CN116882472A

CN116882472A - 一种训练数据评估方法及其相关设备

Info

Publication number: CN116882472A
Application number: CN202310632280.7A
Authority: CN
Inventors: 杜昭呈; 贾庆林; 董振华; 唐睿明
Original assignee: Huawei Technologies Co Ltd
Current assignee: Huawei Technologies Co Ltd
Priority date: 2023-05-30
Filing date: 2023-05-30
Publication date: 2023-10-13

Abstract

本申请公开了一种训练数据评估方法及其相关设备，在评估训练数据的重要程度的过程中，所考虑的因素较为全面，故所得到的训练数据的的评估值具备较高的准确度，进而可准确地完成训练数据的筛选。本申请的方法包括：先获取N个训练数据，N组第一门控参数以及N组第二门控参数。接着，可基于N个训练数据以及第i组第一门控参数对待训练模型进行训练，从而得到第i个第一模型，并基于N个训练数据以及第i组第二门控参数对待训练模型进行训练，从而得到第i个第二模型。然后，可对第i个第一模型以及第i个第二模型进行一系列的处理，从而得到第i个训练数据的评估值。如此一来，最终可得到N个训练数据的评估值。

Description

一种训练数据评估方法及其相关设备

技术领域

本申请实施例涉及人工智能(artificial intelligence，AI)技术领域，尤其涉及一种训练数据评估方法及其相关设备。

背景技术

在神经网络模型的训练过程中，通常会使用大量的训练数据来完成模型的训练。为了提高训练得到的神经网络模型的性能，往往需要筛选出较为重要的训练数据，剔除较为不重要的训练数据，从而完成训练出更优的模型。在筛选训练数据之前，通常需要对训练数据进行评估，以确定训练数据的重要程度。

在相关技术中，当需要对多个训练数据进行评估时，可先获取与多个训练数据一一对应的多个门控参数。接着，可将多个门控参数作用于多个训练数据，得到处理后的多个训练数据。然后，可将处理后的多个训练数据输入至待训练模型，得到多个训练数据的处理结果。最后，可基于处理结果来更新多个门控参数，更新后的多个门控参数即多个训练数据的评估值，用于指示多个训练数据的重要程度。至此，则完成了针对多个训练数据的评估。

上述过程中，仅通过片面的手段(更新后的多个门控参数)来直接评估多个训练数据在模型训练的过程中所做出的重要程度，这种方式所考虑的因素较为单一，导致得到的训练数据的评估值是不够准确的，进而无法准确完成训练数据的筛选。

发明内容

本申请实施例提供了一种训练数据评估方法及其相关设备，在评估训练数据的重要程度的过程中，所考虑的因素较为全面，故所得到的训练数据的的评估值具备较高的准确度，进而可准确地完成训练数据的筛选。

本申请实施例的第一方面提供了一种训练数据评估方法，其特征在于，方法包括：

当需要针对N个训练数据进行评估时，可先获取N个训练数据(例如，用户的特征数据或项目的特征数据等等)、N组第一门控参数以及N组第二门控参数，N≥2。其中，N个训练数据中的第i个训练数据与N组第一门控参数中的第i组第一门控参数对应，且与N组第二门控参数中的第i组第二门控参数对应。第i组第一门控参数可用于强化第i个训练数据在模型训练过程中所起的作用，第i组第二门控参数可用于弱化第i个训练数据在模型训练过程中所起的作用。

在得到N个训练数据、第i组第一门控参数以及第i组第二门控参数后，可利用N个训练数据以及第i组第一门控参数对待训练模型进行训练，从而得到第i个第一模型，并利用N个训练数据以及第i组第二门控参数对待训练模型进行训练，从而得到第i个第二模型。由于第i组第一门控参数可用于强化第i个训练数据在模型训练过程中所起的作用，那么，基于第i组第一门控参数训练得到的第一模型，会依赖于第i个训练数据。由于第i组第二门控参数可用于弱化第i个训练数据在模型训练过程中所起的作用，那么，基于第i组第二门控参数训练得到的第二模型，不会依赖于第i个训练数据。

得到第i个第一模型以及第i个第二模型后，可利用第i个第一模型以及第i个第二模型进行一系列的处理，从而得到第i个训练数据的评估值。由于i＝1，...，N，故最终可得到N个训练数据的评估值，用于指示N个训练数据的重要程度。至此，则完成了针对N个训练数据的评估。

从上述方法可以看出：由于第i组第一门控参数可用于令第i个第一模型依赖于第i个训练数据，且第i组第二门控参数可用于令第i个第二模型不依赖于第i个训练数据，故在模型训练过程中，不仅考虑了第i个训练数起到较大作用的情况，还考虑了第i个训练数据起到较小作用的情况，基于这两种情况所得到的模型(第i个第一模型以及第i个第二模型)来综合评估第i个训练数据的重要程度，这种方式所考虑的因素较为全面，故最终所得到的N个训练数据的的评估值具备较高的准确度，进而可准确地完成训练数据的筛选。

在一种可能实现的方式中，基于N个训练数据以及第i组第一门控参数对待训练模型进行训练，得到第i个第一模型包括：基于第i组第一门控参数，对N个训练数据进行第i次第一处理，得到第i次第一处理后的N个训练数据，其中，第i组第一门控参数包含与N个训练数据一一对应的N个第一门控参数，第i个第一门控参数位于第一取值范围内，除第i个第一门控参数之外的其余第一门控参数位于第二取值范围内；基于第i次第一处理后的N个训练数据，对待训练模型进行训练，得到第i个第一模型。前述实现方式中，在第i组第一门控参数中，由于第i个第一门控参数位于第一取值范围内，其取值为用于强化第i个训练数据所起的作用的取值，且其余第一门控参数位于第二取值范围内，其取值为弱化其余训练数据所起的作用的取值，故在第i组第一门控参数以及N个训练数据的相互配合下，可以使得训练得到的第i个第一模型依赖于第i组第一门控参数。

在一种可能实现的方式中，基于N个训练数据以及第i组第二门控参数对待训练模型进行训练，得到第i个第二模型包括：基于第i组第二门控参数，对N个训练数据进行第i次第二处理，得到第i次第二处理后的N个训练数据，其中，第i组第二门控参数包含与N个训练数据一一对应的N个第二门控参数，第i个第二门控参数位于第二取值范围内，除第i个第二门控参数之外的其余第二门控参数位于第一取值范围内；基于第i次第二处理后的N个训练数据，对待训练模型进行训练，得到第i个第二模型。前述实现方式中，在第i组第二门控参数中，由于第i个第二门控参数位于第二取值范围内，其取值为用于弱化第i个训练数据所起的作用的取值，且其余第二门控参数位于第一取值范围内，其取值为强化其余训练数据所起的作用的取值，故在第i组第二门控参数以及N个训练数据的相互配合下，会使得训练得到的第i个第二模型不依赖于第i组第二门控参数。

在一种可能实现的方式中，基于第i次第一处理后的N个训练数据，对待训练模型进行训练，得到第i个第一模型包括：将第i次第一处理后的N个训练数据输入至待训练模型，得到第i个第一处理结果；基于第i个第一处理结果以及第i个第一学习率，对待训练模型的参数进行更新，得到第i个第一模型，第i个第一学习率用于令第i个第一模型的性能与待训练模型的性能之间的差异位于第三取值范围内。前述实现方式中，第i个第一学习率的取值是可以动态调整的。一开始的时候，第i个第一学习率可以为预置值，在利用第i个第一梯度以及第i个第一学习率对待训练模型进行训练，得到第i个第一模型后，若第i个第一模型的性能与待训练模型的性能之间的差异位于第三取值范围外，可重新调整第i个第一学习率的取值，并重新利用第i个第一梯度以及第i个第一学习率对待训练模型进行训练，直至第i个第一模型的性能与待训练模型的性能之间的差异位于第三取值范围内。这样一来，可有效保证第i个第一模型的性能下限，故基于第i个第一模型来获取第i个训练数据的评估值，可进一步提高第i个训练数据的评估值的准确度。

在一种可能实现的方式中，基于第i次第二处理后的N个训练数据，对待训练模型进行训练，得到第i个第二模型包括：将第i次第二处理后的N个训练数据输入至待训练模型，得到第i个第二处理结果；基于第i个第二处理结果以及第i个第二学习率，对待训练模型的参数进行更新，得到第i个第二模型，第i个第二学习率用于令第i个第二模型的性能与待训练模型的性能之间的差异位于第三取值范围内。前述实现方式中，第i个第二学习率的取值是可以动态调整的。一开始的时候，第i个第二学习率可以为预置值，在利用第i个第二梯度以及第i个第二学习率对待训练模型进行训练，得到第i个第二模型后，若第i个第二模型的性能与待训练模型的性能之间的差异位于第三取值范围外，可重新调整第i个第二学习率的取值，并重新利用第i个第二梯度以及第i个第二学习率对待训练模型进行训练，直至第i个第二模型的性能与待训练模型的性能之间的差异位于第三取值范围内。这样一来，可有效保证第i个第二模型的性能下限，故基于第i个第二模型来获取第i个训练数据的评估值，可进一步提高第i个训练数据的评估值的准确度。

在一种可能实现的方式中，基于第i个第一模型以及第i个第二模型，获取第i个训练数据的评估值包括：获取N个新训练数据，N个新训练数据与N个训练数据一一对应，N个训练数据来源于第一数据集，N个新训练数据来源于第二数据集；通过第i个第一模型对N个新训练数据进行处理，以得到第i个训练数据的评估值上限；通过第i个第二模型对N个新训练数据进行处理，以得到第i个训练数据的评估值下限；基于第i个训练数据的评估值上限以及第i个训练数据的评估值下限，获取第i个训练数据的评估值。前述方式中，可利用与N个训练数据一一对应的N个新训练数据，来分别测试第i个第一模型的表现以及第i个第二模型的表现，从而准确分析出第i个训练数据的评估值上限以及第i个训练数据的评估值下限，进而得到第i个训练数据的评估值区间(重要性区间)，基于该区间可更加准确地给出第i个训练数据的评估值。

在一种可能实现的方式中，通过第i个第一模型对N个新训练数据进行处理，以得到第i个训练数据的评估值上限包括：将N个新训练数据输入至第i个第一模型，得到第i个第三处理结果；将除第i个新训练数据之外的其余新训练数据以及添加扰动后的第i个新训练数据输入至第i个第一模型，得到第i个第四处理结果；基于第i个第三处理结果以及第i个第四处理结果，获取第i个训练数据的评估值上限。前述实现方式中，由于第i个新训练数据与第i个训练数据时相对应的(类型是相同的)，故可以测试第i个第一模型在第i个新训练数据上的表现(可表现可通过第i个第三处理结果来获取)与第i个第一模型在添加扰动后的第i个新训练数据上的表现(该表现可通过第i个第四处理结果来获取)之间的差异，以该差异来作为第i个训练数据的评估值上限。

在一种可能实现的方式中，通过第i个第二模型对N个新训练数据进行处理，以得到第i个训练数据的评估值下限包括：将N个新训练数据输入至第i个第二模型，得到第i个第五处理结果；将除第i个新训练数据之外的其余新训练数据以及添加扰动后的第i个新训练数据输入至第i个第二模型，得到第i个第六处理结果；基于第i个第五处理结果以及第i个第六处理结果，获取第i个训练数据的评估值下限。前述实现方式中，由于第i个新训练数据与第i个训练数据时相对应的(类型是相同的)，故可以测试第i个第二模型在第i个新训练数据上的表现(可表现可通过第i个第五处理结果来获取)与第i个第二模型在添加扰动后的第i个新训练数据上的表现(该表现可通过第i个第六处理结果来获取)之间的差异，以该差异来作为第i个训练数据的评估值下限。

在一种可能实现的方式中，该方法还包括：基于N个训练数据的评估值，从N个训练数据中选择M个训练数据，N≥M≥1；基于M个训练数据，更新待训练模型的参数，直至满足模型训练条件，得到第三模型。前述实现方式中，得到N个训练数据的评估值后，可基于N个训练数据的评估值，可在N个训练数据中，将评估值靠前的M个训练数据选择出来。得到M个训练数据后，可将这M个训练数据作为当前批训练数据，并将当前批训练数据输入至待训练模型中，从而得到相应的处理结果，并基于该处理结果来更新待训练模型的参数，得到更新参数后的待训练模型，然后利用下一批训练数据(下一批训练数据所包含的M个训练数据与当前批训练数据所包含的M个训练数据一一对应)对更新参数后的待训练模型继续进行训练，直至满足模型训练条件，从而得到第三模型。

本申请实施例的第二方面提供了一种训练数据评估装置，该装置包括：获取模块，用于获取N个训练数据，N组第一门控参数以及N组第二门控参数，N≥2；第一训练模块，用于基于N个训练数据以及第i组第一门控参数对待训练模型进行训练，得到第i个第一模型，第i组第一门控参数用于令第i个第一模型依赖于第i个训练数据，i＝1，...，N；第二训练模块，用于基于N个训练数据以及第i组第二门控参数对待训练模型进行训练，得到第i个第二模型，第i组第二门控参数用于令第i个第二模型不依赖于第i个训练数据；评估模块，用于基于第i个第一模型以及第i个第二模型，获取第i个训练数据的评估值，第i个训练数据的评估值用于指示第i个训练数据的重要程度。

从上述装置可以看出：当需要针对N个训练数据进行评估时，可先获取N个训练数据，N组第一门控参数以及N组第二门控参数。接着，可基于N个训练数据以及第i组第一门控参数对待训练模型进行训练，从而得到第i个第一模型，并基于N个训练数据以及第i组第二门控参数对待训练模型进行训练，从而得到第i个第二模型。然后，可对第i个第一模型以及第i个第二模型进行一系列的处理，从而得到第i个训练数据的评估值。如此一来，最终可得到N个训练数据的评估值。前述过程中，由于第i组第一门控参数可用于令第i个第一模型依赖于第i个训练数据，且第i组第二门控参数可用于令第i个第二模型不依赖于第i个训练数据，故在模型训练过程中，不仅考虑了第i个训练数起到较大作用的情况，还考虑了第i个训练数据起到较小作用的情况，基于这两种情况所得到的模型(第i个第一模型以及第i个第二模型)来综合评估第i个训练数据的重要程度，这种方式所考虑的因素较为全面，故最终所得到的N个训练数据的的评估值具备较高的准确度，进而可准确地完成训练数据的筛选。

在一种可能实现的方式中，第一训练模块，用于：基于第i组第一门控参数，对N个训练数据进行第i次第一处理，得到第i次第一处理后的N个训练数据，其中，第i组第一门控参数包含与N个训练数据一一对应的N个第一门控参数，第i个第一门控参数位于第一取值范围内，除第i个第一门控参数之外的其余第一门控参数位于第二取值范围内；基于第i次第一处理后的N个训练数据，对待训练模型进行训练，得到第i个第一模型。

在一种可能实现的方式中，第二训练模块，用于：基于第i组第二门控参数，对N个训练数据进行第i次第二处理，得到第i次第二处理后的N个训练数据，其中，第i组第二门控参数包含与N个训练数据一一对应的N个第二门控参数，第i个第二门控参数位于第二取值范围内，除第i个第二门控参数之外的其余第二门控参数位于第一取值范围内；基于第i次第二处理后的N个训练数据，对待训练模型进行训练，得到第i个第二模型。

在一种可能实现的方式中，第一训练模块，用于：将第i次第一处理后的N个训练数据输入至待训练模型，得到第i个第一处理结果；基于第i个第一处理结果以及第i个第一学习率，对待训练模型的参数进行更新，得到第i个第一模型，第i个第一学习率用于令第i个第一模型的性能与待训练模型的性能之间的差异位于第三取值范围内。

在一种可能实现的方式中，第二训练模块，用于：将第i次第二处理后的N个训练数据输入至待训练模型，得到第i个第二处理结果；基于第i个第二处理结果以及第i个第二学习率，对待训练模型的参数进行更新，得到第i个第二模型，第i个第二学习率用于令第i个第二模型的性能与待训练模型的性能之间的差异位于第三取值范围内。

在一种可能实现的方式中，评估模块，用于：获取N个新训练数据，N个新训练数据与N个训练数据一一对应，N个训练数据来源于第一数据集，N个新训练数据来源于第二数据集；通过第i个第一模型对N个新训练数据进行处理，以得到第i个训练数据的评估值上限；通过第i个第二模型对N个新训练数据进行处理，以得到第i个训练数据的评估值下限；基于第i个训练数据的评估值上限以及第i个训练数据的评估值下限，获取第i个训练数据的评估值。

在一种可能实现的方式中，评估模块，用于：将N个新训练数据输入至第i个第一模型，得到第i个第三处理结果；将除第i个新训练数据之外的其余新训练数据以及添加扰动后的第i个新训练数据输入至第i个第一模型，得到第i个第四处理结果；基于第i个第三处理结果以及第i个第四处理结果，获取第i个训练数据的评估值上限。

在一种可能实现的方式中，评估模块，用于：将N个新训练数据输入至第i个第二模型，得到第i个第五处理结果；将除第i个新训练数据之外的其余新训练数据以及添加扰动后的第i个新训练数据输入至第i个第二模型，得到第i个第六处理结果；基于第i个第五处理结果以及第i个第六处理结果，获取第i个训练数据的评估值下限。

在一种可能实现的方式中，该装置还包括：选择模块，用于基于N个训练数据的评估值，从N个训练数据中选择M个训练数据，N≥M≥1；第三训练模块，用于基于M个训练数据，更新待训练模型的参数，直至满足模型训练条件，得到第三模型。

本申请实施例的第三方面提供了一种训练数据评估装置，该装置包括存储器和处理器；存储器存储有代码，处理器被配置为执行代码，当代码被执行时，训练数据评估装置执行如第一方面或第一方面中任意一种可能的实现方式所述的方法。

本申请实施例的第四方面提供了一种电路系统，该电路系统包括处理电路，该处理电路配置为执行如第一方面或第一方面中任意一种可能的实现方式所述的方法。

本申请实施例的第五方面提供了一种芯片系统，该芯片系统包括处理器，用于调用存储器中存储的计算机程序或计算机指令，以使得该处理器执行如第一方面或第一方面中任意一种可能的实现方式所述的方法。

在一种可能的实现方式中，该处理器通过接口与存储器耦合。

在一种可能的实现方式中，该芯片系统还包括存储器，该存储器中存储有计算机程序或计算机指令。

本申请实施例的第六方面提供了一种计算机存储介质，该计算机存储介质存储有计算机程序，该程序在由计算机执行时，使得计算机实施如第一方面或第一方面中任意一种可能的实现方式所述的方法。

本申请实施例的第七方面提供了一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执行时，使得计算机实施如第一方面或第一方面中任意一种可能的实现方式所述的方法。

本申请实施例中，当需要针对N个训练数据进行评估时，可先获取N个训练数据，N组第一门控参数以及N组第二门控参数。接着，可基于N个训练数据以及第i组第一门控参数对待训练模型进行训练，从而得到第i个第一模型，并基于N个训练数据以及第i组第二门控参数对待训练模型进行训练，从而得到第i个第二模型。然后，可对第i个第一模型以及第i个第二模型进行一系列的处理，从而得到第i个训练数据的评估值。如此一来，最终可得到N个训练数据的评估值。前述过程中，由于第i组第一门控参数可用于令第i个第一模型依赖于第i个训练数据，且第i组第二门控参数可用于令第i个第二模型不依赖于第i个训练数据，故在模型训练过程中，不仅考虑了第i个训练数起到较大作用的情况，还考虑了第i个训练数据起到较小作用的情况，基于这两种情况所得到的模型(第i个第一模型以及第i个第二模型)来综合评估第i个训练数据的重要程度，这种方式所考虑的因素较为全面，故最终所得到的N个训练数据的的评估值具备较高的准确度，进而可准确地完成训练数据的筛选。

附图说明

图1为人工智能主体框架的一种结构示意图；

图2a为本申请实施例提供的数据处理系统的一个结构示意图；

图2b为本申请实施例提供的数据处理系统的另一结构示意图；

图2c为本申请实施例提供的数据处理的相关设备的一个示意图；

图3为本申请实施例提供的系统100架构的一个示意图；

图4为本申请实施例提供的项目推荐系统的一个结构示意图；

图5为本申请实施例提供的训练数据评估方法的一个流程示意图；

图6为本申请实施例提供的训练数据评估方法的应用例的一个示意图；

图7为本申请实施例提供的训练数据评估方法的应用例的另一示意图；

图8为本申请实施例提供的数据处理方法的一个流程示意图；

图9为本申请实施例提供的训练数据评估装置的一个结构示意图；

图10为本申请实施例提供的数据处理装置的一个结构示意图；

图11为本申请实施例提供的执行设备的一个结构示意图；

图12为本申请实施例提供的训练设备的一个结构示意图；

图13为本申请实施例提供的芯片的一个结构示意图。

具体实施方式

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。

在相关技术中，当需要对多个训练数据进行评估时，可先获取与多个训练数据一一对应的多个门控参数。接着，可将多个门控参数作用于多个训练数据，得到处理后的多个训练数据。然后，可将处理后的多个训练数据输入至待训练模型，得到多个训练数据的处理结果。最后，可基于处理结果来更新多个门控参数，更新后的多个门控参数即多个训练数据的评估值，用于指示多个训练数据的重要程度。那么，后续可基于多个训练数据的评估值，从多个训练数据中选出较为重要的若干个训练数据，并利用这若干个训练数据来对待训练模型进行训练，以得到目标模型。

为了解决上述问题，本申请实施例提供了一种训练数据评估方法，该方法可结合人工智能(artificial intelligence，AI)技术实现。AI技术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的技术学科，AI技术通过感知环境、获取知识并使用知识获得最佳结果。换句话说，人工智能技术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做出反应的智能机器。利用人工智能进行数据处理是人工智能常见的一个应用方式。

首先对人工智能系统总体工作流程进行描述，请参见图1，图1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。

接下来介绍几种本申请的应用场景。

图2a为本申请实施例提供的数据处理系统的一个结构示意图，该数据处理系统包括用户设备以及数据处理设备。其中，用户设备包括手机、个人电脑或者信息处理中心等智能终端。用户设备为数据处理的发起端，作为数据处理请求的发起方，通常由用户通过用户设备发起请求。

上述数据处理设备可以是云服务器、网络服务器、应用服务器以及管理服务器等具有数据处理功能的设备或服务器。数据处理设备通过交互接口接收来自智能终端的数据处理请求，再通过存储数据的存储器以及数据处理的处理器环节进行机器学习，深度学习，搜索，推理，决策等方式的数据处理。数据处理设备中的存储器可以是一个统称，包括本地存储以及存储历史数据的数据库，数据库可以在数据处理设备上，也可以在其它网络服务器上。

在图2a所示的数据处理系统中，用户设备可以接收用户的指令，例如用户设备可以获取用户输入/选择的目标数据，然后向数据处理设备发起请求，使得数据处理设备针对来自用户设备的目标数据执行一系列的处理，从而得到目标数据的处理结果。示例性的，用户设备可以获取用户输入的用户的特征数据以及多个项目的特征数据，然后用户设备可向数据处理设备发起数据处理请求，使得数据处理设备基于数据处理请求，对用户的特征数据以及多个项目的特征数据进行一系列的处理，从而得到这些数据的处理结果，即多个项目可推荐给用户的概率。

在图2a中，数据处理设备可以执行本申请实施例的数据处理方法。

图2b为本申请实施例提供的数据处理系统的另一结构示意图，在图2b中，用户设备直接作为数据处理设备，该用户设备能够直接获取来自用户的输入并直接由用户设备本身的硬件进行处理，具体过程与图2a相似，可参考上面的描述，在此不再赘述。

在图2b所示的数据处理系统中，用户设备可以接收用户的指令，例如用户设备可以获取用户输入的目标数据，然后针对目标数据执行一系列的处理，从而得到目标数据的处理结果。示例性的，用户设备可以获取用户输入的用户的特征数据以及多个项目的特征数据，然后用户设备可对用户的特征数据以及多个项目的特征数据进行一系列的处理，从而得到这些数据的处理结果，即多个项目可推荐给用户的概率。

在图2b中，用户设备自身就可以执行本申请实施例的数据处理方法。

图2c为本申请实施例提供的数据处理的相关设备的一个示意图。

上述图2a和图2b中的用户设备具体可以是图2c中的本地设备301或者本地设备302，图2a中的数据处理设备具体可以是图2c中的执行设备210，其中，数据存储系统250可以存储执行设备210的待处理数据，数据存储系统250可以集成在执行设备210上，也可以设置在云上或其它网络服务器上。

图2a和图2b中的处理器可以通过神经网络模型或者其它模型(例如，基于支持向量机的模型)进行数据训练/机器学习/深度学习，并利用数据最终训练或者学习得到的模型针对图像执行数据处理应用，从而得到相应的处理结果。

图3为本申请实施例提供的系统100架构的一个示意图，在图3中，执行设备110配置输入/输出(input/output，I/O)接口112，用于与外部设备进行数据交互，用户可以通过客户设备140向I/O接口112输入数据，所述输入数据在本申请实施例中可以包括：各个待调度任务、可调用资源以及其他参数。

在执行设备110对输入数据进行预处理，或者在执行设备110的计算模块111执行计算等相关的处理(比如进行本申请中神经网络模型的功能实现)过程中，执行设备110可以调用数据存储系统150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150中。

最后，I/O接口112将处理结果返回给客户设备140，从而提供给用户。

值得说明的是，训练设备120可以针对不同的目标或称不同的任务，基于不同的训练数据生成相应的目标模型/规则，该相应的目标模型/规则即可以用于实现上述目标或完成上述任务，从而为用户提供所需的结果。其中，训练数据可以存储在数据库130中，且来自于数据采集设备160采集的训练样。

在图3中所示情况下，用户可以手动给定输入数据，该手动给定可以通过I/O接口112提供的界面进行操作。另一种情况下，客户设备140可以自动地向I/O接口112发送输入数据，如果要求客户设备140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140中设置相应权限。用户可以在客户设备140查看执行设备110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140也可以作为数据采集端，采集如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果作为新的样本数据，并存入数据库130。当然，也可以不经过客户设备140进行采集，而是由I/O接口112直接将如图所示输入I/O接口112的输入数据及输出I/O接口112的输出结果，作为新的样本数据存入数据库130。

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150相对执行设备110是外部存储器，在其它情况下，也可以将数据存储系统150置于执行设备110中。如图3所示，可以根据训练设备120训练得到神经网络。

本申请实施例还提供的一种芯片，该芯片包括神经网络处理器NPU。该芯片可以被设置在如图3所示的执行设备110中，用以完成计算模块111的计算工作。该芯片也可以被设置在如图3所示的训练设备120中，用以完成训练设备120的训练工作并输出目标模型/规则。

神经网络处理器NPU，NPU作为协处理器挂载到主中央处理器(centralprocessing unit，CPU)(host CPU)上，由主CPU分配任务。NPU的核心部分为运算电路，控制器控制运算电路提取存储器(权重存储器或输入存储器)中的数据并进行运算。

在一些实现中，运算电路内部包括多个处理单元(process engine,PE)。在一些实现中，运算电路是二维脉动阵列。运算电路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)中。

向量计算单元可以对运算电路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。例如，向量计算单元可以用于神经网络中非卷积/非FC层的网络计算，如池化(pooling)，批归一化(batch normalization)，局部响应归一化(localresponse normalization)等。

在一些实现种，向量计算单元能将经处理的输出的向量存储到统一缓存器。例如，向量计算单元可以将非线性函数应用到运算电路的输出，例如累加值的向量，用以生成激活值。在一些实现中，向量计算单元生成归一化的值、合并值，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的激活输入，例如用于在神经网络中的后续层中的使用。

统一存储器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)将外部存储器中的输入数据搬运到输入存储器和/或统一存储器、将外部存储器中的权重数据存入权重存储器，以及将统一存储器中的数据存入外部存储器。

总线接口单元(bus interface unit，BIU)，用于通过总线实现主CPU、DMAC和取指存储器之间进行交互。

与控制器连接的取指存储器(instruction fetch buffer)，用于存储控制器使用的指令；

控制器，用于调用指存储器中缓存的指令，实现控制该运算加速器的工作过程。

一般地，统一存储器，输入存储器，权重存储器以及取指存储器均为片上(On-Chip)存储器，外部存储器为该NPU外部的存储器，该外部存储器可以为双倍数据率同步动态随机存储器(double data rate synchronous dynamic random access memory，DDRSDRAM)、高带宽存储器(high bandwidth memory，HBM)或其他可读可写的存储器。

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。神经网络是将许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。

神经网络中的每一层的工作可以用数学表达式y＝a(Wx+b)来描述：从物理层面神经网络中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作，完成输入空间到输出空间的变换(即矩阵的行空间到列空间)，这五种操作包括：1、升维/降维；2、放大/缩小；3、旋转；4、平移；5、“弯曲”。其中1、2、3的操作由Wx完成，4的操作由+b完成，5的操作则由a()来实现。这里之所以用“空间”二字来表述是因为被分类的对象并不是单个事物，而是一类事物，空间是指这类事物所有个体的集合。其中，W是权重向量，该向量中的每一个值表示该层神经网络中的一个神经元的权重值。该向量W决定着上文所述的输入空间到输出空间的空间变换，即每一层的权重W控制着如何变换空间。训练神经网络的目的，也就是最终得到训练好的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)。因此，神经网络的训练过程本质上就是学习控制空间变换的方式，更具体的就是学习权重矩阵。

因为希望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，直到神经网络能够预测出真正想要的目标值。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，那么神经网络的训练就变成了尽可能缩小这个loss的过程。

(2)反向传播算法

神经网络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的神经网络模型中参数的大小，使得神经网络模型的重建误差损失越来越小。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的神经网络模型中参数，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，旨在得到最优的神经网络模型的参数，例如权重矩阵。

下面从神经网络的训练侧和神经网络的应用侧对本申请提供的方法进行描述。

本申请实施例提供的训练数据评估方法，可评估并选择出较为重要的训练数据，以完成模型训练。在模型训练的过程中，涉及数据序列的处理，具体可以应用于数据训练、机器学习、深度学习等方法，对训练数据(例如，本申请实施例提供的训练数据评估方法中的M个训练数据)进行符号化和形式化的智能信息建模、抽取、预处理、训练等，最终得到训练好的神经网络(例如，本申请实施例提供的模型训练方法中的第三模型)；并且，本申请实施例提供的数据处理方法可以运用上述训练好的神经网络，将输入数据(例如，本申请实施例提供的数据处理方法中的目标数据)输入到所述训练好的神经网络中，得到输出数据(例如，本申请实施例提供的数据处理方法中的目标数据的处理结果)。需要说明的是，本申请实施例提供的训练数据评估方法和数据处理方法是基于同一个构思产生的发明，也可以理解为一个系统中的两个部分，或一个整体流程的两个阶段：如模型训练阶段和模型应用阶段。

本申请实施例提供的训练数据评估方法，可应用于各种场景中，例如，图像处理系统中的物体分类场景以及文本提取场景，自动驾驶系统中的物体检测场景以及物体分割场景，项目推荐系统中的点击率预测场景等等。下面以项目推荐系统中的点击率预测场景为例进行示意性介绍，如图4所示(图4为本申请实施例提供的项目推荐系统的一个结构示意图)，项目推荐系统包括：用户界面的展示列表、日志、离线训练模块以及线上预测模块。

项目推荐系统的基本运行流程为：系统可向用户提供用户界面，用户界面可提供展示列表，展示列表包含可供用户操作的多个项目(item)。用户在展示列表的项目中进行一系列的行为，如浏览、点击、评论、下载等，从而产生用户数据，存储于日志中。项目推荐系统可从日志中，利用用户数据作为训练数据进行离线的模型训练，在训练收敛后产生预测模型，将预测模型部署在线上服预测模块中并基于用户的请求访问、物品特征和上下文信息给出推荐结果，然后用户对该推荐结果产生反馈形成更进一步的用户数据。

在整个推荐系统的流程当中，系统所记录的用户数据包含数以千计的用户的特征数据和物品的特征数据，这些特征数据全部用来作为训练数据是不切实际的，因为更多的特征数据意味着需要更多计算资源，线上时延也会相应提高，带来成本的提升。此外，噪音特征数据和冗余特征数据会导致训练得到的预测模型的性能变差。因此，需要对特征数据进行筛选，而在此过程中如何对特征数据进行更准确的评估，对后续提升预测模型的精度至关重要。

基于此，可利用本申请实施例提供的训练数据评估方法，以更加准确地完成针对特征数据(训练数据)的评估，进而更加准确地完成特征数据的筛选，从而训练得到性能更为优秀的预测模型。

图5为本申请实施例提供的训练数据评估方法的一个流程示意图，如图5所示，该方法包括：

501、获取N个训练数据，N组第一门控参数以及N组第二门控参数，N≥2。

当需要针对N个训练数据进行评估时，可先获取N个训练数据(例如，训练数据可以为用户的姓名、用户的性别、用户的年龄等用户的特征数据，又如，训练数据还可以为项目的名称、项目的价格、项目的功能等项目的特征数据)、N组第一门控参数以及N组第二门控参数(N为大于或等于2的正整数)。

由于后续对于N个训练数据中的每个训练数据所执行的操作是类似的，故下文均以N个训练数据中的任意一个训练数据为例进行示意性介绍，即以N个训练数据中的第i个训练数据(i＝1，...，N)进行示意性介绍。

值得注意的是，第i个训练数据与N组第一门控参数中的第i组第一门控参数对应，且与N组第二门控参数中的第i组第二门控参数对应。其中，第i组第一门控参数可用于强化第i个训练数据在模型训练过程中所起的作用，并弱化其余训练数据在模型训练过程中所起的作用。第i组第二门控参数可用于弱化第i个训练数据在模型训练过程中所起的作用，并强化其余训练数据在模型训练过程中所起的作用。

需要说明的是，第i组第一门控参数包含N个第一门控参数，这N个第一门控参数与N个训练数据一一对应，且这N个第一门控参数中的第i个门控参数位于第一取值范围中(第一取值范围的上限和下限可根据实际需求进行设置，此处不做限定)，这N个第一门控参数中除第i个第一门控参数之外的其余第一门控参数位于第二取值范围中(第二取值范围的上限和下限可根据实际需求进行设置，此处不做限定)。由于第一取值范围与第二取值范围之间不存在重叠的区间，故第i个第一门控参数的取值与其余第一门控参数的取值是不同的，第i个第一门控参数的取值可用于强化第i个训练数据所起的作用(例如，第i个第一门控参数的取值为1)，其余第一门控参数的取值可用于弱化其余训练数据所起的作用(例如，其余第一门控参数的取值接近于0)。

同理，第i组第二门控参数包含N个第二门控参数，这N个第二门控参数与N个训练数据一一对应，且这N个第二门控参数中的第i个门控参数位于第二取值范围中，这N个第二门控参数中除第i个第二门控参数之外的其余第二门控参数位于第一取值范围中。由于第一取值范围与第二取值范围之间不存在重叠的区间，故第i个第二门控参数的取值与其余第二门控参数的取值是不同的，第i个第二门控参数的取值可用于强化第i个训练数据所起的作用(例如，第i个第二门控参数的取值接近于0)，其余第二门控参数的取值可用于强化其余训练数据所起的作用(例如，其余第二门控参数的取值为1)。

502、基于N个训练数据以及第i组第一门控参数对待训练模型进行训练，得到第i个第一模型，第i组第一门控参数用于令第i个第一模型依赖于第i个训练数据，i＝1，...，N。

503、基于N个训练数据以及第i组第二门控参数对待训练模型进行训练，得到第i个第二模型，第i组第二门控参数用于令第i个第二模型不依赖于第i个训练数据。

在得到N个训练数据、第i组第一门控参数以及第i组第二门控参数后，可利用N个训练数据以及第i组第一门控参数对待训练模型(也就是需要训练的神经网络模型)进行训练，从而得到第i个第一模型，并利用N个训练数据以及第i组第二门控参数对待训练模型进行训练，从而得到第i个第二模型。

由于第i组第一门控参数可用于强化第i个训练数据在模型训练过程中所起的作用，并弱化其余训练数据在模型训练过程中所起的作用，那么，基于第i组第一门控参数训练得到的第一模型，会依赖于第i个训练数据，而不会依赖于其余训练数据。同理，由于第i组第二门控参数可用于弱化第i个训练数据在模型训练过程中所起的作用，并强化其余训练数据在模型训练过程中所起的作用，那么，基于第i组第二门控参数训练得到的第二模型，不会依赖于第i个训练数据，而会依赖于其余训练数据。

具体地，可通过以下方式来获取第一模型以及第二模型：

(1)在得到N个训练数据以及第i组第一门控参数后，可利用第i组第一门控参数，对N个训练数据分别进行第i次第一处理，从而得到第i次第一处理后的N个训练数据。需要说明的是，第i组第一门控参数包含N个第一门控参数，在这N个第一门控参数中，可对第1个门控参数以及第1个训练数据进行第i次第一处理(例如，第i次第一处理为相乘处理)，从而得到第i次第一处理后的第1个训练数据，并对第2个门控参数以及第2个训练数据进行第i次第一处理，从而得到第i次第一处理后的第2个训练数据，...，最后对第N个门控参数以及第N个训练数据进行第i次第一处理，从而得到第i次第一处理后的第N个训练数据。

例如，如图6所示(图6为本申请实施例提供的训练数据评估方法的应用例的一个示意图)，假设有用户和项目的10个特征数据(也就是前述的训练数据)，且第1个特征数据的评估值已得到，当前准备获取第2个特征数据的评估值。那么，可获取第2组强化门控参数(也就是前述的第2组第一门控参数)以及第2组弱化门控参数(也就是前述的第2组第二门控参数)，其中，第2组强化门控参数包含10个强化门控参数，第1个强化门控参数为0.05，第2个强化门控参数为1，...，第10个强化门控参数为0.08，可见，第2组强化门控参数用于强化第2个特征数据所起的作用。第2组弱化门控参数包含10个弱化门控参数，第1个弱化门控参数为1，第2个弱化门控参数为0.05，...，第10个弱化门控参数为1，第2组弱化门控参数用于强化除第2个特征数据之外的其余特征数据所起的作用。

那么，可将第1个强化门控参数与第1个特征数据进行强化处理，得到第2次强化处理后的第1个特征数据，将第2个强化门控参数与第2个特征数据进行强化处理，得到第2次强化处理后的第2个特征数据，...，将第10个强化门控参数与第10个特征数据进行强化处理，得到第2次强化处理后的第10个特征数据。

(2)得到第i次第一处理后的N个训练数据后，可利用第i次第一处理后的N个训练数据，对待训练模型进行训练，从而得到第i个第一模型。那么，所得到的第i个第一模型则依赖于第i个训练数据，而不依赖于其余训练数据。

更具体地，还可通过以下方式来获取第一模型：

(2.1)得到第i次第一处理后的N个训练数据后，可将第i次第一处理后的N个训练数据输入至待训练模型，以通过待训练模型对第i次第一处理后的N个训练数据进行处理，从而得到N个训练数据的第i个第一处理结果。

(2.2)得到第i个第一处理结果后，可对N个训练数据的的第i个第一处理结果以及N个训练数据的真实处理结果进行计算，从而得到第i个第一损失(用于指示第i个第一处理结果与真实处理结果之间的差异)。接着，可基于第i个第一损失计算第i个第一梯度，并利用第i个第一梯度以及第i个第一学习率(用于指示如何使用第i个第一梯度来更新待训练模型的参数，也就是参数更新的幅度大小)，对待训练模型的参数进行更新，从而得到第i个第一模型。

需要说明的是，第i个第一学习率的取值是可以动态调整的。一开始的时候，第i个第一学习率可以为预置值，在利用第i个第一梯度以及第i个第一学习率对待训练模型进行训练，得到第i个第一模型后，若第i个第一模型的性能与待训练模型的性能之间的差异位于第三取值范围(第三取值范围的上界下界可根据实际需求进行设置，此处不做限制)外，可重新调整第i个第一学习率的取值(例如，为预置值的一半)，并重新利用第i个第一梯度以及第i个第一学习率对待训练模型进行训练，直至第i个第一模型的性能与待训练模型的性能之间的差异位于第三取值范围内。

依旧如上述例子，得到第2次强化处理后的10个特征数据后，可将第2次强化处理后的10个特征数据输入至模型M₀，模型M₀可对第2次强化处理后的10个特征数据进行处理，从而得到第2个强化处理结果(即前述的第2个第一处理结果)，并可基于第2个强化处理结果计算第2个强化梯度(即前述的第2个第一梯度)。然后，可获取第2个强化学习率(即前述的第2个第一学习率)，此时，第2个强化学习率为初始化的预置值γ，可利用第2个强化梯度以及第2个强化学习率来更新M₀的参数，得到模型M₁。若M₁的性能与M₀的性能之间的差异超过置信度ε，则重新调整第2个强化学习率为0.5γ，并利用第2个强化梯度以及第2个强化学习率来重新更新M₀的参数，直至M₁的性能与M₀的性能之间的差异不超过ε。如此一来，所得到的M₁则强依赖于第2个特征数据，而弱依赖于其余特征数据。

(3)在得到N个训练数据以及第i组第二门控参数后，可利用第i组第二门控参数，对N个训练数据分别进行第i次第二处理，从而得到第i次第二处理后的N个训练数据。需要说明的是，第i组第二门控参数包含N个第二门控参数，在这N个第二门控参数中，可对第1个门控参数以及第1个训练数据进行第i次第二处理(例如，第i次第二处理为相乘处理)，从而得到第i次第二处理后的第1个训练数据，并对第2个门控参数以及第2个训练数据进行第i次第二处理，从而得到第i次第二处理后的第2个训练数据，...，最后对第N个门控参数以及第N个训练数据进行第i次第二处理，从而得到第i次第二处理后的第N个训练数据。

例如，如图7所示(图7为本申请实施例提供的训练数据评估方法的应用例的另一示意图，图7是在图6的基础上绘制的)，可将第1个弱化门控参数与第1个特征数据进行弱化处理，得到第2次弱化处理后的第1个特征数据，将第2个弱化门控参数与第2个特征数据进行弱化处理，得到第2次弱化处理后的第2个特征数据，...，将第10个弱化门控参数与第10个特征数据进行弱化处理，得到第2次弱化处理后的第10个特征数据。

(4)得到第i次第二处理的第N个训练数据后，可利用第i次第二处理后的N个训练数据，对待训练模型进行训练，从而得到第i个第二模型。那么，所得到的第i个第二模型则不依赖于第i个训练数据，而依赖于其余训练数据。

更具体地，还可通过以下方式来获取第二模型：

(4.1)得到第i次第二处理后的N个训练数据后，可将第i次第二处理后的N个训练数据输入至待训练模型，以通过待训练模型对第i次第二处理后的N个训练数据进行处理，从而得到N个训练数据的第i个第二处理结果。

(4.2)得到第i个第二处理结果后，可对N个训练数据的的第i个第二处理结果以及N个训练数据的真实处理结果进行计算，从而得到第i个第二损失(用于指示第i个第二处理结果与真实处理结果之间的差异)。接着，可基于第i个第二损失计算第i个第二梯度，并利用第i个第二梯度以及第i个第二学习率(用于指示如何使用第i个第二梯度来更新待训练模型的参数，也就是参数更新的幅度大小)，对待训练模型的参数进行更新，从而得到第i个第二模型。

需要说明的是，第i个第二学习率的取值是可以动态调整的。一开始的时候，第i个第二学习率可以为预置值，在利用第i个第二梯度以及第i个第二学习率对待训练模型进行训练，得到第i个第二模型后，若第i个第二模型的性能与待训练模型的性能之间的差异位于第三取值范围外，可重新调整第i个第二学习率的取值(例如，为预置值的一半)，并重新利用第i个第二梯度以及第i个第二学习率对待训练模型进行训练，直至第i个第二模型的性能与待训练模型的性能之间的差异位于第三取值范围内。

依旧如上述例子，得到第2次弱化处理后的10个特征数据后，可将第2次弱化处理后的10个特征数据输入至模型M₀，模型M₀可对第2次弱化处理后的10个特征数据进行处理，从而得到第2个弱化处理结果(即前述的第2个第一处理结果)，并可基于第2个弱化处理结果计算第2个弱化梯度(即前述的第2个第一梯度)。然后，可获取第2个弱化学习率(即前述的第2个第一学习率)，此时，第2个弱化学习率为初始化的预置值γ，可利用第2个弱化梯度以及第2个弱化学习率来更新M₀的参数，得到模型M₂。若M₂的性能与M₀的性能之间的差异超过置信度ε，则重新调整第2个弱化学习率为0.5γ，并利用第2个弱化梯度以及第2个弱化学习率来重新更新M₀的参数，直至M₂的性能与M₀的性能之间的差异不超过ε。如此一来，所得到的M₂则弱依赖于第2个特征数据，而强依赖于其余特征数据。

504、基于第i个第一模型以及第i个第二模型，获取第i个训练数据的评估值，第i个训练数据的评估值用于指示第i个训练数据的重要程度。

得到第i个第一模型以及第i个第二模型后，可利用第i个第一模型以及第i个第二模型进行一系列的处理，从而得到第i个训练数据的评估值，第i个训练数据的评估值用于指示第i个训练数据的重要程度。那么，对于除第i个训练数据之外的其余训练数据，也可对其余训练数据进行如同对第i个训练数据所执行的操作，故最终可得到N个训练数据的评估值。至此，则完成了针对N个训练数据的评估。

具体地，可通过以下方式来获取第i个训练数据的评估值：

(1)获取与N个训练数据一一对应的N个新训练数据，其中，N个训练数据可从第一数据集中采集得到，N个新训练数据可从第二数据集中采集得到，第一数据集与第二数据集为不同的数据集。需要说明的是，此处所提及的N个训练数据与N个新训练数据一一对应，通常指第i个训练数据的类型与第i个训练数据的类型是相同的。

(2)得到N个新训练数据后，可将N个新训练数据输入至第i个第一模型，以通过第i个第一模型对N个新训练数据进行处理，以得到第i个训练数据的评估值上限。

更具体地，可通过以下方式来获取第i个训练数据的评估值上限：

(2.1)得到N个新训练数据后，可将N个新训练数据输入至第i个第一模型，以通过第i个第一模型对N个新训练数据进行处理，从而得到N个新训练数据的第i个第三处理结果。

(2.2)在N个新训练数据中，还可对第i个新训练数据添加扰动，从而改变第i个新训练数据的内容和性质，得到添加扰动后的第i个新训练数据(例如，若第i个新训练数据为用户的性别：男，对其添加扰动后，添加扰动后的第i个新训练数据则为用户的性别：女)。那么，可将除第i个新训练数据之外的其余新训练数据以及添加扰动后的第i个新训练数据输入至第i个第一模型，以通过第i个第一模型对其余新训练数据以及添加扰动后的第i个新训练数据进行处理，从而得到N个新训练数据的第i个第四处理结果。

(2.3)得到第i个第三处理结果以及第i个第四处理结果后，可对第i个第三处理结果以及N个新训练数据的真实处理结果进行计算，从而得到第i个第三损失，并对第i个第四处理结果以及N个新训练数据的真实处理结果进行计算，从而得到第i个第四损失。那么，可将第i个第三损失以及第i个第四损失之间的变化，作为第i个训练数据的评估值上限。

(3)得到N个新训练数据后，可将N个新训练数据输入至第i个第二模型，以通过第i个第二模型对N个新训练数据进行处理，以得到第i个训练数据的评估值下限。

更具体地，可通过以下方式来获取第i个训练数据的评估值下限：

(3.1)得到N个新训练数据后，可将N个新训练数据输入至第i个第二模型，以通过第i个第二模型对N个新训练数据进行处理，从而得到N个新训练数据的第i个第五处理结果。

(3.2)在N个新训练数据中，还可对第i个新训练数据添加扰动，从而改变第i个新训练数据的内容和性质，得到添加扰动后的第i个新训练数据。那么，可将除第i个新训练数据之外的其余新训练数据以及添加扰动后的第i个新训练数据输入至第i个第二模型，以通过第i个第二模型对其余新训练数据以及添加扰动后的第i个新训练数据进行处理，从而得到N个新训练数据的第i个第六处理结果。

(3.3)得到第i个第五处理结果以及第i个第六处理结果后，可对第i个第五处理结果以及N个新训练数据的真实处理结果进行计算，从而得到第i个第五损失，并对第i个第六处理结果以及N个新训练数据的真实处理结果进行计算，从而得到第i个第六损失。那么，可将第i个第五损失以及第i个第六损失之间的变化，作为第i个训练数据的评估值下限。

(4)得到第i个训练数据的评估值上限以及第i个训练数据的评估值下限，也就相当于得到了第i个训练数据的评估值区间(也可以称为重要性区间)，那么，可对这个评估值区间进行计算(例如，求平均运算)，从而得到第i个训练数据的评估值。

进一步地，在步骤504之后，还可执行以下步骤：

505、得到N个训练数据的评估值后，可基于N个训练数据的评估值，可在N个训练数据中，将评估值靠前的M个训练数据选择出来(M为小于等于N且大于等于1的正整数)，这M个训练数据即较为重要的M个训练数据，从而完成训练数据的筛选。

506、得到M个训练数据后，可将这M个训练数据作为当前批训练数据，并将当前批训练数据输入至待训练模型中，从而得到相应的处理结果，并基于该处理结果来更新待训练模型的参数，得到更新参数后的待训练模型，然后利用下一批训练数据(下一批训练数据来源于第一数据集，且下一批训练数据所包含的M个训练数据与当前批训练数据所包含的M个训练数据一一对应)对更新参数后的待训练模型继续进行训练，直至满足模型训练条件，从而得到第三模型(也就是已训练的神经网络模型，例如，图4中的预测模型)。

此外，还可将本申请实施例提供的方法以及相关技术提供的方法进行比较，设候选的特征数据有200个，目标为选出60余个特征数据，以减小模型训练的时延，并提升训练得到的模型的精度。比较结果如表1所示：

表1

基于表1可知，通过本申请实施例提供的方法所完成的特征数据评估、特征数据筛选以及后续的模型训练，具备更优的效果。

进一步地，还可将本申请实施例提供的方法，应用于各种业务场景，其效果提升如表2所示：

表2

进一步地，本申请实施例中，对于第i个训练数据，可以准确分析出第i个训练数据的评估值上限(重要性上限)以及第i个训练数据的评估值下限(重要性下限)，从而得到第i个训练数据的评估值区间(重要性区间)，基于该区间可更加准确地给出第i个训练数据的评估值，进而可更加准确地完成训练数据的筛选。

更进一步地，本申请实施例中，在获取第i个训练数据的评估值的过程中，可通过学习率的动态控制来保证模型(第i个第一模型以及第i个第二模型)的性能下限，这样有利于进一步提高第i个训练数据的评估值的准确度，从而更加准确地完成训练数据的筛选。

以上是对本申请实施例提供的训练数据评估方法所进行的详细说明，以下将对本申请实施例提供的数据处理方法进行介绍。图8为本申请实施例提供的数据处理方法的一个流程示意图，如图8所示，该方法包括：

801、获取M个目标数据。

本实施例中，可获取待处理的M个目标数据，这M个目标数据与图5所示实施例中步骤505选择得到的M个训练数据一一对应，即M个目标数据的类型与M个训练数据的类型是类似的。例如，前述第1个训练数据为用户的性别，第1个目标数据也为用户的性别，...，第M个训练数据为项目的价格，第M个目标数据也为项目的价格。也就是说，M个目标数据包含了用户的相关信息以及若干个项目的相关信息。

802、通过第三模型对M个目标数据进行处理，得到M个目标数据的处理结果。

得到M个目标数据后，可将M个目标数据输入至图5所示实施例中步骤506训练得到的第三模型，以通过第三模型对M个目标数据进行处理，从而得到M个目标数据的处理结果。依旧如上述例子，设第三模型为预测模型，且M个目标数据包含了用户的相关信息以及若干个项目的相关信息，预测模型对M个目标数据进行处理后，可预测得到这若干个项目被推荐给用户的概率。

以上是对本申请实施例提供训练数据评估方法以及数据处理方法所进行的详细说明，以下将对本申请实施例提供的训练数据评估装置以及数据处理装置进行介绍。图9为本申请实施例提供的训练数据评估装置的一个结构示意图，如图9所示，该装置包括：

获取模块901，用于获取N个训练数据，N组第一门控参数以及N组第二门控参数，N≥2；

第一训练模块902，用于基于N个训练数据以及第i组第一门控参数对待训练模型进行训练，得到第i个第一模型，第i组第一门控参数用于令第i个第一模型依赖于第i个训练数据，i＝1，...，N；

第二训练模块903，用于基于N个训练数据以及第i组第二门控参数对待训练模型进行训练，得到第i个第二模型，第i组第二门控参数用于令第i个第二模型不依赖于第i个训练数据；

评估模块904，用于基于第i个第一模型以及第i个第二模型，获取第i个训练数据的评估值，第i个训练数据的评估值用于指示第i个训练数据的重要程度。

图10为本申请实施例提供的数据处理装置的一个结构示意图，如图10所示，该装置包括：

获取模块1001，用于获取M个目标数据。

处理模块1002，用于通过第三模型对M个目标数据进行处理，得到M个目标数据的处理结果。

需要说明的是，上述装置各模块/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其带来的技术效果与本申请方法实施例相同，具体内容可参考本申请实施例前述所示的方法实施例中的叙述，此处不再赘述。

本申请实施例还涉及一种执行设备，图11为本申请实施例提供的执行设备的一个结构示意图。如图11所示，执行设备1100具体可以表现为手机、平板、笔记本电脑、智能穿戴设备、服务器等，此处不做限定。其中，执行设备1100上可部署有图10对应实施例中所描述的数据处理装置，用于实现图8对应实施例中数据处理的功能。具体的，执行设备1100包括：接收器1101、发射器1102、处理器1103和存储器1104(其中执行设备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。

本申请实施例中，在一种情况下，处理器1103，用于通过图8对应实施例中的第三模型，获取目标数据的处理结果。

本申请实施例还涉及一种训练设备，图12为本申请实施例提供的训练设备的一个结构示意图。如图12所示，训练设备1200由一个或多个服务器实现，训练设备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(centralprocessing 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训练设备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，在训练设备1200上执行存储介质1230中的一系列指令操作。

训练设备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。

具体的，训练设备可以执行图5对应实施例中的训练数据评估方法，从而完成训练数据的评估，进而完成训练数据的筛选，并训练得到第三模型。

本申请实施例还涉及一种计算机存储介质，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。

本申请实施例还涉及一种计算机程序产品，该计算机程序产品存储有指令，该指令在由计算机执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个结构示意图，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1313，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1313(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，对预测标签平面进行上采样等。

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预测标签平面进行线性插值，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

1.一种训练数据评估方法，其特征在于，所述方法包括：

获取N个训练数据，N组第一门控参数以及N组第二门控参数，N≥2；

基于所述N个训练数据以及第i组第一门控参数对待训练模型进行训练，得到第i个第一模型，所述第i组第一门控参数用于令所述第i个第一模型依赖于第i个训练数据，i＝1，...，N；

基于所述N个训练数据以及第i组第二门控参数对待训练模型进行训练，得到第i个第二模型，所述第i组第二门控参数用于令所述第i个第二模型不依赖于所述第i个训练数据；

基于所述第i个第一模型以及所述第i个第二模型，获取所述第i个训练数据的评估值，所述第i个训练数据的评估值用于指示所述第i个训练数据的重要程度。

2.根据权利要求1所述的方法，其特征在于，所述基于所述N个训练数据以及第i组第一门控参数对待训练模型进行训练，得到第i个第一模型包括：

基于所述第i组第一门控参数，对所述N个训练数据进行第i次第一处理，得到第i次第一处理后的N个训练数据，其中，所述第i组第一门控参数包含与所述N个训练数据一一对应的N个第一门控参数，第i个第一门控参数位于第一取值范围内，除第i个第一门控参数之外的其余第一门控参数位于第二取值范围内；

基于所述第i次第一处理后的N个训练数据，对待训练模型进行训练，得到第i个第一模型。

3.根据权利要求1所述的方法，其特征在于，所述基于所述N个训练数据以及第i组第二门控参数对待训练模型进行训练，得到第i个第二模型包括：

基于所述第i组第二门控参数，对所述N个训练数据进行第i次第二处理，得到第i次第二处理后的N个训练数据，其中，所述第i组第二门控参数包含与所述N个训练数据一一对应的N个第二门控参数，第i个第二门控参数位于第二取值范围内，除第i个第二门控参数之外的其余第二门控参数位于第一取值范围内；

基于所述第i次第二处理后的N个训练数据，对待训练模型进行训练，得到第i个第二模型。

4.根据权利要求2所述的方法，其特征在于，所述基于所述第i次第一处理后的N个训练数据，对待训练模型进行训练，得到第i个第一模型包括：

将所述第i次第一处理后的N个训练数据输入至待训练模型，得到第i个第一处理结果；

基于所述第i个第一处理结果以及第i个第一学习率，对待训练模型的参数进行更新，得到第i个第一模型，所述第i个第一学习率用于令所述第i个第一模型的性能与所述待训练模型的性能之间的差异位于第三取值范围内。

5.根据权利要求3所述的方法，其特征在于，所述基于所述第i次第二处理后的N个训练数据，对待训练模型进行训练，得到第i个第二模型包括：

将所述第i次第二处理后的N个训练数据输入至待训练模型，得到第i个第二处理结果；

基于所述第i个第二处理结果以及第i个第二学习率，对待训练模型的参数进行更新，得到第i个第二模型，所述第i个第二学习率用于令所述第i个第二模型的性能与所述待训练模型的性能之间的差异位于第三取值范围内。

6.根据权利要求1至5任意一项所述的方法，其特征在于，所述基于所述第i个第一模型以及所述第i个第二模型，获取所述第i个训练数据的评估值包括：

获取N个新训练数据，所述N个新训练数据与所述N个训练数据一一对应，所述N个训练数据来源于第一数据集，所述N个新训练数据来源于第二数据集；

通过所述第i个第一模型对所述N个新训练数据进行处理，以得到所述第i个训练数据的评估值上限；

通过所述第i个第二模型对所述N个新训练数据进行处理，以得到所述第i个训练数据的评估值下限；

基于所述第i个训练数据的评估值上限以及所述第i个训练数据的评估值下限，获取所述第i个训练数据的评估值。

7.根据权利要求6所述的方法，其特征在于，所述通过所述第i个第一模型对所述N个新训练数据进行处理，以得到所述第i个训练数据的评估值上限包括：

将所述N个新训练数据输入至所述第i个第一模型，得到第i个第三处理结果；

将除所述第i个新训练数据之外的其余新训练数据以及添加扰动后的第i个新训练数据输入至所述第i个第一模型，得到第i个第四处理结果；

基于所述第i个第三处理结果以及所述第i个第四处理结果，获取所述第i个训练数据的评估值上限。

8.根据权利要求6或7所述的方法，其特征在于，所述通过所述第i个第二模型对所述N个新训练数据进行处理，以得到所述第i个训练数据的评估值下限包括：

将所述N个新训练数据输入至所述第i个第二模型，得到第i个第五处理结果；

将除所述第i个新训练数据之外的其余新训练数据以及添加扰动后的第i个新训练数据输入至所述第i个第二模型，得到第i个第六处理结果；

基于所述第i个第五处理结果以及所述第i个第六处理结果，获取所述第i个训练数据的评估值下限。

9.根据权利要求1至8任意一项所述的方法，其特征在于，所述方法还包括：

基于所述N个训练数据的评估值，从所述N个训练数据中选择M个训练数据，N≥M≥1；

基于所述M个训练数据，更新所述待训练模型的参数，直至满足模型训练条件，得到第三模型。

10.一种训练数据评估装置，其特征在于，所述装置包括：

获取模块，用于获取N个训练数据，N组第一门控参数以及N组第二门控参数，N≥2；

第一训练模块，用于基于所述N个训练数据以及第i组第一门控参数对待训练模型进行训练，得到第i个第一模型，所述第i组第一门控参数用于令所述第i个第一模型依赖于第i个训练数据，i＝1，...，N；

第二训练模块，用于基于所述N个训练数据以及第i组第二门控参数对待训练模型进行训练，得到第i个第二模型，所述第i组第二门控参数用于令所述第i个第二模型不依赖于所述第i个训练数据；

评估模块，用于基于所述第i个第一模型以及所述第i个第二模型，获取所述第i个训练数据的评估值，所述第i个训练数据的评估值用于指示所述第i个训练数据的重要程度。

11.根据权利要求10所述的装置，其特征在于，所述第一训练模块，用于：

12.根据权利要求10所述的装置，其特征在于，所述第二训练模块，用于：

13.根据权利要求11所述的装置，其特征在于，所述第一训练模块，用于：

14.根据权利要求12所述的装置，其特征在于，所述第二训练模块，用于：

15.根据权利要求10至14任意一项所述的装置，其特征在于，所述评估模块，用于：

16.根据权利要求15所述的装置，其特征在于，所述评估模块，用于：

17.根据权利要求15或16所述的装置，其特征在于，所述评估模块，用于：

18.根据权利要求10至17任意一项所述的装置，其特征在于，所述装置还包括：

选择模块，用于基于所述N个训练数据的评估值，从所述N个训练数据中选择M个训练数据，N≥M≥1；

第三训练模块，用于基于所述M个训练数据，更新所述待训练模型的参数，直至满足模型训练条件，得到第三模型。

19.一种训练数据评估装置，其特征在于，所述装置包括存储器和处理器；所述存储器存储有代码，所述处理器被配置为执行所述代码，当所述代码被执行时，所述训练数据评估装置执行如权利要求1至9任意一项所述的方法。

20.一种计算机存储介质，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实施权利要求1至9任一所述的方法。

21.一种计算机程序产品，其特征在于，所述计算机程序产品存储有指令，所述指令在由计算机执行时，使得所述计算机实施权利要求1至9任意一项所述的方法。