一种模型训练方法及相关装置制造方法及图纸

本申请公开了一种模型训练方法，可以应用于人工智能领域。该方法包括：获取包括噪声数据和无噪声数据的样本对；将无噪声数据输入降噪网络和分类网络的降噪分类网络，得到降噪网络输出的第一输出数据和分类网络输出的第二输出数据；将噪声数据输入降噪分类网络，得到降噪网络的中间层输出的第三输出数据和分类网络输出的第四输出数据。根据第一输出数据和第三输出数据确定第一损失函数；根据第二输出数据和第四输出数据确定第二损失函数；至少根据第一损失函数和第二损失函数，训练降噪分类网络，直至满足预设训练条件，得到目标网络。本方案能够增强网络抑制局部噪声和扰动的能力，提高了网络进行分类识别的精度。提高了网络进行分类识别的精度。提高了网络进行分类识别的精度。

【技术实现步骤摘要】
一种模型训练方法及相关装置


[0001]本申请涉及人工智能
，尤其涉及一种模型训练方法及相关装置。

技术介绍

[0002]人工智能(artificial intelligence，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。
[0003]稀疏时序数据是一组按照时间先后顺序进行排列的非稠密数据序列。常见的稀疏时序数据例如包括人体骨骼关键点数据、心电图数据和惯性测量单元(IMU)数据。通过对稀疏时序数据进行分类识别，可以得到有用的信息。例如，基于人体骨骼关键点数据，可以识别得到人体的姿态动作；基于心电图数据，可以诊断得到人体的身体状况；基于可穿戴设备上的IMU数据，可以识别得到人体的运动状态。
[0004]在真实环境中，稀疏时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，包括：获取样本对，所述样本对包括噪声数据和所述噪声数据对应的无噪声数据；将所述无噪声数据输入降噪分类网络，得到第一输出数据和第二输出数据，所述降噪分类网络包括降噪网络和分类网络，所述第一输出数据为所述降噪网络的输出，所述第二输出数据为所述分类网络的输出；将所述噪声数据输入所述降噪分类网络，得到第三输出数据和第四输出数据，所述第三输出数据是基于所述降噪网络的中间层得到的，所述第四输出数据为所述分类网络的输出；根据所述第一输出数据和所述第三输出数据确定第一损失函数，所述第一损失函数用于表示所述第一输出数据与所述第三输出数据之间的差异；根据所述第二输出数据和所述第四输出数据确定第二损失函数，所述第二损失函数用于表示所述第二输出数据以及所述第四输出数据与所述无噪声数据的真实类别标签之间的差异；至少根据所述第一损失函数和所述第二损失函数，训练所述降噪分类网络，直至满足预设训练条件，得到目标网络。2.根据权利要求1所述的方法，其特征在于，所述降噪网络包括编码器和解码器，所述编码器用于对输入数据进行压缩编码，所述解码器用于对所述编码器输出的数据进行数据重构；所述第一输出数据为所述编码器的输出，所述第三输出数据是基于所述编码器的中间层得到的。3.根据权利要求1或2所述的方法，其特征在于，将所述噪声数据输入所述降噪分类网络，得到第三输出数据，包括：将所述噪声数据输入所述降噪分类网络，得到所述降噪网络的中间层输出的特征数据；将所述特征数据划分为多个子特征数据，得到所述第三输出数据，所述第三输出数据包括所述多个子特征数据；根据所述第一输出数据和所述第三输出数据确定第一损失函数，包括：确定所述第三输出数据中每个子特征数据与所述第一输出数据之间的差异值；根据所述每个子特征数据与所述第一输出数据之间的差异值，确定所述第一损失函数。4.根据权利要求3所述的方法，其特征在于，所述将所述特征数据划分为多个子特征数据，得到所述第三输出数据，包括：按照时间顺序将所述特征数据均匀地划分为多个子特征数据，得到所述第三输出数据，所述多个子特征数据中的每个子特征数据对应的时间段的长度相同；其中，所述噪声数据为时序数据。5.根据权利要求3或4所述的方法，其特征在于，所述确定所述第三输出数据中每个子特征数据与所述第一输出数据之间的差异值，包括：分别对所述第一输出数据和所述第三输出数据中的每个子特征数据执行维度对齐操作，得到维度对齐的第一输出数据和第三输出数据；
确定维度对齐的第三输出数据中每个子特征数据与维度对齐的第一输出数据之间的差异值。6.根据权利要求1
‑

【专利技术属性】
技术研发人员：付明亮，徐羽琼，叶飞，周振坤，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：