训练方法、训练装置、训练设备及计算机可读存储介质制造方法及图纸

本申请公开了一种训练方法、训练装置、训练设备及非易失性计算机可读存储介质。训练方法包括：融合多个数据集，并根据多个任务及多个数据集的属性以分别标记数据集的标记集合，以生成批次数据；在训练模型中训练批次数据和任务，并根据标记集合以输出任务的训练值；计算任务的标准值和训练值的差值，以得到损失值；及根据损失值以调整训练模型，直至训练模型收敛。本申请实施方式的训练方法、训练装置、训练设备及非易失性计算机可读存储介质中，在输出该任务的训练值时，可避免与该任务不相关的数据带来的影响，以保证训练的准确性。且多个数据集的格式、属性均可各不相同，以实现了对多领域的数据集的联合训练。对多领域的数据集的联合训练。对多领域的数据集的联合训练。

【技术实现步骤摘要】
训练方法、训练装置、训练设备及计算机可读存储介质


[0001]本申请涉及图像识别
，更具体而言，涉及一种训练方法、训练装置、训练设备及非易失性计算机可读存储介质。

技术介绍

[0002]现有的多任务训练，大多是采用比较相关的多个任务联合训练，同时训练多个辅助的任务可以提升主任务的指标，但是涉及多非相关的跨领域的模型训练则没法起作用，甚至还会出现两个领域的训练不均衡，对其中一个任务负优化的情形。

技术实现思路

[0003]本申请实施方式提供一种训练方法、训练装置、训练设备及非易失性计算机可读存储介质。
[0004]本申请实施方式的训练方法包括融合多个数据集，并根据多个任务及多个所述数据集的属性以分别标记所述数据集的标记集合，以生成批次数据；在训练模型中训练所述批次数据和所述任务，并根据标记集合以输出所述任务的训练值；计算所述任务的标准值和所述训练值的差值，以得到损失值；及根据所述损失值以调整所述训练模型，直至所述训练模型收敛。
[0005]本申请实施方式的训练装置包括生成模块、训练模块、计算模块及调整模块，所述生成模块用于融合多个数据集，并根据多个任务及多个所述数据集的属性以分别标记所述数据集的标记集合，以生成批次数据；所述训练模块用于在训练模型中训练所述批次数据和所述任务，并根据标记集合以输出所述任务的训练值；所述计算模块用于计算所述任务的标准值和所述训练值的差值，以得到损失值；及所述调整模块用于根据所述损失值以调整所述训练模型，直至所述训练模型收敛。
[0006]本申请实施方式的训练设备包括处理器。所述处理器用于融合多个数据集，并根据多个任务及多个所述数据集的属性以分别标记所述数据集的标记集合，以生成批次数据；在训练模型中训练所述批次数据和所述任务，并根据标记集合以输出所述任务的训练值；计算所述任务的标准值和所述训练值的差值，以得到损失值；及根据所述损失值以调整所述训练模型，直至所述训练模型收敛。
[0007]本申请实施方式的非易失性计算机可读存储介质包含计算机程序，当所述计算机程序被一个或多个处理器执行时，使得所述处理器执行如下训练方法：融合多个数据集，并根据多个任务及多个所述数据集的属性以分别标记所述数据集的标记集合，以生成批次数据；在训练模型中训练所述批次数据和所述任务，并根据所述标记集合以输出所述任务的训练值；计算所述任务的标准值和所述训练值的差值，以得到损失值；及根据所述损失值以调整所述训练模型，直至所述训练模型收敛。
[0008]本申请实施方式的训练方法、训练装置、训练设备及非易失性计算机可读存储介质通过多个任务和数据集的属性标记并融合多个数据集，以生成批次数据，再通过训练模
型训练任务和批次数据，并根据标记集合输出任务的训练值，从而根据任务的训练值和标准值的差值，以得到损失值，并根据损失值调整训练模型以使训练模型收敛。其中，由于处理器以标记了批次数据中各个数据集的标记集合，以代表各个数据集和任务的相关性，由此，在输出该任务的训练值时，可避免与该任务不相关的数据带来的影响，以保证训练的准确性。且多个数据集的格式、属性均可各不相同，以实现了对多领域的数据集的联合训练。
[0009]本申请的实施方式的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实施方式的实践了解到。
附图说明
[0010]本申请的上述和/或附加的方面和优点从结合下面附图对实施方式的描述中将变得明显和容易理解，其中：
[0011]图1是本申请某些实施方式的训练方法的流程示意图；
[0012]图2是本申请某些实施方式的训练装置的示意图；
[0013]图3是本申请某些实施方式的训练设备的示意图；
[0014]图4至图8是本申请某些实施方式的训练方法的流程示意图；
[0015]图9是本申请某些实施方式的非易失性计算机可读存储介质和处理器的连接状态示意图。
具体实施方式
[0016]下面详细描述本申请的实施方式，所述实施方式的示例在附图中示出，其中，相同或类似的标号自始至终表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本申请的实施方式，而不能理解为对本申请的实施方式的限制。
[0017]请参阅图1，本申请实施方式提供一种训练方法。该音质处理方法包括步骤：
[0018]01：融合多个数据集，并根据多个任务及多个数据集的属性以分别标记数据集的标记集合，以生成批次数据；
[0019]03：在训练模型中训练批次数据和任务，并根据标记集合以输出任务的训练值；
[0020]05：计算任务的标准值和训练值的差值，以得到损失值；及
[0021]07：根据损失值以调整训练模型，直至训练模型收敛。
[0022]请参阅图2，本申请实施方式提供一种训练装置10。训练装置10包括生成模块11、训练模块12、计算模块13及调整模块14。本申请实施方式的训练方法可应用于训练装置10。其中，生成模块11用于执行步骤01，训练模块12用于执行步骤03，计算模块13用于执行步骤05，调整模块14用于执行步骤07。即，生成模块11用于融合多个数据集，并根据多个任务及多个数据集的属性以分别标记数据集的标记集合，以生成批次数据。训练模块12用于在训练模型中训练批次数据和任务，并根据标记集合以输出任务的训练值。计算模块13用于计算所述任务的标准值和所述训练值的差值，以得到损失值。调整模块14用于根据损失值以调整训练模型，直至训练模型收敛。
[0023]请参阅图3，本申请实施方式还提供一种训练设备100。训练设备100包括处理器20。本申请实施方式的训练方法可应用于训练设备100。处理器20用于执行步骤01、步骤03、
步骤05和步骤07。即，处理器20用于融合多个数据集，并根据多个任务及多个数据集的属性以分别标记数据集的标记集合，以生成批次数据；在训练模型中训练批次数据和任务，并根据标记集合以输出任务的训练值；计算所述任务的标准值和所述训练值的差值，以得到损失值；及根据损失值以调整训练模型，直至训练模型收敛。
[0024]其中，训练设备100还包括壳体30。训练设备100可以是手机、平板电脑、显示设备、笔记本电脑、智能手表、头显设备、游戏机等。如图3所示，本申请实施方式以训练设备100是手机为例进行说明，可以理解，训练设备100的具体形式并不限于手机。壳体30还可用于安装训练设备100的显示装置、成像装置、供电装置、通信装置等功能模块，以使壳体30为功能模块提供防尘、防摔、防水等保护。
[0025]数据集的格式可以是音频、视频和图片等，在融合多个数据集时，可以是融合多个相同格式的数据集，如将多张图片格式的数据集融合成批次数据；还可以是融合多个不同格式的数据集，如将音频格式的数据集、视频格式的数据集融合成批次数据，又如将视频格式的数据集、视频格式的数据集、图片格式的数据集融合成批次数据等。
[0026本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练方法，其特征在于，包括：融合多个数据集，并根据多个任务及多个所述数据集的属性以分别标记所述数据集的标记集合，以生成批次数据；在训练模型中训练所述批次数据和所述任务，并根据标记集合以输出所述任务的训练值；计算所述任务的标准值和所述训练值的差值，以得到损失值；及根据所述损失值以调整所述训练模型，直至所述训练模型收敛。2.根据权利要求1所述的训练方法，其特征在于，数据集的类型可以是图片、视频及音频。3.根据权利要求1所述的训练方法，其特征在于，所述根据多个所述数据集的属性及多个任务分别标记所述数据集的标记集合，包括：遍历多个所述数据集，判断所述任务与所述数据集的属性的相关性；在所述数据集的属性与所述任务相关时，标记所述数据集的标记集合中对应所述任务的元素为第一标记值；及在所述数据集的属性与所述任务不相关时，标记所述数据集的标记集合中对应所述任务的元素为第二标记值。4.根据权利要求3所述的训练方法，其特征在于，所述遍历多个所述任务，判断所述任务与所述数据集的属性的相关性，包括：获取与所述数据集的属性对应的训练任务；当所述训练任务包含所述任务时，确定所述数据集的属性与所述任务相关；及当所述训练任务不包含所述任务时，确定所述数据集的属性与所述任务不相关。5.根据权利要求3所述的训练方法，其特征在于，所述在训练模型中训练所述批次数据和所述任务，并根据标记集合以输出所述任务的训练值，包括：根据所述训练模型输出所述任务的预估值；及计算所述预估值与所述标记集合中对应所述任务的元素的乘积之和，以输出所述训练值。6.根据权利要求1所述的训练方法，其特征在于，所述训练方法还包括：根据所述任务及所述数据...

【专利技术属性】
技术研发人员：孙哲，
申请(专利权)人：OPPO广东移动通信有限公司，
类型：发明
国别省市：