方法及相关装置
CN112529149B (zh) 一种数据处理方法及相关装置
CN117350913A (zh) 一种数据处理方法及其装置

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