神经网络模型训练方法和装置制造方法及图纸

本申请实施例提供了一种神经网络模型训练方法、装置、电子设备和计算机可读存储介质，解决了现有神经网络模型训练方式的效率和准确性低的问题。该神经网络模型训练方法包括：将样本数据输入神经网络模型，获取所述神经网络模型输出的至少一个物理预测值；根据所述至少一个物理预测值和预设的参考物理数据，获取物理偏差数据；以及根据所述物理偏差数据调整所述神经网络模型的参数。

【技术实现步骤摘要】
神经网络模型训练方法和装置
本申请涉及人工智能
，具体涉及一种神经网络模型训练方法、装置、电子设备和计算机可读存储介质。
技术介绍
随着计算机科学的不断发展，人工智能技术被越来越广泛地应用到了各种应用场景中。现有的人工智能技术可基于神经网络模型实现，这些神经网络模型可通过预先的训练过程建立，例如可通过深度学习的方式进行训练。目前主流的深度学习的方法大体上都是基于给定的标注数据来搭建神经网络模型，训练的过程为基于纯数值上的训练，训练过程中神经网络模型输出的值的物理意义并无法被神经网络模型所理解，这种情况下就很有可能输出一些毫无逻辑的值，从而降低了神经网络模型训练过程的效率和准确性。
技术实现思路
有鉴于此，本申请实施例提供了一种神经网络模型训练方法、装置、电子设备和计算机可读存储介质，解决了现有神经网络模型训练方式的效率和准确性低的问题。根据本申请的一个方面，本申请一实施例提供一种神经网络模型训练方法，包括：将样本数据输入神经网络模型，获取所述神经网络模型输出的至少一个物理预测值；根据所述至少一个物理预测值和预设本文档来自技高网...

【技术保护点】
1.一种神经网络模型训练方法，包括：/n将样本数据输入神经网络模型，获取所述神经网络模型输出的至少一个物理预测值；/n根据所述至少一个物理预测值和预设的参考物理数据，获取物理偏差数据；以及/n根据所述物理偏差数据调整所述神经网络模型的参数。/n

【技术特征摘要】
1.一种神经网络模型训练方法，包括：
将样本数据输入神经网络模型，获取所述神经网络模型输出的至少一个物理预测值；
根据所述至少一个物理预测值和预设的参考物理数据，获取物理偏差数据；以及
根据所述物理偏差数据调整所述神经网络模型的参数。


2.根据权利要求1所述的方法，其中，所述根据所述至少一个物理预测值和预设的参考物理数据，获取物理偏差数据包括：
根据所述至少一个物理预测值计算出所述至少一个物理预测值之间的物理关系数据；以及
将所述物理关系数据与预设的参考物理数据对比，获取所述物理偏差数据。


3.根据权利要求2所述的方法，其中，所述样本数据为样本图像数据，所述至少一个物理预测值为多个特征点识别坐标；
其中，所述物理关系数据包括所述多个特征点识别坐标之间的几何关系数据。


4.根据权利要求3所述的方法，其中，所述多个特征点识别坐标为四个特征点识别坐标，其中，所述几何关系数据包括：所述四个特征点识别坐标所构成的四边形的每组对边的夹角度数；
所述参考物理数据包括：所述四个特征点识别坐标所构成的四边形的每组对边的夹角度数为零度。


5.根据权利要求3所述的方法，进一步包括：
将所述至少一个特征点识别坐标分别与所述样本数据中预先标注的与所述特征点对应的标注点坐标对比，以获取与所述至少一个特征点识别坐标分别对应的至少一个特征识别损失结果；以及
根据所述至少一个特征识别损失结果获取特征识别偏差数据；
其中，所述根据所述物理偏差数据调整所述神经网络模型的参数包括：
根据所述物理偏差数据以及所述特征识别偏差数据调整所述神经网络模型的参数。

【专利技术属性】
技术研发人员：张皓原，
申请(专利权)人：北京地平线机器人技术研发有限公司，
类型：发明
国别省市：北京;11