数据处理方法，装置及存储介质制造方法及图纸

本申请实施例提供了一种数据处理方法，包括：获取目标对象的至少一个样本；利用第一神经网络对至少一个样本进行特征提取得到至少一个第一特征数据，第一特征数据用于指示至少一个样本的特征；利用第二神经网络对至少一个第一特征数据进行特征提取得到至少一个第二特征数据，第二特征数据用于指示对应的第一特征数据的变化特征；根据至少一个第二特征数据进行决策得到决策数据。本申请实施例的数据处理方法，通过第一神经网络和第二神经网络对样本进行两次特征提取，从而得到能够表征样本所代表的事件的数据以及决策数据，从而减少了深度学习模型使用的训练数据量和训练时间，提高了深度学习模型的训练效率。

【技术实现步骤摘要】
数据处理方法，装置及存储介质
本申请实施例涉及神经网络领域，尤其涉及一种数据处理方法，装置及存储介质。
技术介绍
随着计算机科学技术的不断发展，深度学习技术对各个领域有着越来越深入的影响。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。然而现有的深度学习模型的训练方法需要大量的训练数据或时间，例如，alphastar需要等效于4500的游戏时长才能学会策略游戏星际争霸，openai需要等效于1万年的训练才能掌握单手解魔方。并且传统的深度学习模型无法记忆过去发生的事件的缺点，有些模型还需要从人类标记的数据中学习概念，这些都使得深度学习模型的训练效率较低。
技术实现思路
有鉴于此，本专利技术实施例提供了一种数据处理方法及装置，用以克服现有技术的问题。第一方面，本申请实施例提供了一种数据处理方法，其特征在于，包括：获取目标对象的至少一个样本；利用第一神经网络对至少一个样本进行特征提取得到至少一个第一特征数据，第一特征数据用于指示至少一个样本的特征；利用第二神经网络对至少一个第一特征数据进行特征提取得到至少一个第二特征数据，第二特征数据用于指示对应的第一特征数据的变化特征；根据至少一个第二特征数据进行决策得到决策数据。可选地，在本申请的一种实施例中，利用第一神经网络对至少一个样本进行特征提取得到至少一个第一特征数据，包括：将至少一个图像按照至少一个对象分割为至少一个片段，并将目标对象的至少一个片段作为目标对象的至少一个样本。可选地，在本申请的一种实施例中，第二神经网络包括预测模型和特征编码模型；利用第二神经网络对至少一个第一特征数据进行特征提取得到至少一个第二特征数据，包括：利用预测模型对至少一个第一特征数据进行预测得到至少一个预测数据；利用特征编码模型对至少一个预测数据进行特征提取和编码得到至少一个第二特征数据。可选地，在本申请的一种实施例中，方法还包括：将至少一个第一特征数据按照时间排序得到特征节点序列；利用特征节点序列对预测模型进行训练。可选地，在本申请的一种实施例中，利用特征编码模型对至少一个预测数据进行特征提取和编码得到至少一个第二特征数据，包括：利用特征编码模型对至少一个第一特征数据进行卷积运算和池化得到至少一个第二特征数据。第二方面，本申请实施例提供了一种数据处理装置，其特征在于，包括：样本获取模块，第一神经网络模块，第二神经网络模块和决策模块；样本获取模块用于获取目标对象的至少一个样本；第一神经网络模块用于对至少一个样本进行特征提取得到至少一个第一特征数据，第一特征数据用于指示至少一个样本的特征；第二神经网络模块用于对至少一个第一特征数据进行特征提取得到至少一个第二特征数据，第二特征数据用于指示对应的第一特征数据的变化特征；决策模块用于根据至少一个第二特征数据进行决策得到决策数据。可选地，在本申请的一种实施例中，第一神经网络模块包括分割模块；分割模块用于将至少一个图像按照至少一个对象分割为至少一个片段，并将目标对象的至少一个片段作为目标对象的至少一个样本。可选地，在本申请的一种实施例中，第二神经网络模块包括预测模块和特征编码模块；第二神经网络模块用于对至少一个第一特征数据进行特征提取得到至少一个第二特征数据，包括：利用预测模块对至少一个第一特征数据进行预测得到至少一个预测数据；利用特征编码模块对至少一个预测数据进行特征提取和编码得到至少一个第二特征数据。可选地，在本申请的一种实施例中，装置还包括训练模块，训练模块用于对将至少一个第一特征数据按照时间排序得到特征节点序列；利用特征节点序列对预测模块进行训练。可选地，在本申请的一种实施例中，利用特征编码模块对至少一个预测数据进行特征提取和编码得到至少一个第二特征数据，包括：利用特征编码模块对至少一个第一特征数据进行卷积运算和池化得到至少一个第二特征数据。第三方面，本申请实施例提供了一种存储介质，其特征在于，存储介质上存储有计算机程序，在处理器执行计算机程序时，实现如第一方面任一项的方法。本申请实施例所提供的数据处理方法，通过第一神经网络和第二神经网络对样本进行两次特征提取，从而得到能够表征样本所代表的事件的数据以及决策数据，从而减少了深度学习模型使用的训练数据量和训练时间，提高了深度学习模型的训练效率。附图说明后文将参照附图以示例性而非限制性的方式详细描述本申请实施例的一些具体实施例。附图中相同的附图标记标示了相同或类似的部件或部分。本领域技术人员应该理解，这些附图未必是按比值绘制的。附图中：图1为本申请实施例提供的一种数据处理方法的流程图；图2为本申请实施例提供的一种按照时间序列排列的图像示意图；图3为本申请实施例提供的又一种数据处理方法的流程图；图4为本申请实施例提供的一种数据处理装置的结构图；图5为本申请实施例提供的又一种数据处理装置的结构图；具体实施方式下面结合本专利技术实施例附图进一步说明本专利技术实施例具体实现。实施例一请参阅图1，第一方面，本申请实施例提供了一种数据处理方法，包括：S101：获取目标对象的至少一个样本；此处目标对象可以为图像中的某个，某类，某种具体的元素，例如图像中的苹果，篮球等，可以将在某个时间点的图像中的对象作为一个样本，如此，便于分析样本的变化规律，有利于后续步骤对数据的处理。S102：利用第一神经网络对至少一个样本进行特征提取得到至少一个第一特征数据，第一特征数据用于指示至少一个样本的特征；此处具体说明，可选地，在一个具体的实施方式中，第一神经网络可以为卷积神经网络，卷积神经网络是一种模仿人类认知图像的过程的一种网络，人类在认知图像时是分层抽象的，首先是认知图像的颜色和亮度，然后是边缘，角点，直线等局部细节特征，接下来是纹理，几何形状等更复杂的信息和结构，最后形成整个物体的概念。卷积神经网络是对上述人类认知图像的机制的简单模仿，卷积神经网络一般由多个卷积层构成，每个卷积层包含多个卷积核，用这些卷积核从左向右，从上往下依次扫面整个图像，得到称为特征图(featuremap)的输出数据。网络前面的卷积层捕捉图像局部，细节信息，输出图像的每个像素只利用输入图像很小的一个范围，即感受野较小，后面的卷积层感受野逐层加大，用于捕获图像更复杂，更抽象的信息，经过多个卷积层的运算，最后可以得到图像在各个不同尺度的抽象表示。使用卷积神经网络作为第一神经网络能够得到更准确，更能代表样本特征的特征数据，有利于减少样本的数据量，便于后续对数据做进一步的处理，从而减少深度学习模型的训练数据和训练时间。利用第一神经网络对至少一个样本进行特本文档来自技高网...

【技术保护点】
1.一种数据处理方法，其特征在于，包括：/n获取目标对象的至少一个样本；/n利用第一神经网络对所述至少一个样本进行特征提取得到至少一个第一特征数据，所述第一特征数据用于指示所述至少一个样本的特征；/n利用第二神经网络对所述至少一个第一特征数据进行特征提取得到至少一个第二特征数据，所述第二特征数据用于指示对应的第一特征数据的变化特征；/n根据所述至少一个第二特征数据进行决策得到决策数据。/n

【技术特征摘要】
1.一种数据处理方法，其特征在于，包括：
获取目标对象的至少一个样本；
利用第一神经网络对所述至少一个样本进行特征提取得到至少一个第一特征数据，所述第一特征数据用于指示所述至少一个样本的特征；
利用第二神经网络对所述至少一个第一特征数据进行特征提取得到至少一个第二特征数据，所述第二特征数据用于指示对应的第一特征数据的变化特征；
根据所述至少一个第二特征数据进行决策得到决策数据。


2.根据权利要求1所述的方法，其特征在于，利用第一神经网络对所述至少一个样本进行特征提取得到至少一个第一特征数据，包括：
将至少一个图像按照至少一个对象分割为至少一个片段，并将所述目标对象的至少一个片段作为所述目标对象的至少一个样本。


3.根据权利要求1所述的方法，其特征在于，所述第二神经网络包括预测模型和特征编码模型；利用第二神经网络对所述至少一个第一特征数据进行特征提取得到至少一个第二特征数据，包括：
利用所述预测模型对所述至少一个第一特征数据进行预测得到至少一个预测数据；
利用所述特征编码模型对所述至少一个预测数据进行特征提取和编码得到所述至少一个第二特征数据。


4.根据权利要求3所述的方法，其特征在于，所述方法还包括：
将所述至少一个第一特征数据按照时间排序得到特征节点序列；
利用所述特征节点序列对所述预测模型进行训练。


5.根据权利要求3所述的方法，其特征在于，利用所述特征编码模型对所述至少一个预测数据进行特征提取和编码得到所述至少一个第二特征数据，包括：
利用所述特征编码模型对所述至少一个第一特征数据进行卷积运算和池化得到所述至少一个第二特征数据。


6.一种数据处理装置，其特征在于，包括：样本获取模块，第一神经网络模块，第二神经网络模块和决策模块；
所述样本获取模块...

【专利技术属性】
技术研发人员：陈志熙，
申请(专利权)人：南京星火技术有限公司，
类型：发明
国别省市：江苏;32