模型性能优化方法、装置、设备及存储介质制造方法及图纸

本发明专利技术公开了一种模型性能优化方法、装置、设备及存储介质，所述方法包括：将预设的负例训练数据输入待训练模型得到预测结果；当预测结果表征负例训练数据被预测为负例的概率大于预设阈值时，对负例训练数据对应的损失函数值进行修正，其中，修正后的损失函数值小于修正前的损失函数值；根据修正后的损失函数值调整待训练模型的模型参数，以对待训练模型进行训练得到目标模型。本发明专利技术实现了减小错误标记的负例训练数据对模型训练的影响，从而提高了目标模型的预测或分类准确率，提高了模型性能。

Model performance optimization method, device, equipment and storage medium

【技术实现步骤摘要】
模型性能优化方法、装置、设备及存储介质
本专利技术涉及机器学习
，尤其涉及一种模型性能优化方法、装置、设备及存储介质。
技术介绍
随着机器学习技术的快速发展，机器学习应用的范围也越来越广，对机器学习模型的训练优化，也成为了整个行业的不断探索方向。现有的机器学习模型训练过程中，会采用正例和负例来对模型进行训练，例如，对图像目标检测模型进行训练时，会采用包含目标的图像(正例)和不包含目标的图像(负例)进行训练。然而，在很多场景中，会存在实际上是正例，但是因为各种原因导致错误地标注为负例，进而被当作负例进行训练的情况，例如，训练能够识别遥感卫星图像中养殖场的图像目标检测模型时，会存在养殖主未及时上报或者瞒报的现象，导致许多负例中也存在养殖场。这种错误标注负例的情况，会使得最终训练得到的模型预测或分类效果不准确，也即导致模型性能不佳，例如，导致养殖场检测模型无法全面识别出各种养殖场。
技术实现思路
本专利技术的主要目的在于提供一种模型性能优化方法、装置、设备及存储介质，旨在解决现有因采用错误标注的负例对模型进行训练，导致训练得本文档来自技高网...

【技术保护点】
1.一种模型性能优化方法，其特征在于，所述模型性能优化方法包括以下步骤：/n将预设的负例训练数据输入待训练模型得到预测结果；/n当所述预测结果表征所述负例训练数据被预测为负例的概率大于预设阈值时，对所述负例训练数据对应的损失函数值进行修正，其中，修正后的损失函数值小于修正前的损失函数值；/n根据修正后的损失函数值调整所述待训练模型的模型参数，以对所述待训练模型进行训练得到目标模型。/n

【技术特征摘要】
1.一种模型性能优化方法，其特征在于，所述模型性能优化方法包括以下步骤：
将预设的负例训练数据输入待训练模型得到预测结果；
当所述预测结果表征所述负例训练数据被预测为负例的概率大于预设阈值时，对所述负例训练数据对应的损失函数值进行修正，其中，修正后的损失函数值小于修正前的损失函数值；
根据修正后的损失函数值调整所述待训练模型的模型参数，以对所述待训练模型进行训练得到目标模型。


2.如权利要求1所述的模型性能优化方法，其特征在于，所述预测结果是所述负例训练数据被预测为负例的概率，所述当所述预测结果表征所述负例训练数据预测为负例的概率大于预设阈值时，对所述负例训练数据对应的损失函数值进行修正的步骤包括：
当所述预测结果大于所述预设阈值时，获取预设的损失修正系数，其中，所述损失修正系数是小于1的正数；
将所述损失修正系数乘以所述负例训练数据对应的损失函数值，以对所述损失函数值进行修正。


3.如权利要求2所述的模型性能优化方法，其特征在于，所述当所述预测结果大于所述预设阈值时，获取预设的损失修正系数的步骤包括：
当所述预测结果大于所述预设阈值时，将所述预测结果代入预设的平滑下降公式得到所述损失修正系数，其中，所述损失修正系数随着所述预测结果变大而变小。


4.如权利要求1所述的模型性能优化方法，其特征在于，所述将预设的负例训练数据输入待训练模型得到预测结果的步骤之前，还包括：
基于预设的正例训练数据对初始模型进行初步训练，得到所述待训练模型；
所述根据修正后的损失函数值调整所述待训练模型的模型参数的步骤包括：
根据所述正例训练数据对应的损失函数值和修正后的所述负例训练数据对应的损失函数值，调整所述待训练模型的模型参数。


5.如权利要求1所述的模型性能优化方法，其特征在于，所述根据修正后的损失函数值调整所述待训练模型的模型参数，以对所述待训练模型进行训练得到目标模型的步骤包括：
根据修正后的损失函数值调整所述待训练模型的模型参数；
检测调整模型参数后的待训练模型是否满足预设模型条件；
若检测到调整模型参数后的待训练模型不满足所述预设模型条件，则...

【专利技术属性】
技术研发人员：蔡林，周古月，吴泽衡，徐倩，杨强，
申请(专利权)人：深圳前海微众银行股份有限公司，
类型：发明
国别省市：广东;44