[發明專利]訓練模型的方法、裝置、電子設備及計算機可讀存儲介質

在審

• 申請號: 202010607599.0
• 申請日: 2020-06-30
• 公開（公告）號: CN111783872A
• 公開（公告）日: 2020-10-16
• 發明（設計）人: 付琰;陳亮輝;周洋杰;方軍
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/00
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 朱穎;劉芳

1.一種訓練模型的方法，包括：

獲取樣本數據集，并在所述樣本數據集中隨機選取若干個樣本數據作為子樣本數據集；

基于所述子樣本數據集對待訓練模型進行訓練，得到第一訓練參數，以及第二訓練參數的取值區間；

基于所述樣本數據集、所述第一訓練參數、所述第二訓練參數的取值區間，對所述待訓練模型進行訓練，得到第二訓練參數與第三訓練參數；

將所述第一訓練參數、所述第二訓練參數及所述第三訓練參數確定為所述待訓練模型的模型參數。

2.根據權利要求1所述的方法，其中，所述第一訓練參數為訓練結果與樣本數據的分布相關聯、但訓練結果與樣本數據的數量無關聯的參數，所述第二訓練參數為訓練結果與樣本數據的分布和數量均關聯的參數，所述第三訓練參數為訓練結果與樣本數據的數量相關聯、但訓練結果與樣本數據的分布無關聯的參數。

3.根據權利要求2所述的方法，所述基于所述子樣本數據集對待訓練模型進行訓練之前，還包括：

獲取所述待訓練模型中的各個待訓練參數的訓練特征，所述各個待訓練參數的訓練特征用于表征所述各個待訓練參數的訓練結果與樣本數據的數量及分布之間的關聯關系；

根據所述各個待訓練參數的訓練特征，將所述各個待訓練參數劃分為第一訓練參數、第二訓練參數及第三訓練參數。

4.根據權利要求1所述的方法，其中，所述基于所述子樣本數據集對待訓練模型進行訓練，得到第一訓練參數，以及第二訓練參數的取值區間，包括：

基于所述子樣本數據集對所述待訓練模型進行訓練，得到所述第一訓練參數；

獲取所述第二訓練參數的預置訓練區間，基于所述子樣本數據集、所述第一訓練參數及所述預置訓練區間，對所述待訓練模型執行K次訓練過程，得到K次訓練結果對應的第二訓練參數，K為大于2的整數；

根據所述K次訓練結果對應的第二訓練參數，調整所述第二訓練參數的預置訓練區間，并將調整后的第二訓練參數的預置訓練區間確定為所述第二訓練參數的取值區間。

5.根據權利要求4所述的方法，其中，所述根據所述K次訓練結果對應的第二訓練參數，調整所述預置訓練區間，包括：

選取所述K次訓練結果對應的第二訓練參數中的最大值和最小值；

將所述第二訓練參數的預置訓練區間的最大值和最小值調整為所述K次訓練結果對應的第二訓練參數中的最大值和最小值。

6.根據權利要求1所述的方法，所述在所述樣本數據集中隨機選取若干個樣本數據作為子樣本數據集之前，還包括：

確定所述樣本數據集中的樣本數據量大于預設的樣本數量閾值。

7.根據權利要求1-6任一項所述的方法，其中，所述待訓練模型為深度學習模型，所述第一訓練參數包括激活函數和初始化函數，所述第二訓練參數為學習率，所述第三訓練參數為網絡層數和網絡節點的個數。

8.一種訓練模型的裝置，包括：

樣本數據處理模塊，用于獲取樣本數據集，并在所述樣本數據集中隨機選取若干個樣本數據作為子樣本數據集；

訓練模塊，用于基于所述子樣本數據集對待訓練模型進行訓練，得到第一訓練參數，以及第二訓練參數的取值區間；

所述訓練模塊，還用于基于所述樣本數據集、所述第一訓練參數、所述第二訓練參數的取值區間，對所述待訓練模型進行訓練，得到第二訓練參數與第三訓練參數；

確定模塊，用于將所述第一訓練參數、所述第二訓練參數及所述第三訓練參數確定為所述待訓練模型的模型參數。

9.根據權利要求8所述的裝置，其中，所述第一訓練參數為訓練結果與樣本數據的分布相關聯、但訓練結果與樣本數據的數量無關聯的參數，所述第二訓練參數為訓練結果與樣本數據的分布和數量均關聯的參數，所述第三訓練參數為訓練結果與樣本數據的數量相關聯、但訓練結果與樣本數據的分布無關聯的參數。