[發明專利]模型訓練方法、裝置、設備及計算機可讀介質

在審

• 申請號: 202110105965.7
• 申請日: 2021-01-26
• 公開（公告）號: CN112801178A
• 公開（公告）日: 2021-05-14
• 發明（設計）人: 翟步中
• 申請（專利權）人: 上海明略人工智能（集團）有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京華夏泰和知識產權代理有限公司 11662
• 代理人: 曾軍;黃巍

本申請涉及一種模型訓練方法、裝置、設備及計算機可讀介質。該方法包括：獲取第一訓練樣本和第二訓練樣本，第一訓練樣本在數據采集時的采樣概率大于第二訓練樣本的采樣概率；利用第一訓練樣本對第一模型進行訓練，以調整第一模型的初始化參數，得到第二模型；利用第一訓練樣本和第二訓練樣本訓練第二模型，以將第二模型作為預訓練模型，并通過采樣概率不同的訓練樣本對第二模型的參數進行調整，得到第三模型，對第二模型的參數的調整幅度小于對第一模型的初始化參數的調整幅度，第三模型對目標類別的物品的識別準確度大于第二模型對目標類別的物品的識別準確度，第二訓練樣本屬于目標類別。本申請解決了不常見物品的識別準確率較低的技術問題。

技術領域

本申請涉及智能識別技術領域，尤其涉及一種模型訓練方法、裝置、設備及計算機可讀介質。

背景技術

在使用深度學習進行物體識別的訓練中，需要使用大量物體的圖片作為訓練樣本，現實生活中很多物品非常常見，數據采集時非常便捷，也能夠快速的進行人工標記，但是還有一部分物品是不常見的，生活中要進行該部分物品的數據采集比較困難，更不用說要采集大量數據作為訓練樣本。不常見物品的數據量少，導致訓練出來的識別模型對不常見物品的識別準確率較低。

目前，相關技術中，在進行識別模型的訓練時，可以采用均衡訓練樣本的方式，即按照不常見物品的樣本數量選取常見物品的樣本數量，或者補充大量不常見物品的樣本數量，又或者使用不均衡樣本進行訓練，以上方式要么對不常見物品的識別準確率較低，要么需要花費大量人工成本和時間成本。

針對不常見物品的識別準確率較低的問題，目前尚未提出有效的解決方案。

發明內容

本申請提供了一種模型訓練方法、裝置、設備及計算機可讀介質，以解決不常見物品的識別準確率較低的技術問題。

根據本申請實施例的一個方面，本申請提供了一種模型訓練方法，包括：

獲取第一訓練樣本和第二訓練樣本，第一訓練樣本在數據采集時的采樣概率大于第二訓練樣本的采樣概率；

利用第一訓練樣本對第一模型進行訓練，以調整第一模型的初始化參數，得到第二模型；

利用第一訓練樣本和第二訓練樣本訓練第二模型，以將第二模型作為預訓練模型，并通過采樣概率不同的訓練樣本對第二模型的參數進行調整，得到第三模型，對第二模型的參數的調整幅度小于對第一模型的初始化參數的調整幅度，第三模型對目標類別的物品的識別準確度大于第二模型對目標類別的物品的識別準確度，第二訓練樣本屬于目標類別。

可選地，利用第一訓練樣本對第一模型進行訓練，以調整第一模型的初始化參數，得到第二模型包括：

通過第一訓練樣本對第一模型內各網絡層中的參數進行初始化，得到初始化參數，并根據第一模型對第一訓練樣本的識別結果和第一訓練樣本的預標記分類結果的差異調整初始化參數；

在第一模型對測試數據的識別準確度達到第一閾值的情況下，將第一模型作為第二模型，測試數據屬于第一訓練樣本中包括的數據類別的至少一種；

在第一模型對測試數據的識別準確度未達到第一閾值的情況下，繼續使用第一訓練樣本對第一模型進行訓練，以繼續調整第一模型內各網絡層中的參數的數值，直至第一模型對測試數據的識別準確度達到第一閾值。

可選地，利用第一訓練樣本和第二訓練樣本訓練第二模型，以將第二模型作為預訓練模型，并通過采樣概率不同的訓練樣本對第二模型的參數進行調整，得到第三模型包括：

從第一訓練樣本和第二訓練樣本中各提取相同數量的訓練樣本，組成第三訓練樣本，第三訓練樣本中的每條訓練樣本包括從第一訓練樣本中提取出來的一條訓練樣本和從第二訓練樣本中提取出來的一條訓練樣本；

將第三訓練樣本分為支持集和詢問集；