【技术实现步骤摘要】
【国外来华专利技术】
本专利技术涉及机器学习(machine learning，ml)系统，具体涉及用于生成ml模型的系统和方法，其中，ml模型是多个神经网络(neural network，nn)模型的组合。
技术介绍
1、机器学习(machine learning，ml)使用计算机算法，这些算法通过经验和数据自动改进。机器学习算法可以用于根据从训练数据集中获得的训练数据样本来训练ml模型，以学习ml模型的参数集的值，使得训练后的ml模型可以在不进行显式编程的情况下做出预测或决策。神经网络(neural network，nn)模型属于基于生物神经网络结构和功能的ml模型。nn模型被视为非线性统计数据建模工具，其中对训练数据样本中存在的输入和输出之间的复杂关系进行建模，以便能够预测新输入数据样本(“输入样本”)的输出。在本专利技术中，“nn模型”可以指具有特定架构并使用机器学习算法和训练数据集针对特定类型的预测任务进行训练的nn。通常，nn模型通过以下方式提供：首先为nn模型选择架构(“nn模型架构”)，然后使用机器学习算法和训练数据集来学习nn模型的nn参数...
【技术保护点】
1.一种用于生成基于一组源神经网络(neural network，NN)模型的复合NN模型的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述源NN模型分别用于通过将输入样本映射到包括在相应候选标签集中的一个标签预测来生成相应标签预测集，其中，至少一些源NN模型具有不同的相应候选标签集。
3.根据权利要求1或2所述的方法，其特征在于，所述接收到的标签预测集包括指示预测准确性的预测准确性数据，所述选择代表性标签预测用作所述输入样本的伪标签包括根据所述预测准确性数据过滤标签预测。
4.根据权利要求3所述的方法，其特...
【技术特征摘要】
【国外来华专利技术】
1.一种用于生成基于一组源神经网络(neural network，nn)模型的复合nn模型的方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述源nn模型分别用于通过将输入样本映射到包括在相应候选标签集中的一个标签预测来生成相应标签预测集，其中，至少一些源nn模型具有不同的相应候选标签集。
3.根据权利要求1或2所述的方法，其特征在于，所述接收到的标签预测集包括指示预测准确性的预测准确性数据，所述选择代表性标签预测用作所述输入样本的伪标签包括根据所述预测准确性数据过滤标签预测。
4.根据权利要求3所述的方法，其特征在于，所述预测准确性数据包括至少一些标签预测的标签预测置信度值，所述根据所述预测准确性数据过滤标签预测包括从所述接收到的标签预测集中删除不满足阈值标签预测置信度值的标签预测。
5.根据权利要求3所述的方法，其特征在于，所述预测准确性数据包括至少一些标签预测的所有可能标签预测的概率，所述根据所述预测准确性数据过滤标签预测包括：
6.根据权利要求1至5中任一项所述的方法，其特征在于，所述选择代表性标签预测用作所述输入样本的伪标签包括：
7.根据权利要求6所述的方法，其特征在于，所述源nn模型分别用于执行图像分类并输出每个输入样本的最高概率标签预测，其中，所述从所述输入样本的所述标签预测列表中选择所述输入样本的所述代表性标签预测是基于选择具有最高相关概率的标签预测的。
8.根据权利要求1至5中任一项所述的方法，其特征在于，所述源nn模型分别用于执行对象检测任务预测，其中，对象在每个输入样本中检测到并与相应的边界框预测和对象标签预测相关联，所述选择代表性标...
【专利技术属性】
技术研发人员：阿明·巴尼塔莱比·德科迪，康馨予，白小龙，张勇，
申请(专利权)人：华为云计算技术有限公司，
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。