[發明專利]模型訓練方法及裝置在審
| 申請號： | 201610421438.6 | 申請日： | 2016-06-14 |
| 公開（公告）號： | CN107506775A | 公開（公告）日： | 2017-12-22 |
| 發明（設計）人： | 張默 | 申請（專利權）人： | 北京陌上花科技有限公司 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62 |
| 代理公司： | 北京國昊天誠知識產權代理有限公司11315 | 代理人： | 許志勇 |
| 地址： | 100080 北京市海淀*** | 國省代碼： | 北京;11 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 模型 訓練 方法 裝置 | ||
1.一種模型訓練方法，其特征在于，包括：
獲取源領域深度學習模型；
獲取目標領域的訓練數據；
利用所述目標領域的訓練數據，調整所述源領域深度學習模型的權重參數，獲得目標領域深度學習模型；
利用所述目標領域深度學習模型，提取所述訓練數據的數據特征；
利用所述數據特征訓練K最近鄰分類模型，獲得識別模型。
2.根據權利要求1所述的方法，其特征在于，所述利用所述數據特征訓練K最近鄰分類模型，獲得識別模型包括：
將所述數據特征進行特征降維，獲得低維度特征；
利用所述低維度特征訓練K最近鄰分類模型，獲得識別模型。
3.根據權利要求1所述的方法，其特征在于，所述利用所述目標領域的訓練數據，調整所述源領域深度學習模型的權重參數，獲得目標領域深度學習模型包括：
將所述源領域深度學習模型的權重參數作為初始參數；
設定低于預設率的學習率；
利用所述目標領域的訓練數據以及所述學習率，調整所述源領域深度學習模型的權重參數，獲得目標領域深度學習模型。
4.根據權利要求3所述的方法，其特征在于，所述利用所述目標領域的訓練數據以及所述學習率，調整所述源領域深度學習模型的權重參數，獲得目標領域深度學習模型包括：
利用所述目標領域的訓練數據以及所述學習率，按照小于預設次數的調整次數，重復調整所述源領域深度學習模型的權重參數，獲得目標領域深度學習模型。
5.根據權利要求1所述的方法，其特征在于，所述獲取源領域深度學習模型包括：
獲取與目標領域類別匹配的源領域深度學習模型。
6.一種模型訓練裝置，其特征在于，包括：
獲取模型模塊，用于獲取源領域深度學習模型；
獲取數據模塊，用于獲取目標領域的訓練數據；
學習模型訓練模塊，用于利用所述目標領域的訓練數據，調整所述源領域深度學習模型的權重參數，獲得目標領域深度學習模型；
特征提取模塊。用于利用所述目標領域深度學習模型，提取所述訓練數據的數據特征；
識別模型訓練模塊，用于利用所述數據特征訓練K最近鄰分類模型，獲得識別模型。
7.根據權利要求6所述的裝置，其特征在于，所述識別模型訓練模塊包括：
降維單元，用于將所述數據特征進行特征降維，獲得低維度特征；
識別模型訓練單元，用于利用所述低維度特征訓練K最近鄰分類模型，獲得識別模型。
8.根據權利要求6所述的裝置，其特征在于，所述學習模型訓練模塊包括：
參數設置單元，用于將所述源領域深度學習模型的權重參數作為初始參數，并設定低于預設率的學習率；
學習模型訓練單元，用于利用所述目標領域的訓練數據以及所述學習率，調整所述源領域深度學習模型的權重參數，獲得目標領域深度學習模型。
9.根據權利要求8所述的裝置，其特征在于，學習模型訓練單元具體用于利用所述目標領域的訓練數據以及所述學習率，按照小于預設次數的調整次數，重復調整所述源領域深度學習模型的權重參數，獲得目標領域深度學習模型。
10.根據權利要求6所述的裝置，其特征在于，所述獲取模型模塊具體用于獲取與目標領域類別匹配的源領域深度學習模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于北京陌上花科技有限公司，未經北京陌上花科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201610421438.6/1.html，轉載請聲明來源鉆瓜專利網。
