【技术实现步骤摘要】
基于黑盒模型的模型训练方法、装置、电子设备及介质
本专利技术涉及人工智能领域，尤其涉及一种基于黑盒模型的模型训练方法、装置、电子设备及计算机可读存储介质。
技术介绍
黑盒模型是使用者仅能访问模型端口而不能对模型内部参数进行解析的模型，由于黑盒模型内部参数未知，所以对于模型的进一步探讨及优化都带来了一定困难。目前基于黑盒模型的内部参数进行模型训练大都基于划分等价类、无效等价类等方法，但划分等价类、无效等价类等方法，对于机器学习、深度学习类的黑盒模型参数，进行模型训练的方法效果差，不能有效的利用已有的数据特征进行分析，进而导致数据特征浪费现象。
技术实现思路
本专利技术提供一种基于黑盒模型的模型训练方法、装置、电子设备及计算机可读存储介质，其主要目的在于解决模型训练过程中，不能有效的利用已有数据特征进行分析，导致数据特征浪费问题。为实现上述目的，本专利技术提供的一种基于黑盒模型的模型训练方法，包括：根据预先构建的图片表征提取模型，提取原始图片训练集的表征，得到图片表征特征集；根...
【技术保护点】
1.一种基于黑盒模型的模型训练方法，其特征在于，所述方法包括：/n根据预先构建的图片表征提取模型，提取原始图片训练集的表征，得到图片表征特征集；/n根据所述图片表征特征集优化所述原始图片训练集，得到标准图片训练集；/n从所述标准图片训练集中随机选择多个图片构成标准图片判断集，将所述标准图片判断集输入至黑盒模型进行判断操作，得到与所述标准图片判断集对应的判断标签集；/n根据所述图片表征提取模型以及所述标准图片训练集和预获取的图片验证集，构建及训练识别模型，并将训练完成的所述识别模型转变为判断模型；/n根据所述判断标签集与所述标准图片判断集训练所述判断模型，得到与所述黑盒模型对应的判断模型。/n
【技术特征摘要】
1.一种基于黑盒模型的模型训练方法，其特征在于，所述方法包括：
根据预先构建的图片表征提取模型，提取原始图片训练集的表征，得到图片表征特征集；
根据所述图片表征特征集优化所述原始图片训练集，得到标准图片训练集；
从所述标准图片训练集中随机选择多个图片构成标准图片判断集，将所述标准图片判断集输入至黑盒模型进行判断操作，得到与所述标准图片判断集对应的判断标签集；
根据所述图片表征提取模型以及所述标准图片训练集和预获取的图片验证集，构建及训练识别模型，并将训练完成的所述识别模型转变为判断模型；
根据所述判断标签集与所述标准图片判断集训练所述判断模型，得到与所述黑盒模型对应的判断模型。
2.如权利要求1所述的基于黑盒模型的模型训练方法，其特征在于，所述根据所述图片表征特征集优化所述原始图片训练集之前，还包括：
根据预先设定的聚类算法，对所述图片表征特征集进行聚类，得到聚类后的图片表征特征集。
3.如权利要求2所述的基于黑盒模型的模型训练方法，其特征在于，所述根据预先设定的聚类算法，对所述图片表征特征集进行聚类，得到聚类后的图片表征特征集，包括：
预先设定距离阈值和聚类中心；
若所述图片表征特征集中的表征数据和所述聚类中心的空间距离值小于或等于所述距离阈值时，将所述表征数据归为第一类图片表征特征集；
若所述图片表征特征集中的表征数据和所述聚类中心的空间距离值大于所述距离阈值时，将所述表征数据归为第二类图片表征特征集；
从所述第一类图片表征特征集与所述第二类图片表征特征集中，提取在数据量上更大的图片表征特征集，得到聚类后的图片表征特征集。
4.如权利要求1所述的基于黑盒模型的模型训练方法，其特征在于，所述训练识别模型包括：
步骤A：将所述原始图片训练集输入至所述识别模型进行表征提取，得到原始图片表征特征集；
步骤B：利用所述识别模型中的全连接层，对所述原始图片表征特征集进行维度转化，得到单维图片表征特征集；
步骤C：根据预构建的分类函数以及所述单维图片表征特征集，计算得到预测标签集；
步骤D：计算所述预测标签集与所述图片验证集之间的误差，得到误差值；
步骤E：在所述误差值大于预设的误差阈值时，返回步骤A；
步骤F：在所述误差值小于所述误差阈值时，得到训练完成的所述识别模型。
5.如权利要求1所述的基于黑盒模型的模型训练方法，其特征在于，所述将训练完成的所述识别模型转变为判断模型，包括：
在训练完成的所述识别模型中添加度量转换函数以及激活函数，得到所述判断模型。
6.如权利要求...
【专利技术属性】
技术研发人员：张颖，张一帆，刑斌，沈志勇，高宏，
申请(专利权)人：招商局金融科技有限公司，
类型：发明
国别省市：广东;44
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。