通道系数调整方法技术

本申请公开了一种通道系数调整方法

【技术实现步骤摘要】
通道系数调整方法、装置、存储介质以及计算机设备


[0001]本申请涉及机器学习
，具体而言，涉及一种通道系数调整方法
、
装置
、
存储介质和计算机设备
。

技术介绍

[0002]机器学习是实现人工智能的核心和基础，而人工神经网络算法是人工智能的一种常用实现方式
。
具体来说，是根据人工神经网络算法设计神经网络模型，该神经网络模型中包括大量的卷积核和卷积通道，然后通过大量的训练数据对原始的神经网络模型中的模型参数进行训练，得到训练好的神经网络模型，且训练好的神经网络模型基于任意输入数据进行卷积运算等，得到一个输出数据
。

技术实现思路

[0003]本申请提供一种通道系数调整方法
、
装置
、
存储介质以及计算机设备，可以解决如何提高数据处理模型输出数据的准确度的技术问题
。
[0004]第一方面，本申请实施例提供一种通道系数调整方法，该方法包括：
[0005]基于多媒体任务的处理类型确定数据处理模型的前置本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种通道系数调整方法，其特征在于，所述方法包括：基于多媒体任务的处理类型确定数据处理模型的前置任务；采用所述前置任务对第一多媒体数据集进行数据扩展处理，以得到第二多媒体数据集；将所述第一多媒体数据集输入至所述数据处理模型，以得到所述数据处理模型的第一损失参数；将所述第一多媒体数据集和所述第二多媒体数据集输入至所述数据处理模型进行训练，以得到所述数据处理模型的第二损失参数；基于所述第一损失参数和所述第二损失参数，更新所述数据处理模型中卷积通道的通道重要系数，以得到训练后的数据处理模型
。2.
根据权利要求1所述的方法，其特征在于，所述将所述第一多媒体数据集输入至所述数据处理模型，以得到所述数据处理模型的第一损失参数，包括：基于所述数据处理模型中的基础网络，对所述第一多媒体数据集中多个第一多媒体数据进行卷积运算，得到多个第一数据特征；基于所述数据处理模型中的剪枝网络，对所述第一多媒体数据集中多个第一多媒体数据进行卷积运算，得到多个第二数据特征；基于所述多个第一数据特征和所述多个第二数据特征获取所述数据处理模型的第一损失参数
。3.
根据权利要求1所述的方法，其特征在于，所述将所述第一多媒体数据集和所述第二多媒体数据集输入至所述数据处理模型进行训练，以得到所述数据处理模型的第二损失参数，包括：基于所述数据处理模型中的基础网络，对所述第一多媒体数据集中的多个第一多媒体数据和所述第二多媒体数据集中的多个第二多媒体数据进行卷积运算，得到多个第三数据特征；基于所述数据处理模型中的剪枝网络，对所述第一多媒体数据集中的多个第一多媒体数据和所述第二多媒体数据集中的多个第二多媒体数据进行卷积运算，得到多个第四数据特征；基于所述多个第三数据特征和所述多个第四数据特征获取所述数据处理模型的第二损失参数
。4.
根据权利要求1所述的方法，其特征在于，所述将所述第一多媒体数据集和所述第二多媒体数据集输入至所述数据处理模型进行训练，以得到所述数据处理模型的第二损失参数，包括：遍历所述第一多媒体数据集和所述第二多媒体数据集，以在所述第一多媒体数据集和所述第二多媒体数据集中获取目标多媒体数据，所述目标多媒体数据为所述第一多媒体数据集和所述第二多媒体数据集中的任一多媒体数据；基于所述数据处理模型中的基础网络，对所述目标多媒体数据进行卷积运算，得到第五数据特征；基于所述数据处理模型中的剪枝网络，对所述目标多媒体数据进行卷积运算，得到第六数据特征；
基于所述第五数据特征和所述第六数据特征获取所述数据处理模型的第三损失参数；若所述第一多媒体数据集和所述第二多媒体数据集遍历结束，则基于多个所述第三损失参数获取所述数据处理模型的第二损失参数
。5.
根据权利要求1所述的方法，其特征在于，所述将所述第一多媒体数据集和所述第二多媒体数据集输入至所述数据处理模型进行训练，以得到所述数据处理模型的第二损失参数，包括：基于所述数据处理模型中的剪枝网络，对所述第一多媒体数据集中的多个第一多媒体数据和所述第二多媒体数据集中的多个第二多媒体数据进行卷积运算，得到多个第七数据特征；基于所述多个第七数据特征获取所述数据处理模型的第二损失参数
。6.

【专利技术属性】
技术研发人员：刘松，
申请(专利权)人：OPPO，
类型：发明
国别省市：