[發(fā)明專利]一種模型訓(xùn)練方法、裝置、電子設(shè)備及存儲(chǔ)介質(zhì)

在審

• 申請(qǐng)?zhí)枺?/td>: 202011110803.4
• 申請(qǐng)日: 2020-10-16
• 公開(kāi)（公告）號(hào): CN112241452A
• 公開(kāi)（公告）日: 2021-01-19
• 發(fā)明（設(shè)計(jì)）人: 張言;梁曉旭;鄧遠(yuǎn)達(dá)
• 申請(qǐng)（專利權(quán)）人: 百度(中國(guó))有限公司
• 主分類號(hào): G06F16/35
• 分類號(hào): G06F16/35;G06F16/36;G06F40/284;G06K9/62
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種模型訓(xùn)練方法，所述方法包括：

接收用戶輸入的任務(wù)類別標(biāo)簽；

基于所述任務(wù)類別標(biāo)簽生成與其對(duì)應(yīng)的至少一個(gè)訓(xùn)練樣本；

在所述任務(wù)類別標(biāo)簽對(duì)應(yīng)的全部訓(xùn)練樣本中提取出一個(gè)訓(xùn)練樣本作為當(dāng)前訓(xùn)練樣本；

響應(yīng)于待訓(xùn)練的模型不滿足預(yù)先設(shè)置的收斂條件，將所述當(dāng)前訓(xùn)練樣本輸入至所述待訓(xùn)練的模型中，使用所述當(dāng)前訓(xùn)練樣本對(duì)所述待訓(xùn)練的模型進(jìn)行訓(xùn)練；重復(fù)執(zhí)行上述提取所述當(dāng)前訓(xùn)練樣本的操作，直到所述待訓(xùn)練的模型滿足所述預(yù)先設(shè)置的收斂條件。

2.根據(jù)權(quán)利要求1所述的方法，所述基于所述任務(wù)類別標(biāo)簽生成與其對(duì)應(yīng)的至少一個(gè)訓(xùn)練樣本，包括：

基于預(yù)先構(gòu)建的知識(shí)圖譜生成所述任務(wù)類型標(biāo)簽對(duì)應(yīng)的至少一個(gè)下義詞；

將所述任務(wù)類型標(biāo)簽對(duì)應(yīng)的各個(gè)下義詞作為關(guān)鍵詞抓取各個(gè)下義詞對(duì)應(yīng)的至少一個(gè)圖像；

將各個(gè)下義詞和各個(gè)下義詞對(duì)應(yīng)的各個(gè)圖像組合為各個(gè)訓(xùn)練樣本，得到所述任務(wù)類別標(biāo)簽對(duì)應(yīng)的至少一個(gè)訓(xùn)練樣本。

3.根據(jù)權(quán)利要求2所述的方法，在所述將所述任務(wù)類型標(biāo)簽對(duì)應(yīng)的各個(gè)下義詞作為關(guān)鍵詞抓取各個(gè)下義詞對(duì)應(yīng)的至少一個(gè)圖像之后，所述將各個(gè)下義詞和各個(gè)下義詞對(duì)應(yīng)的各個(gè)圖像組合為各個(gè)訓(xùn)練樣本之前，所述方法還包括：

在全部的下義詞對(duì)應(yīng)的圖像中提取出一個(gè)圖像作為當(dāng)前圖像；

采用預(yù)先設(shè)定的質(zhì)量評(píng)估算法對(duì)所述當(dāng)前樣本圖像進(jìn)行質(zhì)量評(píng)估，確定出所述當(dāng)前圖像為臟數(shù)據(jù)或者干凈數(shù)據(jù)；重復(fù)執(zhí)行上述操作，直到確定出各個(gè)下義詞對(duì)應(yīng)的各個(gè)圖像為臟數(shù)據(jù)或者干凈數(shù)據(jù)；得到各個(gè)下義詞對(duì)應(yīng)的干凈數(shù)據(jù)；執(zhí)行將各個(gè)下義詞和各個(gè)下義詞對(duì)應(yīng)的各個(gè)干凈數(shù)據(jù)組合為各個(gè)訓(xùn)練樣本的操作。

4.根據(jù)權(quán)利要求3所述的方法，所述方法還包括：

采用預(yù)先設(shè)定的聚類算法對(duì)全部的下義詞對(duì)應(yīng)的干凈數(shù)據(jù)進(jìn)行聚類，得到全部的下義詞對(duì)應(yīng)的至少一組干凈數(shù)據(jù)；

在所述預(yù)先構(gòu)建的知識(shí)圖譜中確定出各組干凈數(shù)據(jù)的位置；并計(jì)算各組干凈數(shù)據(jù)的位置與預(yù)先確定的中心位置之間的距離；

響應(yīng)于在全部的干凈數(shù)據(jù)中存在至少一組與所述預(yù)先確定的中心位置之間的距離大于或者等于預(yù)設(shè)閾值的干凈數(shù)據(jù)，在全部的干凈數(shù)據(jù)中除去與所述預(yù)先確定的中心位置之間的距離大于或者等于所述預(yù)設(shè)閾值的干凈數(shù)據(jù)，得到與所述預(yù)先確定的中心位置之間的距離小于所述預(yù)設(shè)閾值的干凈數(shù)據(jù)；將與所述預(yù)先確定的中心位置之間的距離小于所述預(yù)設(shè)閾值的干凈數(shù)據(jù)樣本作為全部的下義詞對(duì)應(yīng)的干凈數(shù)據(jù)。

5.根據(jù)權(quán)利要求4所述的方法，所述方法還包括：

采用預(yù)先設(shè)定的數(shù)據(jù)增廣方法對(duì)各個(gè)下義詞對(duì)應(yīng)的各個(gè)干凈數(shù)據(jù)進(jìn)行數(shù)據(jù)增廣，得到各個(gè)下義詞對(duì)應(yīng)的數(shù)據(jù)增廣后的干凈數(shù)據(jù)；將各個(gè)下義詞對(duì)應(yīng)的數(shù)據(jù)增廣后的干凈數(shù)據(jù)作為全部的下義詞對(duì)應(yīng)的干凈數(shù)據(jù)。

6.根據(jù)權(quán)利要求5所述的方法，所述預(yù)先設(shè)定的質(zhì)量評(píng)估算法包括以下至少其中之一：清晰度檢測(cè)、純色圖檢測(cè)、圖像損壞檢測(cè)；所述預(yù)先設(shè)定的聚類算法包括以下至少其中之一：K均值聚類算法、均值偏移聚類算法；所述預(yù)先設(shè)定的數(shù)據(jù)增廣方法包括以下至少其中之一：仿射變換、透視變換、顏色擾動(dòng)、數(shù)據(jù)增強(qiáng)、生成判別網(wǎng)絡(luò)。

7.一種模型訓(xùn)練裝置，所述裝置包括：接收模塊、生成模塊、提取模塊和訓(xùn)練模塊；其中，

所述接收模塊，用于接收用戶輸入的任務(wù)類別標(biāo)簽；

所述生成模塊，用于基于所述任務(wù)類別標(biāo)簽生成與其對(duì)應(yīng)的至少一個(gè)訓(xùn)練樣本；

所述提取模塊，用于在所述任務(wù)類別標(biāo)簽對(duì)應(yīng)的全部訓(xùn)練樣本中提取出一個(gè)訓(xùn)練樣本作為當(dāng)前訓(xùn)練樣本；

所述訓(xùn)練模塊，用于響應(yīng)于待訓(xùn)練的模型不滿足預(yù)先設(shè)置的收斂條件，將所述當(dāng)前訓(xùn)練樣本輸入至所述待訓(xùn)練的模型中，使用所述當(dāng)前訓(xùn)練樣本對(duì)所述待訓(xùn)練的模型進(jìn)行訓(xùn)練；重復(fù)執(zhí)行上述提取所述當(dāng)前訓(xùn)練樣本的操作，直到所述待訓(xùn)練的模型滿足所述預(yù)先設(shè)置的收斂條件。