本发明专利技术的实施方式提供了一种跟踪模型的训练方法、装置、介质和计算设备。该方法包括：基于对训练数据集进行预训练得到的网络参数构建回归模型；基于所述回归模型对跟踪模型的参数进行更新，以实现对所述跟踪模型的训练。本发明专利技术能够基于预训练得到的网络参数构建回归模型，并基于回归模型对跟踪模型进行训练，即能够利用网络参数等先验知识构建的回归模型对跟踪模型进行训练，从而在训练过程中基于先验知识快速的实现对跟踪模型进行训练的训练目标，极大地缩短了训练时间，提升了跟踪模型的训练效率。型的训练效率。型的训练效率。
【技术实现步骤摘要】
跟踪模型的训练方法、装置、介质和计算设备
[0001]本专利技术的实施方式涉及深度学习
，更具体地，本专利技术的实施方式涉及一种跟踪模型的训练方法、装置、介质和计算设备。
技术介绍
[0002]本部分旨在为权利要求书中陈述的本专利技术的实施方式提供背景或上下文。此处的描述不因为包括在本部分中就承认是现有技术。
[0003]近年来，随着人工智能技术的快速发展，人工智能技术在教育领域也有了广泛应用，为提升教学质量与效果，帮助学生更高效的学习书法，并发扬中华传统书法文化魅力，出现了基于人工智能技术对书法学习时笔尖的运动轨迹进行跟踪的模型。目前，通常需要对跟踪模型进行训练，才能将跟踪模型投入实际的应用中。然而，在对跟踪模型进行训练的过程中模型需要寻找全局最优解，在寻找全局最优解的过程中会限于到低学习率区域，从而导致对跟踪模型的训练需要耗费大量的时间，降低了跟踪模型的训练效率。
技术实现思路
[0004]在本上下文中，本专利技术的实施方式期望提供一种跟踪模型的训练方法、装置、介质和计算设备。
[0005]在本专利技术实施方式的第一方面中，提供了一种跟踪模型的训练方法，包括：
[0006]基于对训练数据集进行预训练得到的网络参数构建回归模型；
[0007]基于所述回归模型对跟踪模型的参数进行更新，以实现对所述跟踪模型的训练。
[0008]在本实施方式的一个实施例中，基于对训练数据集进行预训练得到的网络参数构建回归模型，包括：
[0009]对输入的训练数据集进行预训练，得到网络参数和所述网络参数对应的矩阵数据集；
[0010]基于所述矩阵数据集构建回归模型。
[0011]在本实施方式的一个实施例中，对输入的训练数据集进行预训练，得到网络参数和所述网络参数对应的矩阵数据集，包括：
[0012]基于输入的训练数据集对跟踪模型进行预训练，得到所述跟踪模型的网络参数；
[0013]从所述网络参数中获取权值矩阵、偏置矩阵、权值梯度矩阵以及偏置梯度矩阵；
[0014]基于所述权值矩阵和所述权值梯度矩阵，生成权值梯度矩阵数据集；
[0015]基于所述偏置矩阵和所述偏置梯度矩阵，生成偏置梯度矩阵数据集；
[0016]将所述权值梯度矩阵数据集和所述偏置梯度矩阵数据集确定为矩阵数据集。
[0017]在本实施方式的一个实施例中，基于所述矩阵数据集构建回归模型，包括：
[0018]确定所述权值梯度矩阵数据集对应的第一卷积层，并构建所述第一卷积层对应的权值回归模型；
[0019]确定所述偏置梯度矩阵数据集对应的第二卷积层，并构建所述第二卷积层对应的
偏置回归模型。
[0020]在本实施方式的一个实施例中，对所述跟踪模型进行训练的算法为梯度下降算法和改进算法，其中：
[0021]获取对所述跟踪模型进行的最新两次连续训练的训练正确率；
[0022]基于所述最新两次连续训练的训练正确率，计算正确率增幅；
[0023]当所述正确率增幅小于预设阈值时，获取当前算法；
[0024]当所述当前算法为所述梯度下降算法时，将所述当前算法更新为所述改进算法；
[0025]当所述当前算法为所述改进算法时，将所述当前算法更新为所述梯度下降算法。
[0026]在本实施方式的一个实施例中，当所述当前算法为改进算法时，基于所述回归模型对跟踪模型的参数进行更新，以实现对所述跟踪模型的训练，包括：
[0027]利用所述改进算法对所述跟踪模型进行梯度更新，得到所述跟踪模型中卷积层的权值训练矩阵和偏置训练矩阵；
[0028]基于所述回归模型对所述权值训练矩阵进行计算，得到第一训练梯度；
[0029]基于所述回归模型对所述偏置训练矩阵进行计算，得到第二训练梯度；
[0030]调用所述第一训练梯度和所述第二训练梯度对所述卷积层的参数进行更新，以实现对所述跟踪模型的训练。
[0031]在本专利技术实施方式的第二方面中，提供了一种跟踪模型的训练装置，包括：
[0032]构建单元，用于基于对训练数据集进行预训练得到的网络参数构建回归模型；
[0033]第一更新单元，用于基于所述回归模型对跟踪模型的参数进行更新，以实现对所述跟踪模型的训练。
[0034]在本实施方式的一个实施例中，所述构建单元包括：
[0035]训练子单元，用于对输入的训练数据集进行预训练，得到网络参数和所述网络参数对应的矩阵数据集；
[0036]构建子单元，用于基于所述矩阵数据集构建回归模型。
[0037]在本实施方式的一个实施例中，所述训练子单元包括：
[0038]训练模块，用于基于输入的训练数据集对跟踪模型进行预训练，得到所述跟踪模型的网络参数；
[0039]获取模块，用于从所述网络参数中获取权值矩阵、偏置矩阵、权值梯度矩阵以及偏置梯度矩阵；
[0040]生成模块，用于基于所述权值矩阵和所述权值梯度矩阵，生成权值梯度矩阵数据集；
[0041]所述生成模块，还用于基于所述偏置矩阵和所述偏置梯度矩阵，生成偏置梯度矩阵数据集；
[0042]第一确定模块，用于将所述权值梯度矩阵数据集和所述偏置梯度矩阵数据集确定为矩阵数据集。
[0043]在本实施方式的一个实施例中，所述构建子单元包括：
[0044]第二确定模块，用于确定所述权值梯度矩阵数据集对应的第一卷积层，并构建所述第一卷积层对应的权值回归模型；
[0045]构建模块，用于确定所述偏置梯度矩阵数据集对应的第二卷积层，并构建所述第
二卷积层对应的偏置回归模型。
[0046]在本实施方式的一个实施例中，对所述跟踪模型进行训练的算法为梯度下降算法和改进算法，所述装置还包括：
[0047]获取单元，用于获取对所述跟踪模型进行的最新两次连续训练的训练正确率；
[0048]计算单元，用于基于所述最新两次连续训练的训练正确率，计算正确率增幅；
[0049]所述获取单元，还用于当所述正确率增幅小于预设阈值时，获取当前算法；
[0050]第二更新单元，用于当所述当前算法为所述梯度下降算法时，将所述当前算法更新为所述改进算法；
[0051]所述第二更新单元，还用于当所述当前算法为所述改进算法时，将所述当前算法更新为所述梯度下降算法。
[0052]在本实施方式的一个实施例中，当所述当前算法为改进算法时，所述第一更新单元包括：
[0053]更新子单元，用于利用所述改进算法对所述跟踪模型进行梯度更新，得到所述跟踪模型中卷积层的权值训练矩阵和偏置训练矩阵；
[0054]计算子单元，用于基于所述回归模型对所述权值训练矩阵进行计算，得到第一训练梯度；
[0055]所述计算子单元，还用于基于所述回归模型对所述偏置训练矩阵进行计算，得到第二训练梯度；
[0056]所述更新子单元，还用于调用所述第一训练梯度和所述第二训练梯度对本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种跟踪模型的训练方法，包括：基于对训练数据集进行预训练得到的网络参数构建回归模型；基于所述回归模型对跟踪模型的参数进行更新，以实现对所述跟踪模型的训练。2.根据权利要求1所述的跟踪模型的训练方法，基于对训练数据集进行预训练得到的网络参数构建回归模型，包括：对输入的训练数据集进行预训练，得到网络参数和所述网络参数对应的矩阵数据集；基于所述矩阵数据集构建回归模型。3.根据权利要求2所述的跟踪模型的训练方法，对输入的训练数据集进行预训练，得到网络参数和所述网络参数对应的矩阵数据集，包括：基于输入的训练数据集对跟踪模型进行预训练，得到所述跟踪模型的网络参数；从所述网络参数中获取权值矩阵、偏置矩阵、权值梯度矩阵以及偏置梯度矩阵；基于所述权值矩阵和所述权值梯度矩阵，生成权值梯度矩阵数据集；基于所述偏置矩阵和所述偏置梯度矩阵，生成偏置梯度矩阵数据集；将所述权值梯度矩阵数据集和所述偏置梯度矩阵数据集确定为矩阵数据集。4.根据权利要求3所述的跟踪模型的训练方法，基于所述矩阵数据集构建回归模型，包括：确定所述权值梯度矩阵数据集对应的第一卷积层，并构建所述第一卷积层对应的权值回归模型；确定所述偏置梯度矩阵数据集对应的第二卷积层，并构建所述第二卷积层对应的偏置回归模型。5.根据权利要求1～4任一项所述的跟踪模型的训练方法，对所述跟踪模型进行训练的算法为梯度下降算法和改进算法，其中：获取对所述跟踪模型进行的最新两次连续训练的训练正确率；基于所述最新两次连续训练的训练正确率，计算正确率增幅；当所...
【专利技术属性】
技术研发人员：向大凤，
申请(专利权)人：北京华文众合科技有限公司，
类型：发明
国别省市：
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。