【技术实现步骤摘要】
一种实现模型训练的方法、装置、计算机存储介质及终端
本文涉及但不限于神经网络技术，尤指一种实现模型训练的方法、装置、计算机存储介质及终端。
技术介绍
机器学习包括监督学习和无监督学习。其中，监督学习是对带有标签的样本的数据集，在数据集的驱动下寻求模型的最优解；可以看作是以数据驱动的方式学习得到映射函数f，满足：y＝f(x)；其中，y是类别标签，x是样本的特征集；寻求模型的最优解一般包括：使用一组训练集进行驱动训练，使得在这组训练集上“损失”最小；在进行训练之前，需要预先定义损失函数”需要提前定义，比如：预测出来的y值与实际的类别标签的差值尽可能的小。无监督学习输入数据没有被标记，也没有确定的结果，样本数据类别未知；需要根据样本间的相似性对样本集进行分类试图使类内差距最小化，类间差距最大化；通俗点将就是实际应用中，不少情况下无法预先知道样本的标签，也就是说没有训练样本对应的类别，因而只能从原先没有样本标签的样本集开始学习分类器设计。监督学习对数据集规模的依赖，数据集规模较小时，获得的模型的表达能力有限，往往不能达到理想...
【技术保护点】
1.一种实现模型训练的方法，包括：/n获取由小样本训练模型的输出结果；/n以获取的小样本训练模型的输出结果作为无监督训练的样本之一，训练获得无监督学习模型。/n
【技术特征摘要】
1.一种实现模型训练的方法，包括：
获取由小样本训练模型的输出结果；
以获取的小样本训练模型的输出结果作为无监督训练的样本之一，训练获得无监督学习模型。
2.根据权利要求1所述的方法，其特征在于，所述获得无监督学习模型之后，所述方法还包括：
以所述无监督学习模型的输出作为输入，在小样本训练集上重新学习获得所述小样本训练模型的分类器；或，
以所述无监督学习模型的输出作为输入，通过在线学习方法学习获得所述小样本训练模型的分类器。
3.根据权利要求1或2所述的方法，其特征在于，所述获取由小样本训练模型的输出结果之前，所述方法还包括：
通过矩阵分解进行小样本预训练表示；
通过广义线性模型对小样本预训练表示进行分类；
根据分类的小样本预训练表示进行训练，获得所述小样本训练模型。
4.根据权利要求1或2所述的方法，其特征在于，所述获取由小样本训练模型的输出结果之前，所述方法还包括：
配置深度神经网络的第一网络为小样本预训练表示的模型，第二网络为分类器；
根据所述第一网络和所述第二网络训练获得所述小样本训练模型。
5.一种计算机存储介质，所述计算机存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1～4中任一项所述的实现模型训练的方法。
6.一种终端，包括：存储器和处理...
【专利技术属性】
技术研发人员：张杰，吴信东，
申请(专利权)人：北京明略软件系统有限公司，
类型：发明
国别省市：北京;11
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。