[发明专利]一种神经网络模型的训练方法及装置

权利要求书

1.一种神经网络模型的训练方法，其特征在于，所述方法应用于终端设备，所述终端设备包括用于处理业务的第一神经网络模型和第二神经网络模型，所述第一神经网络模型的精度小于所述第二神经网络模型的精度；所述方法包括：

获取所述终端设备在设定周期内生成的所述业务的标注数据；

使用所述设定周期内生成的所述业务的标注数据对所述第二神经网络模型进行训练，得到训练后的第二神经网络模型；

根据所述训练后的第二神经网络模型，对所述第一神经网络模型进行更新。

2.根据权利要求1所述的方法，其特征在于，所述得到训练后的第二神经网络模型之后，对所述第一神经网络模型进行更新之前，还包括：

若确定所述训练后的第二神经网络模型为第一版本对应的第二神经网络模型的首次更新，则保存所述第一神经网络模型；

对所述第一神经网络模型进行更新之后，还包括：

接收云端服务器发送的第二版本软件包；所述第二版本软件包中包括第二版本对应的第一神经网络模型；

若确定所述第二版本对应的第一神经网络模型和保存的所述第一神经网络模型不相同，则对所述第二版本对应的第一神经网络模型进行更新。

3.根据权利要求2所述的方法，其特征在于，对所述第二版本对应的第一神经网络模型进行更新，包括：

获取多个历史设定周期内生成的所述业务的标注数据；

使用所述多个历史设定周期内生成的所述业务的标注数据对所述第二版本对应的第二神经网络模型进行训练，得到第二版本对应的训练后的第二神经网络模型；

根据所述第二版本对应的训练后的第二神经网络模型，对所述第二版本对应的第一神经网络模型进行更新。

4.根据权利要求1至3中任一项所述的方法，其特征在于，所述终端设备在设定周期内通过如下方式生成所述业务的标注数据：

在设定周期内使用所述第一神经网络模型对所述业务的第一输入数据进行在线推理，得到在线推理结果；

若接收到用户对所述在线推理结果的有效反馈，则根据所述第一输入数据和所述用户对所述在线推理结果的有效反馈生成所述业务的标注数据；若未接收到所述用户对所述在线推理的有效反馈，则确定所述在线推理结果的可信度大于第一阈值后，根据所述第一输入数据和所述在线推理结果生成所述业务的标注数据。

5.根据权利要求1至3中任一项所述的方法，其特征在于，所述终端设备在设定周期内通过如下方式生成所述业务的标注数据：

在设定周期内使用第三神经网络模型对所述业务的第二输入数据进行离线推理，得到离线推理结果；所述第三神经网络模型的精度高于所述第二神经网络模型的精度，或者，所述第三神经网络模型为所述第二神经网络模型；

若确定所述离线推理结果的可信度大于第二阈值，则根据所述第二输入数据和所述离线推理结果生成所述业务的标注数据。

6.根据权利要求1至3中任一项所述的方法，其特征在于，所述使用设定周期内生成的所述业务的标注数据对所述第二神经网络模型进行训练，包括：

在所述终端设备处于充电状态时，使用设定周期内生成的所述业务的标注数据对所述第二神经网络模型进行训练。

7.一种终端设备，其特征在于，所述终端设备包括用于处理业务的第一神经网络模型和第二神经网络模型，所述第一神经网络模型的精度小于所述第二神经网络模型的精度；所述终端设备还包括：

获取模块，用于获取所述终端设备在设定周期内生成的所述业务的标注数据；

处理模块，用于使用所述设定周期内生成的所述业务的标注数据对所述第二神经网络模型进行训练，得到训练后的第二神经网络模型；以及，根据所述训练后的第二神经网络模型，对所述第一神经网络模型进行更新。