【技术实现步骤摘要】
模型训练方法、装置、计算机设备和存储介质
本申请涉及机器学习
，特别是涉及一种模型训练方法、装置、计算机设备和存储介质。
技术介绍
大多数现代机器学习算法(例如深度神经网络)都需要对数百种算法进行训练。而在某些实际问题中，往往无法提供大量示例。少样本学习方法通过使用少量示例来训练计算模型，试图解决这些问题。这些算法只需要几个每个类的训练示例，无需大量反复训练即可将模型推广到不熟悉的类别。为了解决少数问题，已经采用了诸如度量学习算法之类的方法。度量学习算法采用一些距离度量来发现图像之间的相似性。深度度量算法的最重要元素是损失函数。最受欢迎的损失函数之一是三元组损失函数。然而传统的通过三元组损失函数所训练得到的图像处理模型的性能较差。
技术实现思路
基于此，有必要针对上述技术问题，提供一种模型训练方法、装置、计算机设备和存储介质。一种模型训练方法，所述方法包括：获取三元组图像样本；将所述三元组图像样本输入至图像处理模型中，获得参考损失值；当所述参考损失值满...
【技术保护点】
1.一种模型训练方法，其特征在于，所述方法包括：/n获取三元组图像样本；/n将所述三元组图像样本输入至图像处理模型中，获得参考损失值；/n当所述参考损失值满足预设损失值条件时，在所述参考损失值的基础上加入与所述预设损失值条件对应的调整项，获得目标损失值；/n基于所述目标损失值对所述图像处理模型中的参数进行调整，直至所述图像处理模型满足收敛条件，获得训练完成的图像处理模型。/n
【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：
获取三元组图像样本；
将所述三元组图像样本输入至图像处理模型中，获得参考损失值；
当所述参考损失值满足预设损失值条件时，在所述参考损失值的基础上加入与所述预设损失值条件对应的调整项，获得目标损失值；
基于所述目标损失值对所述图像处理模型中的参数进行调整，直至所述图像处理模型满足收敛条件，获得训练完成的图像处理模型。
2.根据权利要求1所述的方法，其特征在于，所述三元组图像样本包括锚点图像样本、正图像样本和负图像样本；所述参考损失值是基于第一距离值与第二距离值之差计算得到的；
所述当所述参考损失值满足预设损失值条件时，在所述参考损失值中加入与所述预设损失值条件对应的调整项，获得目标损失值，包括：
当第一距离值与第二距离值之差在预设范围内时，在所述参考损失值的基础上减去奖赏项，获得目标损失值；所述第一距离值是所述锚点图像样本与所述正图像样本之间的距离值；所述第二距离值是所述锚点图像样本与所述负图像样本之间的距离值。
3.根据权利要求2所述的方法，其特征在于，所述奖赏项的获取方式，包括：
根据所述第一距离值与所述第二距离值之差，与第一参数的乘积，获得奖赏项。
4.根据权利要求1所述的方法，其特征在于，所述三元组图像样本包括锚点图像样本、正图像样本和负图像样本；所述参考损失值是基于第一距离值与第二距离值之差计算得到的；
所述当所述参考损失值满足预设损失值条件时，在所述参考损失值中加入与所述预设损失值条件对应的调整项，获得目标损失值，包括：
当第一距离值与第二距离值之差大于预设距离阈值时，在所述参考损失值的基础上加上惩罚项，获得目标损失值；所述第一距离值是所述锚点图像样本与所述正图像样本之间的距离值；所述第二距离值是所述锚点图像样本与所述负图像样本之间的距离值。
5.根据权利要求4所述的方法，其特征在于，所述惩罚项的获取方式，包括：
根据所述第一距离值与所述第二距离值之和，与第二参...
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。