[發明專利]模型訓練方法、模型調用方法、設備及可讀存儲介質

有效

• 申請號: 201910920142.2
• 申請日: 2019-09-26
• 公開（公告）號: CN110782004B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 朱曉龍;李宏亮;周正;湯善敏;季興;武建芳;郭仁杰;黃軍;萬富強;張正生;劉永升
• 申請（專利權）人: 超參數科技（深圳）有限公司
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/40;G06N3/04;G06N3/08
• 代理公司: 深圳市力道知識產權代理事務所(普通合伙) 44507
• 代理人: 何姣

本申請提供一種模型訓練方法、模型調用方法、設備及可讀存儲介質，該方法包括：調用每個訓練參與方各自對應的人工智能模型，控制每個訓練參與方執行相應的樣本生成操作；當樣本生成操作完成后，獲取樣本生成操作對應的樣本數據；對該樣本數據進行特征提取，得到類圖像特征和向量特征；根據類圖像特征和向量特征，對每個訓練參與方各自對應的人工智能模型進行訓練更新；若更新后的人工智能模型未收斂，則執行步驟：基于預設的參與邏輯數據，調用每個訓練參與方各自對應的人工智能模型，控制每個訓練參與方執行相應的樣本生成操作；若更新后的人工智能模型收斂，則存儲更新后的人工智能模型。本申請提高了人工智能模型的準確性。

技術領域

本申請涉及人工智能的技術領域，尤其涉及一種模型訓練方法、模型調用方法、設備及計算機可讀存儲介質。

背景技術

隨著人工智能(Artificial Intelligence，AI)技術的快速發展，人工智能技術被廣泛的應用于各個領域，例如，在游戲娛樂領域，通過人工智能技術可以實現棋類游戲中虛擬用戶與真人之間的對局，且可以戰勝最頂級的職業選手。目前，主要基于深度神經網絡(Deep Neural Network,DNN)和監督學習來實現人工智能模型。然而，基于DNN和監督學習實現人工智能模型，需要大量優質的樣本數據，才能訓練得到效果較好的人工智能模型，但優質的樣本數據的收集難度較高，且需要耗費較多的時間，無法保證人工智能模型的準確性。因此，如何提高人工智能模型的準確性是目前亟待解決的問題。

發明內容

本申請的主要目的在于提供一種模型訓練方法、模型調用方法、設備及計算機可讀存儲介質，旨在提高人工智能模型的準確性。

第一方面，本申請提供一種模型訓練方法，所述模型訓練方法包括：

調用每個訓練參與方各自對應的人工智能模型，控制每個訓練參與方執行相應的樣本生成操作，其中，所述人工智能模型基于神經網絡模型實現；

當所述樣本生成操作完成后，獲取所述樣本生成操作對應的樣本數據，其中，所述樣本數據包括參與結果信息、每個訓練參與方的角色信息和參與內容信息；

對所述樣本數據進行特征提取，得到類圖像特征和向量特征，其中，所述類圖像特征用于表征每個訓練參與方的參與內容信息，所述向量特征用于表征每個訓練參與方的參與結果信息和角色信息；

根據所述類圖像特征和向量特征，對每個訓練參與方各自對應的所述人工智能模型進行訓練更新，并確定更新后的所述人工智能模型是否收斂；

若更新后的所述人工智能模型未收斂，則執行步驟：基于預設的參與邏輯數據，調用每個訓練參與方各自對應的人工智能模型，控制每個訓練參與方執行相應的樣本生成操作；

若更新后的所述人工智能模型收斂，則存儲更新后的所述人工智能模型。

第二方面，本申請還提供一種模型調用方法，所述模型調用方法包括：

獲取模型調用指令，其中，所述模型調用指令用于調用預存的人工智能模型，所述人工智能模型基于神經網絡模型實現；

根據所述模型調用指令，調用對應的人工智能模型作為對局虛擬用戶，并獲取所述對局虛擬用戶的對局參與內容；

基于所述人工智能模型，根據所述對局參與內容控制所述對局虛擬用戶與真實用戶進行對局操作。

第三方面，本申請還提供一種計算機設備，所述計算機設備包括處理器、存儲器、以及存儲在所述存儲器上并可被所述處理器執行的計算機程序，其中所述計算機程序被所述處理器執行時，實現如上述的模型訓練方法和/或模型調用方法的步驟。

第四方面，本申請還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質上存儲有計算機程序，其中所述計算機程序被處理器執行時，實現如上述的模型訓練方法和/或模型調用方法的步驟。