[發明專利]樣本數據的處理方法和計算機存儲介質

在審

• 申請號: 201910851079.1
• 申請日: 2019-09-10
• 公開（公告）號: CN110689053A
• 公開（公告）日: 2020-01-14
• 發明（設計）人: 劉宏剛;李峰
• 申請（專利權）人: 蘇州浪潮智能科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 11262 北京安信方達知識產權代理有限公司
• 代理人: 張建秀;解婷婷

本申請實施例公開了一種樣本數據的處理方法和計算機存儲介質。所述方法包括：在獲取到時空序列的數據樣本后，采用預先獲取的卷積神經網絡CNN模型對所述時空序列的數據樣本中的空間特性數據進行學習，得到至少兩個空間特征樣本數據；利用預先獲取的RNN模型對得到的至少兩個空間特征樣本數據中的時序信息進行建模操作，得到所述時空序列的數據樣本的模型；利用所述模型對接收到的數據進行預測操作。

技術領域

本申請實施例涉及信息處理領域，尤指一種樣本數據的處理方法和計算機存儲介質。

背景技術

在人工智能實際應用中，不同數據結構特征需要使用不同數據處理方法與深度學習網絡結構，對于包含多種數據結構特征的具體應用，單模型具有一定局限性無法滿足實際要求。多模型融合算法通過將不同類型模型結構進行融合，可有效利用數據多維度信息，在多個領域進行應用，具有很高的應用價值。

對于包含空間與時間特性的數據樣本，例如，視頻序列中的行為識別，需要從視頻某一幀圖像中學習目標動作類型，同時其相鄰時間的目標動作存在連續時間序列關系。用單種模型無法同時有效提取空間特征與構建時間序列關系，導致大量有效信息未充分使用，因此構建能夠提取時空序列數據特性的模型結構是亟需解決的難題。

發明內容

為了解決上述任一技術問題，本申請實施例提供了一種樣本數據的處理方法和計算機存儲介質。

為了達到本申請實施例目的，本申請實施例提供了一種樣本數據的處理方法，包括：

采用預先獲取的訓練數據對第一模型進行訓練操作；

在對第一模型訓練完成后，利用所述第一模型對獲取到的時空序列的數據樣本進行處理，得到至少兩個空間特征樣本數據；

利用所述至少兩個空間特征樣本數據基于預先設置的第二模型的時序信息進行訓練；

在對第二模型訓練完成后，利用所述第二模型對接收到的數據進行預測操作。

在一個示例性實施例中，所述第一模型為CNN模型；和/或，所述第二模型為RNN模型。

在一個示例性實施例中，所述利用所述第一模型對獲取到的時空序列的數據樣本進行處理，得到至少兩個空間特征樣本數據，包括：

在檢測到利用所述時空序列的數據樣本訓練所述第一模型完成后，對每個時空序列的數據樣本進行前向推理操作；

提取所述CNN模型第一層的全連接層輸出的特征向量信息，作為空間特征樣本數據。

在一個示例性實施例中，所述RNN模型記憶單元隱藏層第t個時刻的狀態s_t是通過如下方式得到的，包括：

s_t＝f(U*x_t+W*s_t-1)

其中f為非線性激活函數，U和W均為RNN模型的參數，x_t為輸入的樣本數據，s_t-1為t-1時刻隱藏層狀態，t為大于等于1的整數。

在一個示例性實施例中，所述第一模型和/或第二模型是否完成訓練操作是通過如下方式得到的包括：

根據訓練數據的真實值及預測值，計算所述第一模型和/或第二模型的損失信息；

判斷所述第一模型和/或第二模型的損失信息是否在執行預設數量的遍歷數據集次數后減少；

若所述第一模型和/或第二模型的損失信息是否在執行預設數量的遍歷數據集次數后不減少，則確定第一模型和/或第二模型訓練完成。

一種計算機存儲介質，包括處理器和存儲器，所述存儲器存儲有計算機程序，所述處理器調用所述存儲器中的計算機程序以實現如下操作，包括：