【技术实现步骤摘要】
本申请涉及人工智能，特别是涉及图文数据处理的训练模型。
技术介绍
1、学习是智能系统适应动态环境的基础。人类和其他生物通过不断获取、更新、积累和利用知识展示了强大的适应能力。期望人工智能系统也能以类似的方式进行适应，这促使了对持续学习的研究。在人工智能领域，持续学习是一个关键的研究课题，它旨在使机器学习模型能够在不断接收新数据的同时，有效地保持和更新已有的知识。随着多模态数据的日益普及，如何评估和优化这些模型在处理图文等复杂数据时的持续学习能力变得尤为重要。
2、持续学习(continual learning，cl)是指从动态数据分布中进行学习。持续学习典型的设定是逐一学习内容，并表现得如同这些内容是同时观察到的一样。持续学习也常被称为增量学习或终身学习，强调在现实环境中的实际挑战。在实际中，不同分布的训练样本依次到达，持续学习模型需要在有限甚至没有访问旧训练样本的情况下学习相应的任务，并在其测试集中表现良好。在持续学习中，训练样本可以以增量方式逐批到达，或同时到达。
3、持续学习需要解决三个问题：一是知识记忆，...
【技术保护点】
1.一种用于图文数据处理的模型持续学习测试方法，其特征在于：所述方法包括：
2.根据权利要求1所述的用于图文数据处理的模型持续学习测试方法，其特征在于：所述获取分别由所述第一待测模型和所述第二待测模型在所述第一持续学习任务和所述第二持续学习任务不同时刻的矩阵熵和矩阵条件熵包括：
3.根据权利要求2所述的用于图文数据处理的模型持续学习测试方法，其特征在于：所述第一归一化协方差矩阵和所述第二归一化协方差矩阵的获取方式为：
4.根据权利要求2或3所述的用于图文数据处理的模型持续学习测试方法，其特征在于：所述矩阵熵的计算方式为：
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。