神经网络模型训练的方法和装置制造方法及图纸

技术编号:27744520 阅读:17 留言:0更新日期:2021-03-19 13:38
本申请提供了人工智能领域中的一种神经网络模型训练的方法,包括:获取神经网络模型、第一训练数据和第一训练数据的类别,神经网络模型是根据第二训练数据训练得到的,第一训练数据包括支持数据和查询数据,支持数据包括第一训练数据中的每一类的全部或部分数据,查询数据包括第一训练数据中每一类的全部或部分数据;利用神经网络模型对于第一训练数据进行特征提取,以得到第一训练数据的特征;根据每一类的类中心特征与查询数据特征的特征距离,调整神经网络模型中部分层的参数,以得到调整后的神经网络模型。通过对训练得到的神经网络模型的部分层的参数进行调整,从而得到具有良好精度和泛化能力的神经网络模型。

【技术实现步骤摘要】
神经网络模型训练的方法和装置
本申请涉及人工智能领域,尤其涉及一种神经网络模型训练的方法及装置。
技术介绍
人工智能(artificialintelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说,人工智能是计算机科学的一个分支,它企图了解智能的实质,并生产出一种新的能以人类智能相似的方式作出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法,使机器具有感知、推理与决策的功能计算机视觉是各个应用领域,如制造业、检验、文档分析、医疗诊断,和军事等领域中各种智能/自主系统中不可分割的一部分,它是一门关于如何运用照相机/摄像机和计算机来获取我们所需的,被拍摄对象的数据与信息的学问。形象地说,就是给计算机安装上眼睛(照相机/摄像机)和大脑(算法)用来代替人眼对目标进行识别、跟踪和测量等,从而使计算机能够感知环境。因为感知可以看作是从感官信号中提取信息,所以计算机视觉也可以看作是研究如何使人工系统从图像或多维数据中“感知”的科学。总的来说,计算机视觉就是用各种成象系统代替视觉器官获取输入信息,再由计算机来代替大脑对这些输入信息完成处理和解释。计算机视觉的最终研究目标就是使计算机能像人那样通过视觉观察和理解世界,具有自主适应环境的能力。基于聚类的小样本学习方案,通过神经网络模型提取训练数据的特征,并计算不同类别的训练数据的特征之间的距离,训练神经网络模型。由于小样本学习方案的训练数据有限,训练得到的神经网络模型泛化能力较差。
技术实现思路
本申请提供一种神经网络模型训练的方法,能够在训练数据的数据量较小或数据量不平衡的情况下,训练得到具有较高精度和良好泛化能力的神经网络模型。第一方面,提供一种神经网络模型训练的方法,包括:获取神经网络模型、第一训练数据和所述第一训练数据的类别,所述神经网络模型是根据第二训练数据训练得到的,所述第一训练数据包括支持数据和查询数据,所述支持数据包括所述第一训练数据中的每一类的全部或部分数据,所述查询数据包括所述第一训练数据中每一类的全部或部分数据;利用所述神经网络模型对于所述第一训练数据进行特征提取,以得到所述第一训练数据的特征;根据每一类的类中心特征与所述查询数据特征的特征距离,调整所述神经网络模型中部分层的参数,以得到调整后的神经网络模型,所述每一类的类中心特征中的每一位为所述每一类的所述支持数据的特征对应位的平均值。利用训练得到的神经网络模型提取训练数据的特征,根据训练数据的特征之间的特征距离调整神经网络模型的部分层的参数,能够得到精度较高,且泛化能力较强的神经网络模型。结合第一方面,在一些可能的实现方式中,所述根据每一类的类中心特征与所述查询数据特征的特征距离,调整所述神经网络模型中部分层的参数,包括:根据所述每一类的类中心特征与所述查询数据特征的特征距离,以及每一类的第一训练数据的特征之间的特征距离的平均值,调整所述部分层的参数。中心损失表示每一类的类中心特征与所述查询数据特征的特征距离。在神经网络模型的训练过程中,引入中心损失,可以提高神经网络模型训练的效率,提高神经网络模型的精度。结合第一方面,在一些可能的实现方式中,所述利用所述神经网络模型对于所述第一训练数据进行特征提取,以得到所述第一训练数据的特征,包括:将所述第一训练数据输入所述神经网络模型;对所述神经网络模型提取的特征进行深度哈希,以得到所述第一训练数据的特征。通过对神经网络模型提取的特征进行深度哈希,可以减小特征的体积,减小训练时间,并且保证神经网络模型训练具有较高的精度。在采用训练得到的神经网络模型确定数据的类别的过程中,可以提升推理速度。结合第一方面,在一些可能的实现方式中,所述根据每一类的类中心特征与所述查询数据特征的特征距离,调整所述神经网络模型中部分层的参数,包括:当所述第一训练数据的数据量小于预设值时,通过贝叶斯优化方案调整超参数,根据所述每一类的类中心特征与所述查询数据特征的特征距离,调整所述部分层的参数;当所述第一训练数据的数据量大于或等于所述预设值时,根据所述神经网络模型对应的预设超参数以及所述每一类的类中心特征与所述查询数据特征的特征距离,调整所述部分层的参数。在数据量较大时,通过贝叶斯优化方案训练神经网络模型效率较低。在数据量较小时,根据所述神经网络模型对应的预设超参数训练神经网络模型,训练得到的神经网络模型的精度较低。通过仅在第一训练数据的数据量较小时通过贝叶斯优化方案训练神经网络模型能够在提高训练得到的神经网路模型的精度,并提高训练效率。结合第一方面,在一些可能的实现方式中,超参数包括学习率、学习率衰减速率、学习率衰减周期、迭代周期数量、批尺寸、神经网络模型的网络结构参数中的一种或多种。第二方面,提供一种神经网络模型训练的方法,包括:获取第一训练数据和所述第一训练数据的类别;当所述第一训练数据的数据量小于预设值时,通过贝叶斯优化方案调整超参数,根据所述第一训练数据和所述第一训练数据的类别,训练神经网络模型;当所述第一训练数据的数据量大于或等于所述预设值时,根据所述神经网络模型对应的预设超参数、所述第一训练数据和所述第一训练数据的类别,训练所述神经网络模型。应当理解,神经网络模型的类型可以是默认的或指定的。神经网络模型可以存储在执行神经网络模型训练的方法的电子设备的存储器中,也可以接收其他电子设备发送的神经网络模型。结合第二方面,在一些可能的实现方式中,所述方法还包括:获取所述神经网络模型,所述神经网络模型是根据第二训练数据训练得到的;所述根据所述第一训练数据和所述第一训练数据的类别,训练神经网络模型,包括:利用所述神经网络模型对于所述第一训练数据进行特征提取,以得到所述第一训练数据的特征,所述第一训练数据包括支持数据和查询数据,所述支持数据包括所述第一训练数据中的每一类的全部或部分数据,所述查询数据包括所述第一训练数据中每一类的全部或部分数据;根据每一类的类中心特征与所述查询数据特征的特征距离,调整所述神经网络模型中部分层的参数,以得到调整后的神经网络模型,所述每一类的类中心特征中的每一位为所述每一类的所述支持数据的特征对应位的平均值。结合第二方面,在一些可能的实现方式中,所述方法还包括:根据所述每一类的类中心特征与所述查询数据特征的特征距离,以及每一类的第一训练数据的特征之间的特征距离的平均值,调整所述部分层的参数。结合第二方面,在一些可能的实现方式中,所述方法还包括:将所述第一训练数据输入所述神经网络模型;将所述神经网络模型提取的特征进行深度哈希,以得到所述第一训练数据的特征。结合第二方面,在一些可能的实现方式中,超参数包括学习率、学习率衰减速率、学习率衰减周期、迭代周期数量、批尺寸、神经网络模型的网络结构参数中的一种或多种。第三方面,提供一种神经网络模型训练的装置,包括用于执行上述第一方面中的方法中的各个模块。第四方面,提供本文档来自技高网
...

【技术保护点】
1.一种神经网络模型训练的方法,其特征在于,包括:/n获取神经网络模型、第一训练数据和所述第一训练数据的类别,所述神经网络模型是根据第二训练数据训练得到的,所述第一训练数据包括支持数据和查询数据,所述支持数据包括所述第一训练数据中的每一类的全部或部分数据,所述查询数据包括所述第一训练数据中每一类的全部或部分数据;/n利用所述神经网络模型对于所述第一训练数据进行特征提取,以得到所述第一训练数据的特征;/n根据每一类的类中心特征与所述查询数据特征的特征距离,调整所述神经网络模型中部分层的参数,以得到调整后的神经网络模型,所述每一类的类中心特征中的每一位为所述每一类的所述支持数据的特征对应位的平均值。/n

【技术特征摘要】
1.一种神经网络模型训练的方法,其特征在于,包括:
获取神经网络模型、第一训练数据和所述第一训练数据的类别,所述神经网络模型是根据第二训练数据训练得到的,所述第一训练数据包括支持数据和查询数据,所述支持数据包括所述第一训练数据中的每一类的全部或部分数据,所述查询数据包括所述第一训练数据中每一类的全部或部分数据;
利用所述神经网络模型对于所述第一训练数据进行特征提取,以得到所述第一训练数据的特征;
根据每一类的类中心特征与所述查询数据特征的特征距离,调整所述神经网络模型中部分层的参数,以得到调整后的神经网络模型,所述每一类的类中心特征中的每一位为所述每一类的所述支持数据的特征对应位的平均值。


2.根据权利要求1所述的方法,其特征在于,所述根据每一类的类中心特征与所述查询数据特征的特征距离,调整所述神经网络模型中部分层的参数,包括:
根据所述每一类的类中心特征与所述查询数据特征的特征距离,以及每一类的第一训练数据的特征之间的特征距离的平均值,调整所述部分层的参数。


3.根据权利要求1或2所述的方法,其特征在于,所述利用所述神经网络模型对于所述第一训练数据进行特征提取,以得到所述第一训练数据的特征,包括:
将所述第一训练数据输入所述神经网络模型;
对所述神经网络模型提取的特征进行深度哈希,以得到所述第一训练数据的特征。


4.根据权利要求1-3中任一项所述的方法,其特征在于,所述根据每一类的类中心特征与所述查询数据特征的特征距离,调整所述神经网络模型中部分层的参数,包括:
当所述第一训练数据的数据量小于预设值时,通过贝叶斯优化方案调整超参数,根据所述每一类的类中心特征与所述查询数据特征的特征距离,调整所述部分层的参数;
当所述第一训练数据的数据量大于或等于所述预设值时,根据所述神经网络模型对应的预设超参数以及所述每一类的类中心特征与所述查询数据特征的特征距离,调整所述部分层的参数。


5.根据权利要求4所述的方法,其特征在于,所述超参数包括学习率、学习率衰减速率、学习率衰减周期、迭代周期数量、批尺寸、神经网络模型的网络结构参数中的一种或多种。


6.一种神经网络模型训练的方法,其特征在于,包括:
获取神经网络模型、第一训练数据和所述第一训练数据的类别;
当所述第一训练数据的数据量小于预设值时,通过贝叶斯优化方案调整超参数,根据所述第一训练数据和所述第一训练数据的类别,训练所述神经网络模型;
当所述第一训练数据的数据量大于或等于所述预设值时,根据所述神经网络模型对应的预设超参数、所述第一训练数据和所述第一训练数据的类别,训练所述神经网络模型。


7.根据权利要求6所述的方法,其特征在于,所述神经网络模型是根据第二训练数据训练得到的;
所述根据所述第一训练数据和所述第一训练数据的类别,训练神经网络模型,包括:
利用所述神经网络模型对于所述第一训练数据进行特征提取,以得到所述第一训练数据的特征,所述第一训练数据包括支持数据和查询数据,所述支持数据包括所述第一训练数据中的每一类的全部或部分数据,所述查询数据包括所述第一训练数据中每一类的全部或部分数据;
根据每一类的类中心特征与所述查询数据特征的特征距离,调整所述神经网络模型中部分层的参数,以得到调整后的神经网络模型,所述每一类的类中心特征中的每一位为所述每一类的所述支持数据的特征对应位的平均值。


8.根据权利要求7所述的方法,其特征在于,所述根据每一类的类中心特征与所述查询数据特征的特征距离,调整所述神经网络模型中部分层的参数,包括:
根据所述每一类的类中心特征与所述查询数据特征的特征距离,以及每一类的第一训练数据的特征之间的特征距离的平均值,调整所述部分层的参数。


9.根据权利要求7或8所述的方法,其特征在于,所述利用所述神经网络模型对于所述第一训练数据进行特征提取,以得到所述第一训练数据的特征,包括:
将所述第一训练数据输入所述神经网络模型;
将所述神经网络模型提取的特征进行深度哈希,以得到所述第一训练数据的特征。


10.根据权利要求6-9中任一项所述的方法,其特征在于,所述超参数包括学习率、学习率衰减速率、学习率衰减周期、迭代周期数量、批尺寸、神经网络模型的网络结构参数中的一种或多种。


11.一种神经网络模型训练的装...

【专利技术属性】
技术研发人员:于德权吴觊豪贾明波马杰延
申请(专利权)人:华为技术有限公司
类型:发明
国别省市:广东;44

网友询问留言 已有0条评论
  • 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。

1