CN116894880A - 一种文生图模型的训练方法、模型、装置及电子设备 - Google Patents
一种文生图模型的训练方法、模型、装置及电子设备 Download PDFInfo
- Publication number
- CN116894880A CN116894880A CN202310845680.6A CN202310845680A CN116894880A CN 116894880 A CN116894880 A CN 116894880A CN 202310845680 A CN202310845680 A CN 202310845680A CN 116894880 A CN116894880 A CN 116894880A
- Authority
- CN
- China
- Prior art keywords
- model
- text
- reward
- trained
- feedback
- 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
Links
- 238000012549 training Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000002787 reinforcement Effects 0.000 claims abstract description 41
- 238000010586 diagram Methods 0.000 claims description 33
- 230000006399 behavior Effects 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 230000001186 cumulative effect Effects 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 230000006735 deficit Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 description 20
- 230000006870 function Effects 0.000 description 19
- 238000004891 communication Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 8
- 239000003795 chemical substances by application Substances 0.000 description 7
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000009792 diffusion process Methods 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012552 review Methods 0.000 description 3
- VTYYLEPIZMXCLO-UHFFFAOYSA-L Calcium carbonate Chemical compound [Ca+2].[O-]C([O-])=O VTYYLEPIZMXCLO-UHFFFAOYSA-L 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008033 biological extinction Effects 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003924 mental process Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Image Analysis (AREA)
- Machine Translation (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本公开提供了一种文生图模型的训练方法、模型、装置及电子设备。涉及强化学习、计算机视觉技术领域。实现方案为:获取第一文生图模型以及预训练好的奖励模型,其中,第一文生图模型用于基于输入文本生成对应的生成图片,预训练好的奖励模型用于基于由输入文本和对应的生成图片组成的数据对进行打分;该文生图模型的训练方法还包括基于预训练好的奖励模型和强化学习策略调整第一文生图模型的参数以得到第二文生图模型。
Description
技术领域
本公开涉及强化学习、计算机视觉技术领域,并具体涉及一种文生图模型的训练方法、文生图模型、文生图模型的训练装置、电子设备、计算机可读存储介质和计算机程序产品。
背景技术
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科,既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术;人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
文生图模型(Text-Image Model,TIM)指基于输入文本生成相应图片的模型,近期研究一般以扩散模型(Diffusion Model)为主,能够基于用户较为模糊的自然语言描述,生成较有艺术审美的图片。在文生图模型中,使模型输出图片对齐输入文本的语义与细节,且尽可能有较高的艺术性,是许多人关注的研究方向。
在此部分中描述的方法不一定是之前已经设想到或采用的方法。除非另有指明,否则不应假定此部分中描述的任何方法仅因其包括在此部分中就被认为是现有技术。类似地,除非另有指明,否则此部分中提及的问题不应认为在任何现有技术中已被公认。
发明内容
本公开提供了一种文生图模型的训练方法、文生图模型、文生图模型的训练装置、电子设备、计算机可读存储介质和计算机程序产品。。
根据本公开的一方面,提供了一种文生图模型的训练方法,包括:获取第一文生图模型以及预训练好的奖励模型,其中,第一文生图模型用于基于输入文本生成对应的生成图片,预训练好的奖励模型用于基于由输入文本和对应的生成图片组成的数据对进行打分;该文生图模型的训练方法还包括基于预训练好的奖励模型和强化学习策略调整第一文生图模型的参数以得到第二文生图模型,其中,第二文生图模型在用于实现文生图的生成序列中获得的累计奖励满足预设条件,累计奖励是基于生成序列中的每一阶段的奖励得到的。
根据本公开的另一方面,提供了一种文生图模型,该文生图模型由如上所提供的文生图模型的训练方法训练得到。
根据本公开的另一方面,提供了一种文生图模型的训练装置,包括:获取模块和调整模块。获取模块被配置为获取第一文生图模型以及预训练好的奖励模型,其中,第一文生图模型基于输入文本生成对应的生成图片,预训练好的奖励模型基于由输入文本和对应的生成图片组成的数据对进行打分。调整模块被配置为基于预训练好的奖励模型和强化学习策略调整第一文生图模型的参数以得到第二文生图模型,其中第二文生图模型在用于实现文生图的生成序列中获得的累计奖励满足预设条件,累计奖励是基于生成序列的每一项奖励之和得到的。
根据本公开的另一方面,提供了一种电子设备,包括至少一个处理器;以及与至少一个处理器通信连接的存储器;存储器存储有能够被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行本公开如上所提供的目标检测方法或训练方法。
根据本公开的另一方面,提供了一种存储有计算机指令的非瞬时计算机可读存储介质,计算机指令用于使计算机执行本公开如上所提供的目标检测方法或训练方法。
根据本公开的另一方面,提供了一种计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现本公开如上所提供的目标检测方法或训练方法。
根据本公开的一个或多个实施例,可以基于强化学习对文生图模型的生成过程进行优化,以奖励信号控制整个生成过程,令模型向累计奖励高的方向优化。
应当理解,本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征,也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图示例性地示出了实施例并且构成说明书的一部分,与说明书的文字描述一起用于讲解实施例的示例性实施方式。所示出的实施例仅出于例示的目的,并不限制权利要求的范围。在所有附图中,相同的附图标记指代类似但不一定相同的要素。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图;
图2示出了根据本公开的多个实施例中描述的各文生图模型的交互示意图;
图3示出了根据本公开实施例的一种文生图模型的训练方法的流程图;
图4示出了根据本公开实施例的一种文生图模型的训练方法中的强化学习策略示意图;
图5示出了根据本公开实施例的一种文生图模型的训练方法的流程图;
图6示出了根据本公开实施例的一种文生图模型的训练方法的流程图;
图7示出了根据本公开实施例的一种文生图模型的训练装置700的结构框图;
图8示出了根据本公开实施例的一种文生图模型的训练装置800的结构框图;
图9示出了根据本公开实施例的一种文生图模型的训练装置900的结构框图;
图10示出了根据本公开实施例的一种文生图模型的训练装置1000的结构框图;
图11示出了根据本公开实施例的一种文生图模型的训练装置1100的结构框图;
图12示出了能够用于实现本公开的实施例的示例性电子设备的结构框图。
具体实施方式
以下结合附图对本公开的示范性实施例做出说明,其中包括本公开实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本公开的范围。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
在本公开中,除非另有说明,否则使用术语“第一”、“第二”等来描述各种要素不意图限定这些要素的位置关系、时序关系或重要性关系,这种术语只是用于将一个要素与另一要素区分开。在一些示例中,第一要素和第二要素可以指向该要素的同一实例,而在某些情况下,基于上下文的描述,它们也可以指代不同实例。
在本公开中对各种所述示例的描述中所使用的术语只是为了描述特定示例的目的,而并非旨在进行限制。除非上下文另外明确地表明,如果不特意限定要素的数量,则该要素可以是一个也可以是多个。此外,本公开中所使用的术语“和/或”涵盖所列出的项目中的任何一个以及全部可能的组合方式。
下面将结合附图详细描述本公开的实施例。
图1示出了根据本公开的实施例可以将本文描述的各种方法和装置在其中实施的示例性系统100的示意图。参考图1,该系统100包括一个或多个客户端设备101、102、103、104、105和106、服务器120以及将一个或多个客户端设备耦接到服务器120的一个或多个通信网络110。客户端设备101、102、103、104、105和106可以被配置为执行一个或多个应用程序。
在本公开的实施例中,服务器120可以运行使得能够执行本公开实施例所提供的文生图模型的训练方法的一个或多个服务或软件应用。
在某些实施例中,服务器120还可以提供其他服务或软件应用,这些服务或软件应用可以包括非虚拟环境和虚拟环境。在某些实施例中,这些服务可以作为基于web的服务或云服务提供,例如在软件即服务(SaaS)模型下提供给客户端设备101、102、103、104、105和/或106的用户。
在图1所示的配置中,服务器120可以包括实现由服务器120执行的功能的一个或多个组件。这些组件可以包括可由一个或多个处理器执行的软件组件、硬件组件或其组合。操作客户端设备101、102、103、104、105和/或106的用户可以依次利用一个或多个客户端应用程序来与服务器120进行交互以利用这些组件提供的服务。应当理解,各种不同的系统配置是可能的,其可以与系统100不同。因此,图1是用于实施本文所描述的各种方法的系统的一个示例,并且不旨在进行限制。
客户端设备可以提供使客户端设备的用户能够与客户端设备进行交互的接口。客户端设备还可以经由该接口向用户输出信息。尽管图1仅描绘了六种客户端设备,但是本领域技术人员将能够理解,本公开可以支持任何数量的客户端设备。
客户端设备101、102、103、104、105和/或106可以包括各种类型的计算机设备,例如便携式手持设备、通用计算机(诸如个人计算机和膝上型计算机)、工作站计算机、可穿戴设备、智能屏设备、自助服务终端设备、服务机器人、游戏系统、瘦客户端、各种消息收发设备、传感器或其他感测设备等。这些计算机设备可以运行各种类型和版本的软件应用程序和操作系统,例如MICROSOFT Windows、APPLE iOS、类UNIX操作系统、Linux或类Linux操作系统(例如GOOGLE Chrome OS);或包括各种移动操作系统,例如MICROSOFT WindowsMobile OS、iOS、Windows Phone、Android。便携式手持设备可以包括蜂窝电话、智能电话、平板电脑、个人数字助理(PDA)等。可穿戴设备可以包括头戴式显示器(诸如智能眼镜)和其他设备。游戏系统可以包括各种手持式游戏设备、支持互联网的游戏设备等。客户端设备能够执行各种不同的应用程序,例如各种与Internet相关的应用程序、通信应用程序(例如电子邮件应用程序)、短消息服务(SMS)应用程序,并且可以使用各种通信协议。
网络110可以是本领域技术人员熟知的任何类型的网络,其可以使用多种可用协议中的任何一种(包括但不限于TCP/IP、SNA、IPX等)来支持数据通信。仅作为示例,一个或多个网络110可以是局域网(LAN)、基于以太网的网络、令牌环、广域网(WAN)、因特网、虚拟网络、虚拟专用网络(VPN)、内部网、外部网、区块链网络、公共交换电话网(PSTN)、红外网络、无线网络(例如蓝牙、WIFI)和/或这些和/或其他网络的任意组合。
服务器120可以包括一个或多个通用计算机、专用服务器计算机(例如PC(个人计算机)服务器、UNIX服务器、中端服务器)、刀片式服务器、大型计算机、服务器群集或任何其他适当的布置和/或组合。服务器120可以包括运行虚拟操作系统的一个或多个虚拟机,或者涉及虚拟化的其他计算架构(例如可以被虚拟化以维护服务器的虚拟存储设备的逻辑存储设备的一个或多个灵活池)。在各种实施例中,服务器120可以运行提供下文所描述的功能的一个或多个服务或软件应用。
服务器120中的计算单元可以运行包括上述任何操作系统以及任何商业上可用的服务器操作系统的一个或多个操作系统。服务器120还可以运行各种附加服务器应用程序和/或中间层应用程序中的任何一个,包括HTTP服务器、FTP服务器、CGI服务器、JAVA服务器、数据库服务器等。
在一些实施方式中,服务器120可以包括一个或多个应用程序,以分析和合并从客户端设备101、102、103、104、105和/或106的用户接收的数据馈送和/或事件更新。服务器120还可以包括一个或多个应用程序,以经由客户端设备101、102、103、104、105和/或106的一个或多个显示设备来显示数据馈送和/或实时事件。
在一些实施方式中,服务器120可以为分布式系统的服务器,或者是结合了区块链的服务器。服务器120也可以是云服务器,或者是带人工智能技术的智能云计算服务器或智能云主机。云服务器是云计算服务体系中的一项主机产品,以解决传统物理主机与虚拟专用服务器(VPS,Virtual Private Server)服务中存在的管理难度大、业务扩展性弱的缺陷。
系统100还可以包括一个或多个数据库130。在某些实施例中,这些数据库可以用于存储数据和其他信息。例如,数据库130中的一个或多个可用于存储诸如音频文件和视频文件的信息。数据库130可以驻留在各种位置。例如,由服务器120使用的数据库可以在服务器120本地,或者可以远离服务器120且可以经由基于网络或专用的连接与服务器120通信。数据库130可以是不同的类型。在某些实施例中,由服务器120使用的数据库例如可以是关系数据库。这些数据库中的一个或多个可以响应于命令而存储、更新和检索到数据库以及来自数据库的数据。
在某些实施例中,数据库130中的一个或多个还可以由应用程序使用来存储应用程序数据。由应用程序使用的数据库可以是不同类型的数据库,例如键值存储库,对象存储库或由文件系统支持的常规存储库。
图1的系统100可以以各种方式配置和操作,以使得能够应用根据本公开所描述的各种方法和装置。
图2示出了根据本公开的多个实施例中描述的各文生图模型的交互示意图。参考图2,文生图模型(Text-Image Model,TIM)200指基于输入文本生成相应图片的模型,近期研究一般以扩散模型(Diffusion Model)为主,能够基于用户较为模糊的自然语言描述(Prompt),也即输入文本201,生成较有艺术审美的图片,也即基于该输入文本201生成对应的生成图片202。在文生图模型200中,使模型的生成图片202对齐输入文本201的语义与细节,且尽可能有较高的艺术性,是许多人关注的研究方向。
以图2所示的文生图模型200为例,输入文本201包括“彩云围绕着金色的宫殿、群鸟、中国仙女、衣服有飘带”,也即输入本文201至少包括云朵、宫殿、鸟、仙女四个实体。其中云朵和宫殿的实体属性为色彩属性(彩色的云和金色的宫殿),鸟的实体属性为数量属性(多个鸟的实体组成一群鸟的实体),仙女的实体属性为风格属性(中式的仙女,衣服有飘带)等等,而文生图模型200的生成图片202仅包括“彩色的云围绕金色的宫殿和群鸟”,也即生成图片202仅包括云朵、宫殿和鸟三个实体,并未包含仙女这一实体,生成图片202与输入文本201的实体数量未对齐。因此对于使用文生图模型生成图片的用户来说,基于人类视角评估文生图模型200的生成图片202是否与输入文本201对齐,大体有以下几个方向细节仍需完善:1)实体数量;2)实体属性;3)多实体组合;4)绘画背景;5)绘画风格。在各个方向生成细节无误差的图片,会增强文生图类产品的技术能力,并提升用户满意度。
针对上述技术问题,本公开提供了一种文生图模型的训练方法。
图3示出了根据本公开实施例的一种文生图模型的训练方法的流程图。如图3所示,文生图模型的训练方法包括:
步骤S301,获取第一文生图模型以及预训练好的奖励模型,其中,第一文生图模型用于基于输入文本生成对应的生成图片,预训练好的奖励模型用于基于由输入文本和对应的生成图片组成的数据对进行打分。
由于同一输入文本会生成多个输出结果(也即生成图片),需要使用一个奖励模型(Reward Model,RM)对生成的图片进行打分进而生成奖励信号,奖励信号对生成的图片以人类视角进行排序或评估。
作为一种可行的实施方式,可以使用简单的二元奖励信号,例如使用“+”或“-”符号来表示给予的奖励或者惩罚,也即奖励模型的打分为0或1。
由于二元奖励信号在一些情况下,可能无法充分反映出生成图片的差异,作为一种可行的实施方式,奖励信号使用0到5之间的整数进行表示,也即奖励模型的打分为0到5之间的整数,其中5表示最高的奖励,0则表示最低的奖励。这样的奖励信号能让模型更好地理解生成图片地好坏,并在后续的调整阶段中有助于提高模型的性能表现。
而对于同一生成图片,从不同的评判角度进行打分时,例如,使用不同的评价人员对同一生成图片打分,评价人员1可能打5分,评价人员2可能打3分,那么模型在学习的时候,就很难分辨这个图片究竟是号还是不好。既然打绝对的分数,评判标准很难统一,作为一种可行的实施方式,可以采用相对排序的方式对结果的好坏进行排序,例如针对生成图片A和生成图片B,评价人员1认为A>B,也即评价人员1认为生成图片A相较于生成图片B更符合预期,评价人员2也认为A>B,那么模型基于相对排序的方式就能够在诸多生成图片中更好的区分出较优质的图片和较劣质的图片。
通过奖励模型收集人工反馈的数据,以对比学习形式训练奖励模型,令奖励模型判别顺序符合人们普遍认知。
步骤S302,基于预训练好的奖励模型和强化学习策略调整第一文生图模型的参数以得到第二文生图模型,其中,第二文生图模型在用于实现文生图的生成序列中获得的累计奖励满足预设条件,累计奖励是基于生成序列中的每一阶段的奖励得到的。
强化学习策略是机器学习行为主义的产物,其基本思路是智能体在跟环境的不断交互中获得了智能。强化学习策略基于环境(State)、主体(Actor)、行为(Action)和奖励(Reward)进行,其中环境即当前所处的状态,主体是和环境互动并且执行动作的对象,行为是主体执行的动作,而奖励则是针对主体的具体行为给出的反馈。
对应于用于实现文生图的生成序列,主体(Actor)是当前阶段的文生图模型,环境(State)可以为对应文生图模型的输入文本及已产出的生成图片,行为(Action)为对应文生图模型的输出噪声,而奖励(Reward)则可按人为需求设计,如较关注产品用户反馈时,则可设计基于用户反馈的奖励。在此过程中,将文生图模型去噪生成图片步骤作为强化学习轨迹,以奖励信号控制整个生成过程,令模型向累计奖励高的方向优化。
使用一个第一文生图模型作为训练的基础,可以有效地减少模型顺序执行时出现的错误,从而提高生成结果的质量。通过这种方式,可以使初始模型(第一文生图模型)更好地理解每个输入与其对应的输出,并对其执行相应的操作。作为一种可行的实施方式,也可以利用较为优质数据对对第一文生图模型进行微调训练,从而提高模型的整体性能。其中较为优质的数据对可以是额外的图文对,例如,经过人工标注的图文对。
以下进一步描述根据本公开实施例的目标检测方法的各个方面。
根据一些实施例,预设条件包括第二文生图模型在用于实现文生图的生成序列中获得的累计奖励高于第一文生图模型在用于实现文生图的生成序列中获得的累计奖励。
由于文生图模型往往在经历过很多次的环境(State)-行为(Action)之后才会带来一个最终的结果,也即可能存在多个输入文本及已产出的生成图片,而虽然每一个行为(Action)都有一个奖励(Reward),也即对每一个输出噪声进行打分,但最终反映到结果上的其实是这些所有的奖励的总和,也即累计奖励。强化学习策略中的环境(State)可能有无数种情况,并且在一个环境(State)下也可能有许多可行的解。因此如果每进行一次环境(State)-行为(Action)-奖励(Reward)的循环之后都更新一次参数,那么这个模型就会变得非常的“短视”甚至难以收敛,因此很可能该模型只能应对“当前情况”,而无法应对无穷无尽的环境(State)。正因如此,强化学习策略的最终目标是序列(Trajectory)的最优,而不是任意一次行为(Action)都要最优。
根据一些实施例,图4示出了根据本公开实施例的一种文生图模型的训练方法中的强化学习策略示意图。如图4所示,强化学习策略包括近端策略优化(Proximal PolicyOptimization,PPO)算法。
近端策略优化算法是策略梯度的一种改进算法,在传统的策略梯度算法中,根据目标函数梯度和步长更新策略权重,这样的更新过程可能会出现两个常见的问题,也就是过冲(Overshooting)和下冲(Undershooting),其中过冲是指更新错过了奖励峰值并落入了次优策略区域,而下冲是指在梯度方向上采取过小的更新步长会导致收敛缓慢。
在监督学习问题中,过冲并不是什么大问题,因为数据是固定的,可以在下一个阶段(epoch)中重新纠正,但在强化学习问题中,如果因为过冲陷入了一个较差的策略区域,则未来的样本批次可能不会提供太多有意义的信息,用较差的数据样本再去更新策略,从而陷入了糟糕的正反馈中无法恢复。
近端策略优化PPO算法通过设置目标散度的方式解决了这个问题,希望每次更新都位于目标散度附近的某个区间。其中,目标散度应该大到足以显著改变策略,但又应该小到足以使更新稳定。并且每次更新后,近端策略优化PPO算法都会检查更新的大小。如果最终更新的散度超过目标散度的1.5倍,则下一次迭代将折损系数β加倍来更加重惩罚。相反,如果更新太小,将折损系数β减半,从而有效地扩大信任区域。
根据一些实施例,近端策略优化PPO算法使用行为子模型403和评判子模型404,行为子模型403是基于第一文生图模型401初始化得到的,评判子模型404是基于预训练好的奖励模型402初始化得到的。
初始点的选取,一定程度上能决定算法是否收敛,当收敛时,初始点可以决定学习收敛的多块,是否能够收敛到一个代价高或低的点。过大的初始化会导致梯度爆炸,过小的初始化会导致梯度消失。因此可以利用离线数据(即由人类演示者、脚本策略或其他强化学习智能体收集的数据)对策略进行训练,并将之用于初始化新的强化学习策略。这一过程使得新的强化学习策略看起来就像是预训练好的。然后使用该策略来初始化主体(也即行为子模型,Actor)-评价(也即评判子模型,Critic)网络进行微调,其中采用预训练的第一文生图模型401作为初始主体(Actor),采用预训练好的奖励模型作402为初始评价(Critic)。通过使用先验信息来规避对状态空间的随机探索。这种先验信息有助于智能体了解环境的哪些状态是好的,应该进一步探索。同时联立奖励模型402与第一文生图模型401模型进行微调,令微调后的第二文生图模型405能够考虑奖励模型因素,避免细节问题。
根据一些实施例,生成序列包括至少一个阶段,其中,针对生成序列中的每一阶段,行为子模型403基于被提供的输入文本生成对应的输出带噪图;以及评判子模型404基于当前阶段的所述输入文本和所述输出带噪图输出所述当前阶段的奖励。
例如基于同一输入文本X,生成了两个生成图片Y1和Y2,其中一个来自第一文生图模型,另一个来自经过强化学习策略的当前迭代文生图模型。将上述两个模型的生成图片进行比较计算差异的奖励,由于该奖励可以为正值或者负值,因此也可以被认为是惩罚项。该项被用于奖励或惩罚强化学习策略在每个训练批次中生成偏离初始模型(也即第一文生图模型)的程度,以确保模型输出合理的生成图片。如果去掉这一惩罚项可能导致模型在优化中生成胡言乱语拼凑的图片来愚弄奖励模型以提供高奖励值。
奖励是一个函数,会生成一个标量,代表处于某个特定状态并采取特定动作的代理的“优度”。
根据一些实施例,当前阶段的奖励包括行为子模型403在当前阶段之前的上一阶段的输出与行为子模型403在当前阶段的输出之间的相对熵。
在生成序列内,带噪图的奖励只有后一项带折损的Kullback-Leible散度(也即KL散度),KL散度可以用来衡量两个分布之间的差异程度。若两者差异越小,KL散度越小。当两分布一致时,其KL散度为0。
因此采用KL散度作为强化学习策略中的惩罚项,能够联立奖励模型与预训练模型进行微调,令生成模型能够考虑奖励模型因素,避免细节问题。
根据一些实施例,当前阶段的奖励也可以包括当前阶段之前的上一阶段的评价值与当前阶段的评价值之间的差值,其中,评价值是预训练好的奖励模型402基于被提供的输入文本和对应的输出带噪图进行打分得到的。
由于生成带噪图片本身可被评估,其通过奖励模型的打分本身也可以作为奖励使用;则生成序列内每一步的奖励,可设为奖励模型的打分。
作为一种可行的实施方式,也可以直接用人工鉴定的奖励分数来替代奖励模型。可以理解的是,奖励模型可按人为需求设计,如较关注产品用户反馈时,则可设计基于用户反馈的奖励。
根据一些实施例,生成序列中获得的累计奖励包括总评分和折损项,其中,总评分是预训练好的奖励模型基于生成序列的初始输入和最终输出得到的,折损项为生成序列中最后阶段的奖励与折损系数的乘积。
奖励函数可以设计为:
objective(θ)=score-β(logπθ′(at|st)-logπSFT(at|st))
其中,θ为生成模型参数;score为奖励模型对输入文本(初始输入)及生成图片(最终输出)的打分;at,st分别为t时刻的行为(Action)、环境(State),即对应文生图模型的输出噪声、输入文本及已产出带噪图;πSFT为预训练的第一文生图模型参数,πθ′为强化学习策略中当前迭代文生图模型参数;β为折损系数。
公式前面是一个正值,score的目的是使总评分累积的较大,更符合预期;第二项为惩罚项,能够让训练的模型不要偏离之前已经调好的模型,否则可能会出一些不符合预期的结果。
根据一些实施例,基于第二文生图模型405的生成序列中的累计奖励,通过反向传播算法得到第二文生图模型405的参数。
反向传播(Back-propagation,BP)算法的出现是神经网络发展的重大突破,也是现在众多深度学习训练方法的基础。该方法会计算神经网络中损失函数对各参数的梯度,配合优化方法更新参数,降低损失函数。而奖励函数可以认为是正向的损失函数,以奖励信号控制整个生成过程,令模型向累计奖励高的方向优化。
根据一些实施例,图5示出了根据本公开实施例的一种文生图模型的训练方法的流程图。如图5所示,文生图模型的训练方法包括:
步骤S501,获取第一文生图模型以及预训练好的奖励模型,其中,第一文生图模型用于基于输入文本生成对应的生成图片,预训练好的奖励模型用于基于由输入文本和对应的生成图片组成的数据对进行打分。
步骤S502,基于预训练好的奖励模型和强化学习策略调整第一文生图模型的参数以得到第二文生图模型,其中,第二文生图模型在用于实现文生图的生成序列中获得的累计奖励满足预设条件,累计奖励是基于生成序列中的每一阶段的奖励得到的。
在步骤S501之前,还包括步骤S503,基于反馈数据集训练奖励模型。
作为一种可行的实施方式,预训练好的奖励模型是基于反馈数据集进行训练得到的,其中,反馈数据集包括多个反馈数据,多个反馈数据包括由输入文本和对应的生成图片组成的数据对以及与数据对相对应的反馈状态,其中反馈状态用于表征相对于同一输入文本生成的对应的生成图片属于正向反馈或负向反馈。也即反馈数据集中的反馈数据实际上是一个“输入-输出-评价”的三元组,其中,反馈状态通常基于人类反馈而给出的。
假定现在基于一个输入文本x有四张排序好的生成图片A、B、C和D,基于人类反馈其具有一个排序:A>B>C>D。其中,对于输入文本x,在人类普遍认知中图片A要相较于图片B优质。使用已知排序对奖励模型进行训练时,排在越前面的数据越偏正向反馈(优质图片),排在越后面的数据越偏负向反馈(劣质图片)。
根据一些实施例,训练所述奖励模型包括:基于多个反馈数据,以对比学习的形式训练奖励模型,使得奖励模型给反馈状态为正向反馈的数据对输出第一奖励评分,并给反馈状态为负向反馈的数据对输出第二奖励评分,其中,第一奖励评分和第二奖励评分的差值用于表征对应的生成图片的质量差异。
基于一个输入文本x有四张排序好的生成图片A、B、C和D,人类反馈其具有一个排序:A>B>C>D。奖励模型给四张生成图片的打分需要满足:r(A)>r(B)>r(C)>r(D),因此奖励模型的损失函数为:
其中,θ为奖励模型参数;x为输入文本;yw,yl分别为较优质图片、较劣质图片;DRM为奖励模型所用数据集;r为奖励模型,输出为一个标量,意为模型对输入文本、输出图片的奖励打分。为了更好的归一化差值,可以对每两项差值都通过一个sigmoid函数σ将差值拉到0至1之间。
因为反馈数据集里的数据已经默认按从高到低得分排好,因此只需要遍历的求前后项的得分差值加起来即可。
作为一种可行的实施方式,可以多次执行步骤503,以实现更好的奖励模型的优化效果。
根据一些实施例,反馈数据集包括至少两种不同来源的多个反馈数据。反馈数据集可以包括多种不同来源的反馈数据。引入更多数据源,以用户反馈、人工标注等多角度收集数据。针对不同来源的反馈数据,优化后的文生图模型能在关注数量、属性、背景的基础上增加多实体组合、绘画风格等对齐因素的考虑。
根据一些实施例,多个反馈数据包括用户反馈的数据、人工标注的数据和手动对比的数据中的至少两种,其中,用户反馈的数据基于用户行为得到所述反馈状态;人工标注的数据基于人工标注的结果得到所述反馈状态;手动对比的数据基于不同版本的生成图片得到所述反馈状态。
DRM为奖励模型所用数据集,包括用户反馈、人工标注、手动对比这三部分。其中用户反馈一般都和产品形式相关,例如用户喜欢可能会点赞的数据,或者拆分,或者放大或者评论这些行为,通过用户的这些行为判定,可以引入对绘画风格的考虑;人工标注一般都是会有专业的标注人员,会帮忙标注好图和差图,从而去区分优劣;而手动对比就是不同版本的文生图模型对同一输入文本和生成图片的数据对进行对比,因此能产生实体组合上的改进。
根据一些实施例,图6示出了根据本公开实施例的一种文生图模型的训练方法的流程图。如图6所示,文生图模型的训练方法包括:
步骤S601,获取第一文生图模型以及预训练好的奖励模型,其中,第一文生图模型用于基于输入文本生成对应的生成图片,预训练好的奖励模型用于基于由输入文本和对应的生成图片组成的数据对进行打分。
步骤S602,基于预训练好的奖励模型和强化学习策略调整第一文生图模型的参数以得到第二文生图模型,其中,第二文生图模型在用于实现文生图的生成序列中获得的累计奖励满足预设条件,累计奖励是基于生成序列中的每一阶段的奖励得到的。
在步骤S601之前,还包括步骤S603,获取人工标注的图文对作为待训练的第一文生图模型的训练样本;以及步骤S604,基于反向传播算法更新待训练的第一文生图模型的参数以得到经过监督训练的第一文生图模型。
可以通过预训练文生图模型微调(Supervised Fine-Tuning,SFT)的方式获取第一文生图模型,在使用预训练文生图模型微调STF进行微调时,可以使用标准的监督学习方法,即将人工标注的(输入,输出)文本对作为训练样本,使用反向传播算法来更新模型参数。通过这种方式,可以使模型更好地理解每个输入与其对应的输出,并对其执行相应的操作。此外,预训练文生图模型微调STF还可以有效地减少模型顺序执行时出现的错误,从而提高生成结果的质量。
根据一些实施例,本公开还提供了一种文生图模型,该文生图模型由前述实施例所提供的文生图模型的训练方法训练得到。
图7示出了根据本公开实施例的一种文生图模型的训练装置700的结构框图。如图7所示,一种文生图模型的训练装置700包括:
获取模块701,获取模块701被配置为获取第一文生图模型以及预训练好的奖励模型,其中,所述第一文生图模型基于输入文本生成对应的生成图片,所述预训练好的奖励模型基于由所述输入文本和所述对应的生成图片组成的数据对进行打分。
由于同一输入文本会生成多个输出结果(生成图片),需要使用一个奖励模型(Reward Model,RM)对生成的图片进行打分进而生成奖励信号,奖励信号对生成的图片以人类视角进行排序或评估。
通过奖励模型收集人工反馈的数据,以对比学习形式训练奖励模型,令奖励模型判别顺序符合人们普遍认知。
调整模块702,调整模块702被配置为基于所述预训练好的奖励模型和强化学习策略调整所述第一文生图模型的参数以得到第二文生图模型,其中,所述第二文生图模型在用于实现文生图的生成序列中获得的累计奖励满足预设条件,所述累计奖励是基于所述生成序列的每一项奖励之和得到的。
将文生图模型去噪生成图片步骤作为强化学习轨迹,以奖励信号控制整个生成过程,令模型向累计奖励高的方向优化。
使用一个第一文生图模型作为训练的基础,可以有效地减少模型顺序执行时出现的错误,从而提高生成结果的质量。通过这种方式,可以使初始模型(第一文生图模型)更好地理解每个输入与其对应的输出,并对其执行相应的操作。作为一种可行的实施方式,也可以利用较为优质数据对对第一文生图模型进行微调训练,从而提高模型的整体性能。其中较为优质的数据对可以是额外的图文对,例如,经过人工标注的图文对。
根据一些实施例,预设条件包括第二文生图模型在用于实现文生图的生成序列中获得的累计奖励高于第一文生图模型在用于实现文生图的生成序列中获得的累计奖励。
由于文生图模型往往在经历过很多次的环境(State)-行为(Action)之后才会带来一个最终的结果,也即可能存在多个输入文本及已产出的生成图片,而虽然每一个行为(Action)都有一个奖励(Reward),也即对每一个输出噪声进行打分,但最终反映到结果上的其实是这些所有的奖励的总和,也即累计奖励。强化学习策略中的环境(State)可能有无数种情况,并且在一个环境(State)下也可能有许多可行的解。因此如果每进行一次环境(State)-行为(Action)-奖励(Reward)的循环之后都更新一次参数,那么这个模型就会变得非常的“短视”甚至难以收敛,因此很可能该模型只能应对“当前情况”,而无法应对无穷无尽的环境(State)。正因如此,强化学习策略的最终目标是序列(Trajectory)的最优,而不是任意一次行为(Action)都要最优。
根据一些实施例,强化学习策略包括近端策略优化(Proximal PolicyOptimization,PPO)算法。
近端策略优化算法是策略梯度的一种改进算法,在传统的策略梯度算法中,根据目标函数梯度和步长更新策略权重,这样的更新过程可能会出现两个常见的问题,也就是过冲(Overshooting)和下冲(Undershooting),其中过冲是指更新错过了奖励峰值并落入了次优策略区域,而下冲是指在梯度方向上采取过小的更新步长会导致收敛缓慢。
在监督学习问题中,过冲并不是什么大问题,因为数据是固定的,可以在下一个阶段(epoch)中重新纠正,但在强化学习问题中,如果因为过冲陷入了一个较差的策略区域,则未来的样本批次可能不会提供太多有意义的信息,用较差的数据样本再去更新策略,从而陷入了糟糕的正反馈中无法恢复。
近端策略优化PPO算法通过设置目标散度的方式解决了这个问题,希望每次更新都位于目标散度附近的某个区间。其中,目标散度应该大到足以显著改变策略,但又应该小到足以使更新稳定。并且每次更新后,近端策略优化PPO算法都会检查更新的大小。如果最终更新的散度超过目标散度的1.5倍,则下一次迭代将折损系数β加倍来更加重惩罚。相反,如果更新太小,将折损系数β减半,从而有效地扩大信任区域。
根据一些实施例,近端策略优化算法使用行为子模型和评判子模型。图8示出了根据本公开实施例的一种文生图模型的训练装置800的结构框图。
如图8所示,所述调整模块801包括:
行为子模块8011,行为子模块8011被配置为基于所述第一文生图模型初始化所述行为子模型。
评判子模块8012,评判子模块8012被配置为基于所述预训练好的奖励模型初始化所述评判子模型。
初始点的选取,一定程度上能决定算法是否收敛,当收敛时,初始点可以决定学习收敛的多块,是否能够收敛到一个代价高或低的点。过大的初始化会导致梯度爆炸,过小的初始化会导致梯度消失。因此可以利用离线数据(即由人类演示者、脚本策略或其他强化学习智能体收集的数据)对策略进行训练,并将之用于初始化新的强化学习策略。这一过程使得新的强化学习策略看起来就像是预训练好的。然后使用该策略来初始化主体(也即行为子模型,Actor)-评价(也即评判子模型,Critic)网络进行微调,其中采用预训练的第一文生图模型作为初始主体(Actor),采用预训练好的奖励模型作为初始评价(Critic)。通过使用先验信息来规避对状态空间的随机探索。这种先验信息有助于智能体了解环境的哪些状态是好的,应该进一步探索。同时联立奖励模型与第一文生图模型模型进行微调,令微调后的文生图模型能够考虑奖励模型因素,避免细节问题。
调整模块802与前述实施例中的调整模块相同,在此不在赘述。
根据一些实施例,生成序列包括至少一个阶段,其中,针对生成序列中的每一阶段:
行为子模块8011还被配置为基于被提供的输入文本生成对应的输出带噪图。
评判子模块8012还被配置为基于当前阶段的输入文本和输出带噪图,输出当前阶段的奖励。
例如基于同一输入文本X,生成了两个生成图片Y1和Y2,其中一个来自第一文生图模型,另一个来自经过强化学习策略的当前迭代文生图模型。将上述两个模型的生成图片进行比较计算差异的奖励,由于该奖励可以为正值或者负值,因此也可以被认为是惩罚项。该项被用于奖励或惩罚强化学习策略在每个训练批次中生成偏离初始模型(第一文生图模型)的程度,以确保模型输出合理的生成图片。如果去掉这一惩罚项可能导致模型在优化中生成胡言乱语拼凑的图片来愚弄奖励模型以提供高奖励值。
奖励是一个函数,会生成一个标量,代表处于某个特定状态并采取特定动作的代理的“优度”。
根据一些实施例,图9示出了根据本公开实施例的一种文生图模型的训练装置900的结构框图。如图9所示,调整模块902还包括:
奖励子模块9021,奖励子模块9021被配置为基于总评分和折损项生成生成序列中的累计奖励;其中总评分是预训练好的奖励模型基于生成序列的初始输入和最终输出得到的;折损项为生成序列中最后阶段的奖励与折损系数的乘积。
奖励函数可以设计为:
objective(θ)=score-β(logπθ′(at|st)-logπθSFT(at|st))
其中,θ为生成模型参数;score为奖励模型对输入文本(初始输入)及生成图片(最终输出)的打分;at,st分别为t时刻的行为(Action)、环境(State),即对应文生图模型的输出噪声、输入文本及已产出带噪图;πSFT为预训练的第一文生图模型参数,πθ′为强化学习策略中当前迭代文生图模型参数;β为折损系数。
公式前面是一个正值,score的目的是使总评分累积的较大,更符合预期;第二项为惩罚项,能够让训练的模型不要偏离之前已经调好的模型,否则可能会出一些不符合预期的结果。
获取模块901与前述实施例中的获取模块相同,在此不在赘述。
根据一些实施例,图10示出了根据本公开实施例的一种文生图模型的训练装置1000的结构框图。如图10所示,文生图模型的训练装置1000还包括:
第一预训练模块1003,第一预训练模块1003被配置为基于反馈数据集对奖励模型进行训练以得到预训练好的奖励模型,其中反馈数据集包括多个反馈数据,多个反馈数据包括由输入文本和对应的生成图片组成的数据对以及与数据对相对应的反馈状态,其中反馈状态用于表征相对于同一输入文本生成的对应的生成图片属于正向反馈或负向反馈。
预训练好的奖励模型是基于反馈数据集进行训练得到的,其中,反馈数据集包括多个反馈数据,多个反馈数据包括由输入文本和对应的生成图片组成的数据对以及与数据对相对应的反馈状态,其中反馈状态用于表征相对于同一输入文本生成的对应的生成图片属于正向反馈或负向反馈。也即反馈数据集中的反馈数据实际上是一个“输入-输出-评价”的三元组,其中,反馈状态通常基于人类反馈而给出的。
假定现在基于一个输入文本x有四张排序好的生成图片A、B、C和D,基于人类反馈其具有一个排序:A>B>C>D。其中,对于输入文本x,在人类普遍认知中图片A要相较于图片B优质。使用已知排序对奖励模型进行训练时,排在越前面的数据越偏正向反馈(优质图片),排在越后面的数据越偏负向反馈(劣质图片)。
基于一个输入文本x有四张排序好的生成图片A、B、C和D,人类反馈其具有一个排序:A>B>C>D。奖励模型给四张生成图片的打分需要满足:r(A)>r(B)>r(C)>r(D),因此奖励模型的损失函数为:
其中,θ为奖励模型参数;x为输入文本;yw,yl分别为较优质图片、较劣质图片;DRM为奖励模型所用数据集;r为奖励模型,输出为一个标量,意为模型对输入文本、输出图片的奖励打分。为了更好的归一化差值,可以对每两项差值都通过一个sigmoid函数σ将差值拉到0至1之间。
因为反馈数据集里的数据已经默认按从高到低得分排好,因此只需要遍历的求前后项的得分差值加起来即可。
获取模块1001和调整模块1002与前述实施例中的获取模块和调整模块相同,在此不在赘述。
根据一些实施例,图11示出了根据本公开实施例的一种文生图模型的训练装置1100的结构框图。如图11所示,文生图模型的训练装置1100还包括:
第二预训练模块1104,第二预训练模块1104被配置为基于人工标注的图文对对待训练的所述第一文生图模型进行训练以获取经过监督训练的所述第一文生图模型。
可以通过预训练文生图模型微调(Supervised Fine-Tuning,SFT)的方式获取第一文生图模型,在使用预训练文生图模型微调STF进行微调时,可以使用标准的监督学习方法,即将人工标注的(输入,输出)文本对作为训练样本,使用反向传播算法来更新模型参数。通过这种方式,可以使模型更好地理解每个输入与其对应的输出,并对其执行相应的操作。此外,预训练文生图模型微调STF还可以有效地减少模型顺序执行时出现的错误,从而提高生成结果的质量。
获取模块1101和调整模块1102与前述实施例中的获取模块和调整模块相同,在此不在赘述。
根据本公开的实施例,还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
参考图12,现将描述可以作为本公开的服务器或客户端的电子设备1000的结构框图,其是可以应用于本公开的各方面的硬件设备的示例。电子设备旨在表示各种形式的数字电子的计算机设备,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本公开的实现。
如图12所示,电子设备1200包括计算单元1201,其可以根据存储在只读存储器(ROM)1202中的计算机程序或者从存储单元1208加载到随机访问存储器(RAM)1203中的计算机程序,来执行各种适当的动作和处理。在RAM 1203中,还可存储电子设备1200操作所需的各种程序和数据。计算单元1201、ROM 1202以及RAM 1203通过总线1204彼此相连。输入/输出(I/O)接口1205也连接至总线1204。
电子设备1200中的多个部件连接至I/O接口1205,包括:输入单元1206、输出单元1207、存储单元1208以及通信单元1209。输入单元1206可以是能向电子设备1200输入信息的任何类型的设备,输入单元1206可以接收输入的数字或字符信息,以及产生与电子设备的用户设置和/或功能控制有关的键信号输入,并且可以包括但不限于鼠标、键盘、触摸屏、轨迹板、轨迹球、操作杆、麦克风和/或遥控器。输出单元1207可以是能呈现信息的任何类型的设备,并且可以包括但不限于显示器、扬声器、视频/音频输出终端、振动器和/或打印机。存储单元1208可以包括但不限于磁盘、光盘。通信单元1209允许电子设备1200通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据,并且可以包括但不限于调制解调器、网卡、红外通信设备、无线通信收发机和/或芯片组,例如蓝牙设备、802.11设备、WiFi设备、WiMax设备、蜂窝通信设备和/或类似物。
计算单元1201可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元1201的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元1201执行上文所描述的各个方法和处理,例如前述实施例所提供的文生图模型的训练方法。例如,在一些实施例中,前述实施例所提供的文生图模型的训练方法可被实现为计算机软件程序,其被有形地包含于机器可读介质,例如存储单元1208。在一些实施例中,计算机程序的部分或者全部可以经由ROM1202和/或通信单元1209而被载入和/或安装到电子设备1200上。当计算机程序加载到RAM1203并由计算单元1201执行时,可以执行前述实施例所提供的文生图模型的训练方法的一个或多个步骤。备选地,在其他实施例中,计算单元1201可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行前述实施例所提供的文生图模型的训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、复杂可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器,使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在计算机上实施此处描述的系统和技术,该计算机具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如,作为数据服务器)、或者包括中间件部件的计算系统(例如,应用服务器)、或者包括前端部件的计算系统(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将系统的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、互联网和区块链网络。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,也可以为分布式系统的服务器,或者是结合了区块链的服务器。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本公开中记载的各步骤可以并行地执行、也可以顺序地或以不同的次序执行,只要能够实现本公开公开的技术方案所期望的结果,本文在此不进行限制。
虽然已经参照附图描述了本公开的实施例或示例,但应理解,上述的方法、系统和设备仅仅是示例性的实施例或示例,本发明的范围并不由这些实施例或示例限制,而是仅由授权后的权利要求书及其等同范围来限定。实施例或示例中的各种要素可以被省略或者可由其等同要素替代。此外,可以通过不同于本公开中描述的次序来执行各步骤。进一步地,可以以各种方式组合实施例或示例中的各种要素。重要的是随着技术的演进,在此描述的很多要素可以由本公开之后出现的等同要素进行替换。
Claims (26)
1.一种文生图模型的训练方法,包括:
获取第一文生图模型以及预训练好的奖励模型,其中,所述第一文生图模型用于基于输入文本生成对应的生成图片,所述预训练好的奖励模型用于基于由所述输入文本和所述对应的生成图片组成的数据对进行打分;以及
基于所述预训练好的奖励模型和强化学习策略调整所述第一文生图模型的参数以得到第二文生图模型,其中,
所述第二文生图模型在用于实现文生图的生成序列中获得的累计奖励满足预设条件,所述累计奖励是基于所述生成序列中的每一阶段的奖励得到的。
2.根据权利要求1所述的方法,其中,
所述预设条件包括所述第二文生图模型在用于实现文生图的生成序列中获得的累计奖励高于所述第一文生图模型在用于实现文生图的生成序列中获得的累计奖励。
3.根据权利要求1或2所述的方法,其中,
所述强化学习策略包括近端策略优化算法。
4.根据权利要求3所述的方法,其中,
所述近端策略优化算法使用行为子模型和评判子模型,所述行为子模型是基于所述第一文生图模型初始化得到的,所述评判子模型是基于所述预训练好的奖励模型初始化得到的。
5.根据权利要求4所述的方法,其中,
所述生成序列包括至少一个阶段,其中,针对所述生成序列中的每一阶段:
所述行为子模型基于被提供的输入文本生成对应的输出带噪图;以及
所述评判子模型基于当前阶段的所述输入文本和所述输出带噪图输出所述当前阶段的奖励。
6.根据权利要求5所述的方法,其中,
所述当前阶段的奖励包括所述行为子模型在所述当前阶段之前的上一阶段的输出与所述行为子模型在所述当前阶段的输出之间的相对熵。
7.根据权利要求5所述的方法,其中,
所述当前阶段的奖励包括所述当前阶段之前的上一阶段的评价值与所述当前阶段的评价值之间的差值,其中,所述评价值是所述预训练好的奖励模型基于被提供的输入文本和对应的输出带噪图进行打分得到的。
8.根据权利要求6或7所述的方法,其中,
所述生成序列中获得的所述累计奖励包括总评分和折损项,其中,所述总评分是所述预训练好的奖励模型基于所述生成序列的初始输入和最终输出得到的,所述折损项为所述生成序列中最后阶段的奖励与折损系数的乘积。
9.根据权利要求1-8中任一项所述的方法,其中,
基于所述第二文生图模型的生成序列中的所述累计奖励,通过反向传播算法得到所述第二文生图模型的参数。
10.根据权利要求1-9中任一项所述的方法,其中,
所述预训练好的奖励模型是基于反馈数据集进行训练得到的,其中,所述反馈数据集包括多个反馈数据,所述多个反馈数据包括由所述输入文本和所述对应的生成图片组成的数据对以及与所述数据对相对应的反馈状态,其中所述反馈状态用于表征相对于同一输入文本生成的所述对应的生成图片属于正向反馈或负向反馈。
11.根据权利要求10所述的方法,其中,训练所述奖励模型包括:
基于所述多个反馈数据,以对比学习的形式训练所述奖励模型,使得所述奖励模型给所述反馈状态为正向反馈的所述数据对输出第一奖励评分,并给所述反馈状态为负向反馈的所述数据对输出第二奖励评分,其中,所述第一奖励评分和所述第二奖励评分的差值用于表征所述对应的生成图片的质量差异。
12.根据权利要求10或11所述的方法,其中,
所述反馈数据集包括至少两种不同来源的所述多个反馈数据。
13.根据权利要求12所述的方法,其中,
所述多个反馈数据包括用户反馈的数据、人工标注的数据和手动对比的数据中的至少两种,其中,
所述用户反馈的数据基于用户行为得到所述反馈状态;
所述人工标注的数据基于人工标注的结果得到所述反馈状态;
所述手动对比的数据基于不同版本的生成图片得到所述反馈状态。
14.根据权利要求1-14中任一项所述的方法,其中,所述获取第一文生图模型的步骤包括:
获取人工标注的图文对作为待训练的所述第一文生图模型的训练样本;以及
基于反向传播算法更新待训练的所述第一文生图模型的参数以得到经过监督训练的所述第一文生图模型。
15.一种文生图模型,根据权利要求1-14中任一项所述的方法训练得到。
16.一种文生图模型的训练装置,包括:
获取模块,被配置为获取第一文生图模型以及预训练好的奖励模型,其中,所述第一文生图模型基于输入文本生成对应的生成图片,所述预训练好的奖励模型基于由所述输入文本和所述对应的生成图片组成的数据对进行打分;以及
调整模块,被配置为基于所述预训练好的奖励模型和强化学习策略调整所述第一文生图模型的参数以得到第二文生图模型,其中,
所述第二文生图模型在用于实现文生图的生成序列中获得的累计奖励满足预设条件,所述累计奖励是基于所述生成序列的每一项奖励之和得到的。
17.根据权利要求16所述的装置,其中,
所述预设条件包括所述第二文生图模型在用于实现文生图的生成序列中获得的累计奖励高于所述第一文生图模型在用于实现文生图的生成序列中获得的累计奖励。
18.根据权利要求16或17所述的装置,其中,
所述强化学习策略包括近端策略优化算法。
19.根据权利要求18所述的装置,其中,
所述近端策略优化算法使用行为子模型和评判子模型;
所述调整模块包括:
行为子模块,被配置为基于所述第一文生图模型初始化所述行为子模型;
评判子模块,被配置为基于所述预训练好的奖励模型初始化所述评判子模型。
20.根据权利要求19所述的装置,其中,
所述生成序列包括至少一个阶段,其中,针对所述生成序列中的每一阶段:
所述行为子模块被配置为基于被提供的输入文本生成对应的输出带噪图;以及
所述评判子模块还被配置为基于当前阶段的输入文本和输出带噪图,输出当前阶段的奖励。
21.根据权利要求20所述的装置,其中,
所述调整模块还包括:
奖励模块,被配置为基于总评分和折损项生成所述生成序列中的累计奖励;其中
所述总评分是所述预训练好的奖励模型基于所述生成序列的初始输入和最终输出得到的;
所述折损项为所述生成序列中最后阶段的奖励与折损系数的乘积。
22.根据权利要求16-21中任一项所述的装置,还包括,
第一预训练模块,被配置为基于反馈数据集对奖励模型进行训练以得到所述预训练好的奖励模型,其中
所述反馈数据集包括多个反馈数据,所述多个反馈数据包括由所述输入文本和所述对应的生成图片组成的数据对以及与所述数据对相对应的反馈状态,其中所述反馈状态用于表征相对于同一输入文本生成的所述对应的生成图片属于正向反馈或负向反馈。
23.根据权利要求16-22中任一项所述的装置,还包括,
第二预训练模块,被配置为基于人工标注的图文对对待训练的所述第一文生图模型进行训练以获取经过监督训练的所述第一文生图模型。
24.一种电子设备,包括:
至少一个处理器;以及
与所述至少一个处理器通信连接的存储器;其中
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-14中任一项所述的方法。
25.一种存储有计算机指令的非瞬时计算机可读存储介质,其中,所述计算机指令用于使所述计算机执行根据权利要求1-14中任一项所述的方法。
26.一种计算机程序产品,包括计算机程序,其中,所述计算机程序在被处理器执行时实现权利要求1-14中任一项所述的方法。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310845680.6A CN116894880A (zh) | 2023-07-11 | 2023-07-11 | 一种文生图模型的训练方法、模型、装置及电子设备 |
JP2024097977A JP2024123108A (ja) | 2023-07-11 | 2024-06-18 | Text to Imageモデルのトレーニング方法、モデル、装置及び電子機器 |
KR1020240078785A KR20240105330A (ko) | 2023-07-11 | 2024-06-18 | 텍스트 이미지 모델의 트레이닝 방법, 모델, 장치 및 전자 기기 |
EP24187863.6A EP4435674A2 (en) | 2023-07-11 | 2024-07-10 | Method and apparatus for training text-to-image model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310845680.6A CN116894880A (zh) | 2023-07-11 | 2023-07-11 | 一种文生图模型的训练方法、模型、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116894880A true CN116894880A (zh) | 2023-10-17 |
Family
ID=88314407
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310845680.6A Pending CN116894880A (zh) | 2023-07-11 | 2023-07-11 | 一种文生图模型的训练方法、模型、装置及电子设备 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP4435674A2 (zh) |
JP (1) | JP2024123108A (zh) |
KR (1) | KR20240105330A (zh) |
CN (1) | CN116894880A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315094A (zh) * | 2023-11-02 | 2023-12-29 | 北京百度网讯科技有限公司 | 图片生成方法、修饰关系模型生成方法、装置和设备 |
CN117493587A (zh) * | 2023-12-28 | 2024-02-02 | 苏州元脑智能科技有限公司 | 一种文章生成的方法、装置、设备及介质 |
CN118036757A (zh) * | 2024-04-15 | 2024-05-14 | 清华大学 | 大语言模型训练方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390108A (zh) * | 2019-07-29 | 2019-10-29 | 中国工商银行股份有限公司 | 基于深度强化学习的任务型交互方法和系统 |
CN116051668A (zh) * | 2022-12-30 | 2023-05-02 | 北京百度网讯科技有限公司 | 文生图扩散模型的训练方法和基于文本的图像生成方法 |
US20230153606A1 (en) * | 2021-11-12 | 2023-05-18 | Nec Laboratories America, Inc. | Compositional text-to-image synthesis with pretrained models |
-
2023
- 2023-07-11 CN CN202310845680.6A patent/CN116894880A/zh active Pending
-
2024
- 2024-06-18 JP JP2024097977A patent/JP2024123108A/ja active Pending
- 2024-06-18 KR KR1020240078785A patent/KR20240105330A/ko unknown
- 2024-07-10 EP EP24187863.6A patent/EP4435674A2/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110390108A (zh) * | 2019-07-29 | 2019-10-29 | 中国工商银行股份有限公司 | 基于深度强化学习的任务型交互方法和系统 |
US20230153606A1 (en) * | 2021-11-12 | 2023-05-18 | Nec Laboratories America, Inc. | Compositional text-to-image synthesis with pretrained models |
CN116051668A (zh) * | 2022-12-30 | 2023-05-02 | 北京百度网讯科技有限公司 | 文生图扩散模型的训练方法和基于文本的图像生成方法 |
Non-Patent Citations (3)
Title |
---|
KIMIN LEE 等,: "Aligning Text-to-Image Models using Human Feedback", ARXIV, 23 February 2023 (2023-02-23), pages 1 - 20 * |
ROBIN ROMBACH 等,: "High-Resolution Image Synthesis with Latent Diffusion Models", IEEE, 27 September 2022 (2022-09-27), pages 1 - 12 * |
STIENNON N. 等: "Learning to summarize from human feedback", ARXIV, 2 September 2020 (2020-09-02), pages 1 - 14 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117315094A (zh) * | 2023-11-02 | 2023-12-29 | 北京百度网讯科技有限公司 | 图片生成方法、修饰关系模型生成方法、装置和设备 |
CN117493587A (zh) * | 2023-12-28 | 2024-02-02 | 苏州元脑智能科技有限公司 | 一种文章生成的方法、装置、设备及介质 |
CN117493587B (zh) * | 2023-12-28 | 2024-04-09 | 苏州元脑智能科技有限公司 | 一种文章生成的方法、装置、设备及介质 |
CN118036757A (zh) * | 2024-04-15 | 2024-05-14 | 清华大学 | 大语言模型训练方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
KR20240105330A (ko) | 2024-07-05 |
JP2024123108A (ja) | 2024-09-10 |
EP4435674A2 (en) | 2024-09-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113836333B (zh) | 图文匹配模型的训练方法、实现图文检索的方法、装置 | |
CN116894880A (zh) | 一种文生图模型的训练方法、模型、装置及电子设备 | |
JP7316453B2 (ja) | オブジェクト推薦方法及び装置、コンピュータ機器並びに媒体 | |
CN114612749B (zh) | 神经网络模型训练方法及装置、电子设备和介质 | |
CN113313650B (zh) | 图像画质增强方法、装置、设备和介质 | |
CN111507111B (zh) | 语义表示模型的预训练方法、装置、电子设备及存储介质 | |
CN112559721B (zh) | 人机对话系统的调整方法、装置、设备、介质和程序产品 | |
CN116821684B (zh) | 大语言模型的训练方法、装置、设备和介质 | |
CN113642740A (zh) | 模型训练方法及装置、电子设备和介质 | |
CN114005452A (zh) | 提取语音特征的方法、装置、电子设备及存储介质 | |
CN112686381A (zh) | 神经网络模型、方法、电子设备及可读介质 | |
CN115170887B (zh) | 目标检测模型训练方法、目标检测方法及其装置 | |
CN116842155A (zh) | 文本生成方法、文本生成模型的训练方法及装置 | |
CN116450944A (zh) | 基于推荐模型的资源推荐方法、装置、电子设备和介质 | |
CN115393514A (zh) | 三维重建模型的训练方法、三维重建方法、装置、设备 | |
CN113312511B (zh) | 用于推荐内容的方法、装置、设备和计算机可读存储介质 | |
CN113590782B (zh) | 推理模型的训练方法、推理方法及装置 | |
CN114881170A (zh) | 用于对话任务的神经网络的训练方法和对话任务处理方法 | |
CN114692780A (zh) | 实体信息分类方法、分类模型训练方法、装置、电子设备 | |
CN114693977A (zh) | 图像处理方法、模型训练方法、装置、设备及介质 | |
CN114238745A (zh) | 一种提供搜索结果的方法及装置、电子设备和介质 | |
CN115578451B (zh) | 图像处理方法、图像处理模型的训练方法和装置 | |
CN116860933B (zh) | 对话模型训练方法、回复信息生成方法、装置及介质 | |
US11875127B2 (en) | Query response relevance determination | |
CN115713071B (zh) | 用于处理文本的神经网络的训练方法和处理文本的方法 |
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 |