[發明專利]一種模型訓練方法、裝置、服務器及存儲介質

在審

• 申請號: 202011576010.1
• 申請日: 2020-12-28
• 公開（公告）號: CN112668639A
• 公開（公告）日: 2021-04-16
• 發明（設計）人: 辛永欣
• 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: 北京眾達德權知識產權代理有限公司 11570
• 代理人: 徐彥圣

1.一種模型訓練方法，其特征在于，所述方法包括：

確定初始圖像識別模型，以及用于模型訓練的初始樣本數量；

將所述初始圖像識別模型作為當前圖像識別模型，將所述初始樣本數量作為當前樣本數量，執行模型參數調整步驟，所述模型參數調整步驟包括：基于所述當前樣本數量的樣本圖像，對所述當前圖像識別模型進行N輪訓練，得到與每輪訓練對應的梯度矩陣；基于所述每輪訓練對應的梯度矩陣，對模型參數進行調整，其中N為大于1的正整數；

基于N輪訓練得到的N個梯度矩陣，確定是否需要對所述當前樣本數量進行調整；若是，增加所述當前樣本數量，將增加后的樣本數量作為所述當前樣本數量，再次執行所述模型參數調整步驟，直至完成所述初始圖像識別模型的訓練為止。

2.如權利要求1所述的模型訓練方法，其特征在于，所述N輪訓練得到的N個梯度矩陣，確定是否需要對所述當前樣本數量進行調整，包括：

在所述N個梯度矩陣中確定出兩個目標梯度矩陣；

基于所述兩個目標梯度矩陣，確定是否需要對所述當前樣本數量進行調整。

3.如權利要求2所述的模型訓練方法，其特征在于，所述基于所述兩個目標梯度矩陣，確定是否需要對所述當前樣本數量進行調整，包括：

從所述兩個目標梯度矩陣中抽取M組梯度向量組，其中，每組梯度向量組包含兩個梯度向量，所述兩個梯度向量分別位于所述兩個目標梯度矩陣的相同位置，M為正整數；

計算所述每組梯度向量組中兩個梯度向量的余弦值，并基于所述每組梯度向量組對應的余弦值，確定是否需要對所述當前樣本數量進行調整。

4.如權利要求3所述的模型訓練方法，其特征在于，所述基于所述每組梯度向量組對應的余弦值，確定是否需要對所述當前樣本數量進行調整，包括：

若所述每組梯度向量組對應的余弦值均大于閾值，確定需要對所述當前樣本數量進行調整；

若所述每組梯度向量組對應的余弦值均小于所述閾值，保持所述當前樣本數量不變。

5.如權利要求1所述的模型訓練方法，其特征在于，所述增加所述當前樣本數量，將增加后的樣本數量作為所述當前樣本數量，包括：

將所述當前樣本數量增加一倍，將增加一倍后的樣本數量作為所述當前樣本數量。

6.根據權利要求1所述的模型訓練方法，其特征在于，所述基于N輪訓練得到的N個梯度矩陣，確定是否需要對所述當前樣本數量進行調整之前，所述方法還包括：

判斷模型訓練次數是否達到預設次數；

若否，執行所述基于N輪訓練得到的N個梯度矩陣，確定是否需要對所述當前樣本數量進行調整的步驟；

若是，確定以完成對所述初始圖像識別模型的訓練。

7.一種模型訓練裝置，其特征在于，所述裝置包括：

第一處理模塊，用于確定初始圖像識別模型，以及用于模型訓練的初始樣本數量；

第二處理模塊，用于將所述初始圖像識別模型作為當前圖像識別模型，將所述初始樣本數量作為當前樣本數量，執行模型參數調整步驟，所述模型參數調整步驟包括：基于所述當前樣本數量的樣本圖像，對所述當前圖像識別模型進行N輪訓練，得到與每輪訓練對應的梯度矩陣；基于所述每輪訓練對應的梯度矩陣，對模型參數進行調整，其中N為大于1的正整數；

第三處理模塊，基于N輪訓練得到的N個梯度矩陣，確定是否需要對所述當前樣本數量進行調整；若是，增加所述當前樣本數量，將增加后的樣本數量作為所述當前樣本數量，再次執行所述模型參數調整步驟，直至完成所述初始圖像識別模型的訓練為止。

8.如權利要求7所述的模型訓練裝置，其特征在于，所述基于N輪訓練得到的N個梯度矩陣，確定是否需要對所述當前樣本數量進行調整之前，所述裝置還包括：

判斷模塊，用于判斷模型訓練次數是否達到預設次數；

若否，執行所述基于N輪訓練得到的N個梯度矩陣，確定是否需要對所述當前樣本數量進行調整的步驟；

若是，確定以完成對所述初始圖像識別模型的訓練。