[發明專利]模型訓練的方法、裝置、電子設備及存儲介質

在審

• 申請號: 202110777357.0
• 申請日: 2021-07-09
• 公開（公告）號: CN113516185A
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 戴兵
• 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;G06F16/55;G06N3/04;G06N3/08
• 代理公司: 北京柏杉松知識產權代理事務所(普通合伙) 11413
• 代理人: 孫翠賢;馬敬

本公開提供了一種模型訓練的方法、裝置、電子設備及存儲介質，涉及深度學習領域，尤其涉及模型訓練領域。具體實現方案為：獲取目標樣本集；其中，目標樣本集包括原始樣本集中屬于原始類別的部分樣本對象，以及新增樣本集中屬于新增類別的樣本對象；基于原始分類模型對應的原始信息，采用目標樣本集對待訓練的目標分類模型進行訓練，得到訓練完成的目標分類模型；其中，目標分類模型用于推理的各類別包括原始類別和新增類別；原始分類模型對應的原始信息包括：針對目標樣本集中每個樣本對象，利用原始分類模型進行分類時所得到的分類結果。通過本公開的方案，可以兼顧模型訓練的效率與準確性。

技術領域

本公開涉及深度學習技術領域，尤其涉及模型訓練領域，具體涉及一種模型訓練的方法、裝置、電子設備及存儲介質。

背景技術

對象分類模型，用于對對象進行分類。在對象分類模型的使用過程中，經常需要增加對象分類模型可識別的分類類別的數量。

相關技術中，為了訓練得到新模型，往往將原始分類模型所利用的樣本集與新增的樣本集合并為新的樣本集，通過新的樣本集，對新的對象分類模型進行訓練，最終得到既具有原始分類模型的原始類別的識別能力，又具有新增類別的識別能力的新模型。

發明內容

本公開提供了一種用于可以兼顧模型訓練的效率與準確性的模型訓練的方法、裝置、設備以及存儲介質。

根據本公開的一方面，提供了一種模型訓練的方法，包括：

獲取目標樣本集；其中，所述目標樣本集包括原始樣本集中屬于原始類別的部分樣本對象，以及新增樣本集中屬于新增類別的樣本對象，所述原始樣本集為預先訓練完成的原始分類模型所利用的樣本集；

基于所述原始分類模型對應的原始信息，采用所述目標樣本集對待訓練的目標分類模型進行訓練，得到訓練完成的所述目標分類模型；

其中，所述目標分類模型用于推理的各類別包括所述原始類別和所述新增類別；所述原始分類模型對應的原始信息包括：針對所述目標樣本集中每個樣本對象，利用所述原始分類模型進行分類時所得到的分類結果。

根據本公開的另一方面，提供了一種模型訓練的裝置，包括：

樣本集獲取模塊，用于獲取目標樣本集；其中，所述目標樣本集包括原始樣本集中屬于原始類別的部分樣本對象，以及新增樣本集中屬于新增類別的樣本對象，所述原始樣本集為預先訓練完成的原始分類模型所利用的樣本集；

模型訓練模塊，用于基于所述原始分類模型對應的原始信息，采用所述目標樣本集對待訓練的目標分類模型進行訓練，得到訓練完成的所述目標分類模型；

其中，所述目標分類模型用于推理的各類別包括所述原始類別和所述新增類別；所述原始分類模型對應的原始信息包括：針對所述目標樣本集中每個樣本對象，利用所述原始分類模型進行分類時所得到的分類結果。

根據本公開的另一方面，提供了一種電子設備，包括：

至少一個處理器；以及

與所述至少一個處理器通信連接的存儲器；其中，

所述存儲器存儲有可被所述至少一個處理器執行的指令，所述指令被所述至少一個處理器執行，以使所述至少一個處理器能夠執行模型訓練的方法。

根據本公開的另一方面，提供了一種存儲有計算機指令的非瞬時計算機可讀存儲介質，其中，所述計算機指令用于使所述計算機執行模型訓練的方法。

根據本公開的另一方面，提供了一種計算機程序產品，包括計算機程序，所述計算機程序在被處理器執行時實現模型訓練的方法。

應當理解，本部分所描述的內容并非旨在標識本公開的實施例的關鍵或重要特征，也不用于限制本公開的范圍。本公開的其它特征將通過以下的說明書而變得容易理解。