模型训练方法、材料数据处理方法、装置、设备和介质制造方法及图纸

本公开提供了一种深度学习模型的训练方法，涉及人工智能技术领域，尤其涉及深度学习技术领域和工业大数据技术领域。具体实现方案为：根据预设冷却知识信息和初始样本数据，生成增强样本数据，其中，初始样本数据包括样本材料的至少一个候选冷却参数的初始值，增强样本数据包括至少一个候选冷却参数的增强值，预设冷却知识信息用于指示候选冷却参数与样本材料的目标冷却温度之间的关系；将增强样本数据输入深度学习模型，得到目标冷却温度的增强样本输出值；根据目标冷却温度的增强样本输出值和目标冷却温度的标签值，得到增强样本损失；根据增强样本损失，训练深度学习模型。本公开还提供了一种材料数据处理方法、装置、电子设备和存储介质。设备和存储介质。设备和存储介质。

【技术实现步骤摘要】
模型训练方法、材料数据处理方法、装置、设备和介质


[0001]本公开涉及人工智能
，尤其涉及深度学习
和工业大数据
更具体地，本公开提供了一种深度学习模型的训练方法、材料数据处理方法、装置、电子设备和存储介质。

技术介绍

[0002]随着人工智能技术的发展，深度学习模型的应用场景不断增加。在金属材料的生产过程中，可以对金属材料进行冷却，以降低最低产品的温度。在冷却过程中，对温度进行准确地控制，可以提高材料的性能和质量。利用深度学习模型处理冷却过程中的相关参数，可以确定出冷却后材料的温度，有助于在冷却过程中准确地控制金属材料的温度。

技术实现思路

[0003]本公开提供了一种深度学习模型的训练方法、材料数据处理方法、装置、设备以及存储介质。
[0004]根据本公开的一方面，提供了一种深度学习模型的训练方法，该方法包括：根据预设冷却知识信息和初始样本数据，生成增强样本数据，其中，初始样本数据包括样本材料的至少一个候选冷却参数的初始值，增强样本数据包括至少一个候选冷却参数的增强值，预设冷却知识信息用于指示候选冷却参数与样本材料的目标冷却温度之间的关系；将增强样本数据输入深度学习模型，得到目标冷却温度的增强样本输出值；根据目标冷却温度的增强样本输出值和目标冷却温度的标签值，得到增强样本损失；根据增强样本损失，训练深度学习模型。
[0005]根据本公开的一方面，提供了一种材料数据处理方法，该方法包括：将目标材料的目标材料数据输入深度学习模型，得到目标输出冷却温度，其中，目标材料数据包括目标材料的至少一个候选冷却参数的检测值，其中，深度学习模型是利用本公开提供的方法训练的。
[0006]根据本公开的另一方面，提供了一种深度学习模块的训练装置，该装置包括：生成模块，用于根据预设冷却知识信息和初始样本数据，生成增强样本数据，其中，初始样本数据包括样本材料的至少一个候选冷却参数的初始值，增强样本数据包括至少一个候选冷却参数的增强值，预设冷却知识信息用于指示候选冷却参数与样本材料的目标冷却温度之间的关系；第一获得模块，用于将增强样本数据输入深度学习模型，得到目标冷却温度的增强样本输出值；第二获得模块，用于根据目标冷却温度的增强样本输出值和目标冷却温度的标签值，得到增强样本损失；以及训练模块，用于根据增强样本损失，训练深度学习模型。
[0007]根据本公开的另一方面，提供了一种材料数据处理装置，该装置包括：第三获得模块，用于将目标材料的目标材料数据输入深度学习模型，得到目标输出冷却温度，其中，目标材料数据包括目标材料的至少一个候选冷却参数的检测值，其中，深度学习模型是利用本公开提供的装置训练的。
[0008]根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行根据本公开提供的方法。
[0009]根据本公开的另一方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，该计算机指令用于使计算机执行根据本公开提供的方法。
[0010]根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现根据本公开提供的方法。
[0011]应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
[0012]附图用于更好地理解本方案，不构成对本公开的限定。其中：
[0013]图1是根据本公开的一个实施例的深度学习模型的训练方法的流程图；
[0014]图2是根据本公开的一个实施例的深度学习模型的训练方法的原理图；
[0015]图3是根据本公开的一个实施例的深度学习模型的示意图；
[0016]图4是根据本公开的一个实施例的深度学习模型的训练方法的原理图；
[0017]图5是根据本公开的一个实施例的材料数据处理方法的流程图；
[0018]图6是根据本公开的一个实施例的深度学习模型的训练装置的框图；
[0019]图7是根据本公开的一个实施例的材料数据处理装置的框图；以及
[0020]图8是根据本公开的一个实施例的可以应用深度学习模型的训练方法和/或材料数据处理方法的电子设备的框图。
具体实施方式
[0021]以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
[0022]以材料是钢板为例，在对钢板进行水冷冷却处理时，相关工艺人员可以调整冷却过程的相关参数，使得钢板最终的冷却温度为预期的温度。例如，在确定了钢板的开始冷却温度以及钢板厚度之后，相关工艺人员可以根据水冷冷却处理的相关经验和工艺标准，调整水冷冷却处理过程中冷却水的水量、辊道速度等参数，使得钢板冷却后的最终温度为预设的温度。然而，基于相关经验来调整参数，可能会导致钢板最终的冷却温度不能达到预期，准确率不高，对工艺人员的依赖性过强。
[0023]在一些实施例中，可以获取一定时期内水冷冷却处理过程的处理数据，作为样本，来训练一个深度学习模型，得到一个数据驱动的材料数据处理模型。该材料数据处理模型可以确定不同参数对应的钢板最终温度。在数据量充足的情况下，纯数据驱动的材料处理模型的准确率较高且泛化能力较强。但在数据量较少或者数据本身存在偏差的情况下，纯数据驱动的材料处理模型的输出结果可能与物理知识或化学知识相悖。
[0024]图1是根据本公开的一个实施例的深度学习模型的训练方法的流程图。
[0025]如图1所示，该方法100可以包括操作S110至操作S140。
[0026]在操作S110，根据预设冷却知识信息和初始样本数据，生成增强样本数据。
[0027]在本公开实施例中，初始样本数据包括样本材料的至少一个候选冷却参数的初始值。例如，样本材料可以包括各种金属材料或各种塑料材料。又例如，样本材料可以是生产或加工过程中需要被冷却的材料。在一个示例中，样本材料可以是钢板。
[0028]在本公开实施例中，候选冷却参数可以是与预设冷却知识信息相关的参数。例如，候选冷却参数的初始值可以来自于样本材料的实际生产或加工过程。
[0029]在本公开实施例中，预设冷却知识信息可以指示候选冷却参数和样本材料的目标冷却温度之间的关系。例如，预设冷却知识信息可以为与材料冷却工艺相关。冷却知识信息可以为物理知识信息和化学知识信息中的至少一种。例如，以预设冷却知识信息是预设物理知识信息且样本材料是钢板为例，一个预设冷却知识信息可以指示以下关系：随着水冷设备的水温的减小，钢板终止冷却时的温度下降值增大。与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习模型的训练方法，包括：根据预设冷却知识信息和初始样本数据，生成增强样本数据，其中，所述初始样本数据包括样本材料的至少一个候选冷却参数的初始值，所述增强样本数据包括至少一个所述候选冷却参数的增强值，所述预设冷却知识信息用于指示所述候选冷却参数与所述样本材料的目标冷却温度之间的关系；将所述增强样本数据输入深度学习模型，得到所述目标冷却温度的增强样本输出值；根据所述目标冷却温度的增强样本输出值和所述目标冷却温度的标签值，得到增强样本损失；以及根据所述增强样本损失，训练所述深度学习模型。2.根据权利要求1所述的方法，其中，所述样本材料包括样本金属材料和样本塑料材料中的至少一种。3.根据权利要求1所述的方法，其中，所述预设冷却知识信息包括第一预设冷却知识信息，所述第一预设冷却知识信息用于指示以下关系：随着所述候选冷却参数的值减小，所述目标冷却温度的下降值增大，在所述预设冷却知识信息为所述第一预设冷却知识信息的情况下，所述增强样本数据包括第一增强样本数据和第二增强样本数据中的至少一个，所述第一增强样本数据包括所述候选冷却参数的第一增强值，所述第二增强样本数据包括所述候选冷却参数的第二增强值，所述根据预设冷却知识信息和初始样本数据，生成增强样本数据包括以下操作至少之一：响应于确定所述预设冷却知识信息为所述第一预设冷却知识信息，根据预设值与所述候选冷却参数的初始值之间的差异信息，生成所述第一增强样本数据；响应于确定所述预设冷却知识信息为所述第一预设冷却知识信息，根据所述预设值与所述候选冷却参数的初始值之间的融合结果，生成所述第二增强样本数据。4.根据权利要求3所述的方法，其中，所述将所述增强样本数据输入深度学习模型，得到所述目标冷却温度的增强样本输出值包括以下操作至少之一：将所述第一增强样本数据输入所述深度学习模型，得到所述目标冷却温度的第一增强样本输出值；将所述第二增强样本数据输入所述深度学习模型，得到所述目标冷却温度的第二增强样本输出值。5.根据权利要求4所述的方法，其中，所述增强样本损失包括第一增强样本损失和第二增强样本损失中的至少一个，所述根据所述目标冷却温度的增强样本输出值和所述目标冷却温度的标签值，得到增强样本损失包括以下操作至少之一：根据所述目标冷却温度的标签值和所述目标冷却温度的第一增强样本输出值，得到所述第一增强样本损失；根据所述目标冷却温度的标签值和所述目标冷却温度的第二增强样本输出值，得到所述第二增强样本损失。6.根据权利要求5所述的方法，其中，所述根据所述目标冷却温度的标签值和所述目标
冷却温度的第一增强样本输出值，得到所述第一增强样本损失包括：利用所述目标冷却温度的标签值减去所述目标冷却温度的第一增强样本输出值，得到第一差异值；根据所述第一预设冷却知识信息，确定第一权重；以及利用所述第一权重处理所述第一差异值，得到所述第一增强样本损失。7.根据权利要求5所述的方法，其中，所述根据所述目标冷却温度的标签值和所述目标冷却温度的第二增强样本输出值，得到所述第二增强样本损失包括：利用所述目标冷却温度的第二增强样本输出值减去所述目标冷却温度的标签值，得到所述第二差异值；根据所述第一预设冷却知识信息，确定第二权重；以及利用所述第二权重处理所述第二差异值，得到所述第二增强样本损失。8.根据权利要求1所述的方法，其中，所述预设冷却知识信息包括第二预设冷却知识信息，所述第二预设冷却知识信息用于指示以下关系：随着所述候选冷却参数的值增大，所述目标冷却温度的下降值增大，在所述预设冷却知识信息为所述第二预设冷却知识信息的情况下，所述增强样本数据包括第三增强样本数据和第四增强样本数据中的至少一个，所述第三增强样本数据包括所述候选冷却参数的第三增强值，所述第四增强样本数据包括所述候选冷却参数的第四增强值，所述根据预设冷却知识信息和初始样本数据，生成增强样本数据包括以下操作至少之一：响应于确定所述预设冷却知识信息为所述第二预设冷却知识信息，根据预设值与所述候选冷却参数的初始值之间的融合结果，生成所述第三增强样本数据；响应于确定所述预设冷却知识信息为所述第二预设冷却知识信息，根据所述预设值与所述候选冷却参数的初始值之间的差异信息，生成所述第四增强样本数据。9.根据权利要求8所述的方法，其中，所述将增强样本数据输入深度学习模型，得到所述目标冷却温度的输出值包括以下操作至少之一：将所述第三增强样本数据输入所述深度学习模型，得到所述目标冷却温度的第三增强样本输出...

【专利技术属性】
技术研发人员：吴怡灵，
申请(专利权)人：百度中国有限公司，
类型：发明
国别省市：