欧美在线观看视频网站,亚洲熟妇色自偷自拍另类,啪啪伊人网,中文字幕第13亚洲另类,中文成人久久久久影院免费观看 ,精品人妻人人做人人爽,亚洲a视频

深度學(xué)習(xí)模型訓(xùn)練方法、裝置、設(shè)備及介質(zhì)與流程

文檔序號:40507991發(fā)布日期:2024-12-31 13:16閱讀:11來源:國知局
深度學(xué)習(xí)模型訓(xùn)練方法、裝置、設(shè)備及介質(zhì)與流程

本公開涉及計算機,尤其涉及一種深度學(xué)習(xí)模型訓(xùn)練方法、裝置、設(shè)備及介質(zhì)。


背景技術(shù):

1、深度學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域中的一個新的研究方向,指的是一種基于人工神經(jīng)網(wǎng)絡(luò)模型對特定任務(wù)進行學(xué)習(xí)和推斷的機器學(xué)習(xí)技術(shù)。該技術(shù)的主要優(yōu)勢在于它可以從原始數(shù)據(jù)中自動地學(xué)習(xí)和提取關(guān)鍵特征,從而可以減少對相關(guān)領(lǐng)域?qū)I(yè)知識的依賴,并且應(yīng)用場景涵蓋了圖像、語音、自然語言處理等多個領(lǐng)域。深度學(xué)習(xí)模型通常是指由一系列的神經(jīng)網(wǎng)絡(luò)模型如循環(huán)神經(jīng)網(wǎng)絡(luò)模型(recurrent?neural?network,rnn)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional?neural?networks,cnn)等相互連接組成的學(xué)習(xí)模型,深度學(xué)習(xí)模型在執(zhí)行深度學(xué)習(xí)任務(wù)中扮演了至關(guān)重要的角色。

2、現(xiàn)有的深度學(xué)習(xí)模型訓(xùn)練過程中,通常是通過對相互連接的一系列神經(jīng)網(wǎng)絡(luò)模型中的每個神經(jīng)網(wǎng)絡(luò)模型分別進行訓(xùn)練,得到訓(xùn)練好的每個神經(jīng)網(wǎng)絡(luò)模型,然后將訓(xùn)練好的每個神經(jīng)網(wǎng)絡(luò)模型進行相互連接得到訓(xùn)練好的深度學(xué)習(xí)模型。

3、因此,訓(xùn)練好的深度學(xué)習(xí)模型中相互連接的一系列神經(jīng)網(wǎng)絡(luò)模型之間無法直接進行數(shù)據(jù)交互,各個端點的神經(jīng)網(wǎng)絡(luò)模型需要和主控制節(jié)點的神經(jīng)網(wǎng)絡(luò)模型進行交互,來實現(xiàn)數(shù)據(jù)之間的進一步交互,造成深度學(xué)習(xí)模型計算效率低和計算時間長的問題。


技術(shù)實現(xiàn)思路

1、為了解決上述技術(shù)問題,本公開提供了一種深度學(xué)習(xí)模型訓(xùn)練方法、裝置、設(shè)備及介質(zhì),其中,待訓(xùn)練的深度學(xué)習(xí)模型包括三級模型、一級模型和二級模型,三級模型與一級模型之間串聯(lián)連接,一級模型和二級模型之間串聯(lián)連接。

2、本公開實施例的第一方面提供了一種深度學(xué)習(xí)模型訓(xùn)練方法,該方法包括:

3、獲取三級模型對應(yīng)的第一樣本數(shù)據(jù)集、一級模型對應(yīng)的第二樣本數(shù)據(jù)集和二級模型對應(yīng)的第三樣本數(shù)據(jù)集,第一樣本數(shù)據(jù)集中包含與第二樣本數(shù)據(jù)集和第三樣本數(shù)據(jù)集所屬領(lǐng)域的樣本數(shù)據(jù);第二樣本數(shù)據(jù)集中包含與第三樣本數(shù)據(jù)集所屬領(lǐng)域的樣本數(shù)據(jù);

4、將第一樣本數(shù)據(jù)集輸入至三級模型,以使三級模型輸出第一結(jié)果;

5、對第一結(jié)果、第一樣本數(shù)據(jù)集和第二樣本數(shù)據(jù)集進行預(yù)處理,得到第四樣本數(shù)據(jù)集,將第四樣本數(shù)據(jù)集輸入至一級模型,以使一級模型輸出第二結(jié)果;

6、對第一結(jié)果、第二結(jié)果、第二樣本數(shù)據(jù)集和第三樣本數(shù)據(jù)集進行預(yù)處理,得到第五樣本數(shù)據(jù)集,基于第五樣本數(shù)據(jù)集對二級模型進行訓(xùn)練,得到訓(xùn)練好的深度學(xué)習(xí)模型,其中,在對待訓(xùn)練的深度學(xué)習(xí)模型進行訓(xùn)練時采用自監(jiān)督訓(xùn)練的方式。

7、本公開實施例的第二方面提供了一種深度學(xué)習(xí)模型訓(xùn)練裝置,該裝置包括:

8、數(shù)據(jù)獲取模塊,用于獲取三級模型對應(yīng)的第一樣本數(shù)據(jù)集、一級模型對應(yīng)的第二樣本數(shù)據(jù)集和二級模型對應(yīng)的第三樣本數(shù)據(jù)集,第一樣本數(shù)據(jù)集中包含與第二樣本數(shù)據(jù)集和第三樣本數(shù)據(jù)集所屬領(lǐng)域的樣本數(shù)據(jù);第二樣本數(shù)據(jù)集中包含與第三樣本數(shù)據(jù)集所屬領(lǐng)域的樣本數(shù)據(jù);

9、第一輸入模塊,用于將第一樣本數(shù)據(jù)集輸入至三級模型,以使三級模型輸出第一結(jié)果;

10、第二輸入模塊,用于對第一結(jié)果、第一樣本數(shù)據(jù)集和第二樣本數(shù)據(jù)集進行預(yù)處理,得到第四樣本數(shù)據(jù)集,將第四樣本數(shù)據(jù)集輸入至一級模型,以使一級模型輸出第二結(jié)果;

11、第三輸入模塊,用于對第一結(jié)果、第二結(jié)果、第二樣本數(shù)據(jù)集和第三樣本數(shù)據(jù)集進行預(yù)處理,得到第五樣本數(shù)據(jù)集,基于第五樣本數(shù)據(jù)集對二級模型進行訓(xùn)練,得到訓(xùn)練好的深度學(xué)習(xí)模型,其中,在對待訓(xùn)練的深度學(xué)習(xí)模型進行訓(xùn)練時采用自監(jiān)督訓(xùn)練的方式。

12、本公開實施例的第三方面提供了一種電子設(shè)備,該設(shè)備包括:

13、存儲器;

14、處理器;以及

15、計算機程序,其中,計算機程序存儲在存儲器中,并被配置為由處理器執(zhí)行以實現(xiàn)如上述第一方面所述的深度學(xué)習(xí)模型訓(xùn)練方法。

16、本公開實施例的第四方面提供了一種計算機可讀存儲介質(zhì),其上存儲有計算機程序,當(dāng)計算機程序被處理器執(zhí)行時,實現(xiàn)如上述第一方面所述的深度學(xué)習(xí)模型訓(xùn)練方法。

17、本公開實施例提供的技術(shù)方案與現(xiàn)有技術(shù)相比具有如下優(yōu)點:

18、本公開實施例提供的深度學(xué)習(xí)模型訓(xùn)練方法、裝置、設(shè)備及介質(zhì),能夠通過獲取三級模型對應(yīng)的第一樣本數(shù)據(jù)集、一級模型對應(yīng)的第二樣本數(shù)據(jù)集和二級模型對應(yīng)的第三樣本數(shù)據(jù)集,第一樣本數(shù)據(jù)集中包含與第二樣本數(shù)據(jù)集和第三樣本數(shù)據(jù)集所屬領(lǐng)域的樣本數(shù)據(jù);第二樣本數(shù)據(jù)集中包含與第三樣本數(shù)據(jù)集所屬領(lǐng)域的樣本數(shù)據(jù),將第一樣本數(shù)據(jù)集輸入至三級模型,以使三級模型輸出第一結(jié)果,對第一結(jié)果、第一樣本數(shù)據(jù)集和第二樣本數(shù)據(jù)集進行預(yù)處理,得到第四樣本數(shù)據(jù)集,將第四樣本數(shù)據(jù)集輸入至一級模型,以使一級模型輸出第二結(jié)果,對第一結(jié)果、第二結(jié)果、第二樣本數(shù)據(jù)集和第三樣本數(shù)據(jù)集進行預(yù)處理,得到第五樣本數(shù)據(jù)集,基于第五樣本數(shù)據(jù)集對二級模型進行訓(xùn)練,得到訓(xùn)練好的深度學(xué)習(xí)模型,其中,在對待訓(xùn)練的深度學(xué)習(xí)模型進行訓(xùn)練時采用自監(jiān)督訓(xùn)練的方式,由此,通過三級模型、一級模型之間串聯(lián)連接,一級模型和二級模型之間串聯(lián)連接,同時三級模型、一級模型和二級模型中輸入的樣本數(shù)據(jù)集之間部分并聯(lián)的方式,確保了三級模型、一級模型和二級模型之間的數(shù)據(jù)交互,進而提高了得到的訓(xùn)練好的深度學(xué)習(xí)模型的計算效率同時減少了計算時長。



技術(shù)特征:

1.一種深度學(xué)習(xí)模型訓(xùn)練方法,其特征在于,所述方法包括:

2.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述對所述第一結(jié)果、所述第一樣本數(shù)據(jù)集和所述第二樣本數(shù)據(jù)集進行預(yù)處理,得到第四樣本數(shù)據(jù)集,包括:

3.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述對所述第一結(jié)果、所述第二結(jié)果、所述第二樣本數(shù)據(jù)集和所述第三樣本數(shù)據(jù)集進行所述預(yù)處理,得到第五樣本數(shù)據(jù)集,包括:

4.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述方法還包括:

5.根據(jù)權(quán)利要求4所述的方法,其特征在于,所述對所述標(biāo)準(zhǔn)單元進行目標(biāo)處理,得到所述深度學(xué)習(xí)模型,包括:

6.一種深度學(xué)習(xí)模型訓(xùn)練裝置,其特征在于,所述裝置包括:

7.根據(jù)權(quán)利要求6所述的裝置,其特征在于,所述第二輸入模塊包括第一篩選單元、第二篩選單元和第一預(yù)處理單元;

8.根據(jù)權(quán)利要求6所述的裝置,其特征在于,所述第三輸入模塊包括第三篩選單元、第四篩選單元、第五篩選單元和第二預(yù)處理單元;

9.一種電子設(shè)備,其特征在于,包括:

10.一種計算機可讀存儲介質(zhì),其上存儲有計算機程序,其特征在于,所述計算機程序被處理器執(zhí)行時實現(xiàn)如權(quán)利要求1-5中任一項所述的方法。


技術(shù)總結(jié)
本公開涉及一種深度學(xué)習(xí)模型訓(xùn)練方法、裝置、設(shè)備及介質(zhì),其中,待訓(xùn)練的深度學(xué)習(xí)模型包括三級模型、一級模型和二級模型,三級模型與一級模型之間串聯(lián)連接,一級模型和二級模型之間串聯(lián)連接,該深度學(xué)習(xí)模型訓(xùn)練方法包括:獲取第一樣本數(shù)據(jù)集、第二樣本數(shù)據(jù)集和第三樣本數(shù)據(jù)集;將第一樣本數(shù)據(jù)集輸入至三級模型得到第一結(jié)果;基于第一結(jié)果得到第四樣本數(shù)據(jù)集,將第四樣本數(shù)據(jù)集輸入至一級模型得到第二結(jié)果;根據(jù)第一結(jié)果、第二結(jié)果、第二樣本數(shù)據(jù)集和第三樣本數(shù)據(jù)集得到第五樣本數(shù)據(jù)集,基于第五樣本數(shù)據(jù)集對二級模型進行訓(xùn)練,得到訓(xùn)練好的深度學(xué)習(xí)模型,由此,提高得到的訓(xùn)練好的深度學(xué)習(xí)模型的計算效率減少了計算時長。

技術(shù)研發(fā)人員:文連
受保護的技術(shù)使用者:北京羅克維爾斯科技有限公司
技術(shù)研發(fā)日:
技術(shù)公布日:2024/12/30
網(wǎng)友詢問留言 已有0條留言
  • 還沒有人留言評論。精彩留言會獲得點贊!
1
五寨县| 石狮市| 元谋县| 榆社县| 寻甸| 唐河县| 乌兰浩特市| 岳阳县| 乐都县| 清原| 博客| 喀喇沁旗| 石台县| 仙居县| 丰城市| 石林| 淮阳县| 克拉玛依市| 大名县| 诸城市| 扎兰屯市| 巴东县| 湾仔区| 祥云县| 清水县| 天峻县| 红桥区| 沙雅县| 长葛市| 涞源县| 通道| 南通市| 合作市| 禄劝| 皮山县| 崇文区| 永胜县| 梧州市| 丰原市| 揭阳市| 海阳市|