【技术实现步骤摘要】
模型训练方法、装置、存储介质及电子设备
本申请属于人工智能
，尤其涉及一种模型训练方法、装置、存储介质及电子设备。
技术介绍
随着技术的发展，很多领域都开始应用人工智能(ArtificialIntelligence，AI)技术。人工智能技术可以用于诸如图像识别、场景识别以及信息预测等工作。机器学习是用于实现人工智能的重要技术手段，模型训练又是机器学习的重点。然而，相关技术中，模型训练的结果往往较差。
技术实现思路
本申请实施例提供一种模型训练方法、装置、存储介质及电子设备，可以在模型训练过程中对模型进行迭代优化，从而提高模型训练效果。第一方面，本申请实施例提供一种模型训练方法，包括：获取初始样本库以及待训练的模型，所述初始样本库中包含多个不同类别的样本，所述待训练的模型为分类模型；利用所述初始样本库中的样本对所述待训练的模型进行训练，得到初始模型，并将所述初始模型确定为验证模型；获取验证样本集，所述验证样本集包含多个不同类别的样本；利用所述验证样本集对所述验证...
【技术保护点】
1.一种模型训练方法，其特征在于，包括：/n获取初始样本库以及待训练的模型，所述初始样本库中包含多个不同类别的样本，所述待训练的模型为分类模型；/n利用所述初始样本库中的样本对所述待训练的模型进行训练，得到初始模型，并将所述初始模型确定为验证模型；/n获取验证样本集，所述验证样本集包含多个不同类别的样本；/n利用所述验证样本集对所述验证模型进行验证，得到所述验证模型的分类准确率，并统计所述验证模型对所述验证样本集中各类别样本的分类准确率；/n若所述验证模型的分类准确率小于预设第一阈值或者所述验证模型对所述验证样本集中的各类别样本的分类准确率并没有均大于或等于预设第二阈值，则...
【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：
获取初始样本库以及待训练的模型，所述初始样本库中包含多个不同类别的样本，所述待训练的模型为分类模型；
利用所述初始样本库中的样本对所述待训练的模型进行训练，得到初始模型，并将所述初始模型确定为验证模型；
获取验证样本集，所述验证样本集包含多个不同类别的样本；
利用所述验证样本集对所述验证模型进行验证，得到所述验证模型的分类准确率，并统计所述验证模型对所述验证样本集中各类别样本的分类准确率；
若所述验证模型的分类准确率小于预设第一阈值或者所述验证模型对所述验证样本集中的各类别样本的分类准确率并没有均大于或等于预设第二阈值，则确定出目标模型以及目标类别，所述目标模型为当前训练得到的模型中分类准确率最高的模型，所述目标类别所述验证样本集中分类准确率小于所述预设第二阈值的样本所对应的类别；
获取目标样本库，所述目标样本库中包含多个不同类别的样本，且所述目标样本库中的样本具有准确的类别标签；
从所述目标样本库中抽取所述目标类别的样本，并从所述初始样本库中抽取非目标类别的样本，形成新的训练样本集；
利用新的训练样本集对所述目标模型进行迁移学习训练，并将训练得到的模型确定为验证模型，触发执行所述获取验证样本集的流程，以实现模型的迭代优化，直至满足预设的迭代停止条件。
2.根据权利要求1所述的模型训练方法，其特征在于，所述从所述目标样本库中抽取所述目标类别的样本，并从所述初始样本库中抽取非目标类别的样本，形成新的训练样本集，包括：
对每一所述目标类别，在所述目标样本库中抽取预设数量的样本；
对每一非目标类别，在所述初始样本库中抽取所述预设数量的样本；
利用抽取的所述目标类别的样本以及所述非目标类别的样本，形成新的训练样本集。
3.根据权利要求1所述的模型训练方法，其特征在于，所述预设的迭代停止条件为所述验证模型的分类准确率大于或等于预设第一阈值，且所述验证模型对所述验证样本集中的各类别样本的分类准确率均大于或等于预设第二阈值。
4.根据权利要求1所述的模型训练方法，其特征在于，所述预设的迭代停止条件为接收到用于停止模型训练的指令。
5.根据权利要求4所述的模型训练方法，其特征在于，所述方法还包括：
当满足所述预设的迭代停止条件时，将最新得到的验证模型确定为训练完成模型并保存输出。
6....
【专利技术属性】
技术研发人员：刘园林，
申请(专利权)人：OPPO重庆智能科技有限公司，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。