[發明專利]模型訓練方法及終端設備

在審

• 申請號: 201811004580.6
• 申請日: 2018-08-30
• 公開（公告）號: CN110874604A
• 公開（公告）日: 2020-03-10
• 發明（設計）人: 蔣佳
• 申請（專利權）人: TCL集團股份有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 深圳中一專利商標事務所 44237
• 代理人: 官建紅

1.一種模型訓練方法，其特征在于，包括：

獲取待訓練模型和訓練數據；所述訓練數據包括多個樣本，且每個樣本對應一個概率值；

根據各個樣本的概率值從所述訓練數據中選取若干個樣本生成訓練數據集；

通過所述訓練數據集對所述待訓練模型進行訓練，并獲取所述待訓練模型對所述訓練數據集的識別結果；

根據所述識別結果和所述訓練數據集計算所述訓練數據集的聚類效果評估值；

根據所述聚類效果評估值對所述訓練數據集中各樣本對應的概率值進行調整。

2.如權利要求1所述的模型訓練方法，其特征在于，所述根據各個樣本的概率值從所述訓練數據中選取若干個樣本生成訓練數據集包括：

按照樣本的概率值對樣本進行排序；

選取概率值較高的預設數目的樣本組成訓練數據集。

3.如權利要求1所述的模型訓練方法，其特征在于，所述聚類效果評估值為蘭德系數或輪廓系數。

4.如權利要求1所述的模型訓練方法，其特征在于，所述根據所述聚類效果評估值對所述訓練數據集中各樣本對應的概率值進行調整包括：

將當前計算出的聚類效果評估值與上一次計算出的聚類效果評估值二者進行對比；

若當前計算出的聚類效果評估值小于上一次計算出的聚類效果評估值，且二者的差值大于或等于第一預設閾值，則將所述訓練數據集中各樣本對應的概率值均減小第一預設調整量；

若當前計算出的聚類效果評估值大于上一次計算出的聚類效果評估值，且二者的差值大于或等于第二預設閾值，則將所述訓練數據集中各樣本對應的概率值均增大第二預設調整量。

5.如權利要求1至4任一項所述的模型訓練方法，其特征在于，還包括：

根據所述聚類效果評估值確定損失函數調制系數；

將所述損失函數調制系數與所述待訓練模型對應的初始損失函數的乘積作為調制后的損失函數。

6.如權利要求5所述的模型訓練方法，其特征在于，所述待訓練模型對應的初始損失函數為交叉熵損失函數；

所述調制后的損失函數為：

ML(p_t)＝-(1-E)^rlog(p_t)

其中，ML(p_t)為調制后的損失函數，E為所述聚類效果評估值，-(1-E)^r為所述損失函數調制系數，r為指數調節系數，log(p_t)為所述交叉熵損失函數。

7.一種模型訓練裝置，其特征在于，包括：

獲取模塊，用于獲取待訓練模型和訓練數據；所述訓練數據包括多個樣本，且每個樣本對應一個概率值；

選取模塊，用于根據各個樣本的概率值從所述訓練數據中選取若干個樣本生成訓練數據集；

訓練模塊，用于通過所述訓練數據集對所述待訓練模型進行訓練，并獲取所述待訓練模型對所述訓練數據集的識別結果；

評估模塊，用于根據所述識別結果和所述訓練數據集計算所述訓練數據集的聚類效果評估值；

調整模塊，用于根據所述聚類效果評估值對所述訓練數據集中各樣本對應的概率值進行調整。

8.如權利要求7所述的模型訓練裝置，其特征在于，所述選取模塊用于：

按照樣本的概率值對樣本進行排序；

選取概率值較高的預設數目的樣本組成訓練數據集。

9.一種終端設備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序時實現如權利要求1至6任一項所述方法的步驟。

10.一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時實現如權利要求1至6任一項所述方法的步驟。