[發明專利]數據處理方法、裝置、計算機設備、介質及程序產品

在審

• 申請號: 202111671024.6
• 申請日: 2021-12-31
• 公開（公告）號: CN114358250A
• 公開（公告）日: 2022-04-15
• 發明（設計）人: 王全子昂;李悅翔;魏東;馬鍇;鄭冶楓;孟德宇
• 申請（專利權）人: 騰訊科技（深圳）有限公司
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06N3/08;G06V10/774
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 陳梅君

本申請實施例公開了一種數據處理方法、裝置、計算機設備、介質及程序產品，該數據處理方法包括：根據目標模型構建參考網絡模型，參考網絡模型包括參考主網絡；獲取元圖像樣本集，并采用訓練圖像樣本集和元圖像樣本集對參考網絡模型進行訓練，得到元損失，以采用元損失更新目標模型中的元網絡，得到更新后的元網絡；根據更新后的元網絡和一次或多次訓練后的主網絡對訓練圖像樣本集進行識別處理，得到訓練圖像樣本集包括的不同任務的樣本圖像之間的關聯關系；基于關聯關系對一次或多次訓練后的主網絡進行迭代更新，直至得到訓練完成的目標模型，訓練完成的目標模型用于進行圖像識別處理。通過本申請實施例，可以有效提高模型的泛化能力。

技術領域

本申請涉及計算機技術領域，尤其涉及一種數據處理方法、裝置、計算機設備、介質及程序產品。

背景技術

隨著計算機技術的不斷發展，模型可通過對樣本數據的學習，得到訓練好的模型，從而可通過調用訓練好的模型進行后續的數據處理，以實現對用戶在數據處理階段的效率提升。當前，由于進行模型訓練的樣本數量較大，因此在進行模型訓練時，為了學習的模型的性能，可采用持續學習的方法，而持續學習要求模型在學習新任務的同時，避免遺忘過去學習的任務的知識，因此，在現階段基于持續學習的模型訓練方法通常是是基于重放(rehearsal-based)的方法，例如經驗重放(experience replay)的模型學習方法。基于重放的模型學習方法通過保留過去任務的少量數據作為記憶緩存，進而可將記憶緩存中的數據與新任務獲取的數據共同結合進行模型訓練，但經實踐表明，當前基于重放的模型學習方法容易在舊任務上過擬合，從而導致學習到的模型在實際應用中的泛化能力差的問題。

發明內容

本申請實施例提供一種數據處理方法、裝置、計算機設備、介質及程序產品，可以有效提高模型的泛化能力。

一方面，本申請實施例提供了一種數據處理方法，包括：

根據目標模型構建參考網絡模型，參考網絡模型包括參考主網絡，參考主網絡是對目標模型一次或多次訓練后的主網絡進行復制得到的，目標模型的主網絡是采用訓練圖像樣本集進行一次或多次訓練的；

獲取元圖像樣本集，并采用訓練圖像樣本集和元圖像樣本集對參考網絡模型進行訓練，得到元損失，以采用元損失更新目標模型中的元網絡，得到更新后的元網絡；

根據更新后的元網絡和一次或多次訓練后的主網絡對訓練圖像樣本集進行識別處理，得到訓練圖像樣本集包括的不同任務的樣本圖像之間的關聯關系；

基于關聯關系對一次或多次訓練后的主網絡進行迭代更新，直至得到訓練完成的目標模型，訓練完成的目標模型用于進行圖像識別處理。

一方面，本申請實施例提供了一種數據處理裝置，包括：

構建模塊，用于根據目標模型構建參考網絡模型，參考網絡模型包括參考主網絡，參考主網絡是對目標模型一次或多次訓練后的主網絡進行復制得到的，目標模型的主網絡是采用訓練圖像樣本集進行一次或多次訓練的；

獲取模塊，用于獲取元圖像樣本集；

訓練模塊，用于采用訓練圖像樣本集和元圖像樣本集對參考網絡模型進行訓練，得到元損失，以采用元損失更新目標模型中的元網絡，得到更新后的元網絡；

處理模塊，用于根據更新后的元網絡和一次或多次訓練后的主網絡對訓練圖像樣本集進行識別處理，得到訓練圖像樣本集包括的不同任務的樣本圖像之間的關聯關系；

訓練模塊，還用于基于關聯關系對一次或多次訓練后的主網絡進行迭代更新，直至得到訓練完成的目標模型，訓練完成的目標模型用于進行圖像識別處理。

一方面，本申請實施例提供了一種計算機設備，包括：處理器、存儲器以及網絡接口；處理器與存儲器、網絡接口相連，其中，網絡接口用于提供網絡通信功能，存儲器用于存儲程序代碼，處理器用于調用程序代碼，以執行本申請實施例中的數據處理方法。