[发明专利]快速模型的训练方法、装置、计算机设备及存储介质

说明书

本发明实施例公开了一种快速模型的训练方法、装置、计算机设备及存储介质，包括：获取预设的训练样本图像；将所述训练样本图像输入到预设的辅助训练模型和初始的快速模型中；计算所述辅助训练模型提取的训练样本图像的特征向量与所述快速模型提取的训练样本图像的特征向量之间的特征距离；通过对所述特征距离进行反向传播，以校正所述快速模型中的权重参数。通过在对快速模型进行训练时，无需对参与训练的样本图像进行标记，节约了标记所需要的时间和花费的精力，提高了训练的速度。直接计算辅助模型输出的表征样本图像特征的特征向量，与快速模型输出的表征样本图像特征的特征向量之间的距离并进行反向传播，能够最大限度的缩短训练时间。

技术领域

本发明实施例涉及模型训练领域，尤其是一种快速模型的训练方法、装置、计算机设备及存储介质。

背景技术

模拟人类实际神经网络的数学方法问世以来，人们已慢慢习惯了把这种人工神经网络直接称为神经网络。神经网络在系统辨识、模式识别、智能控制等领域有着广泛而吸引人的前景，特别在智能控制中，人们对神经网络的自学习功能尤其感兴趣，并且把神经网络这一重要特点看作是解决自动控制中控制器适应能力这个难题的关键钥匙之一。

现有技术中，为了使神经网络模型具有对某一类或者多个类型的图像具有准确分类的能力，需要对初始化的神经网络模型进行训练。其中，训练的方式为：收集一定量级的样本图像，为了使训练至收敛的神经网络模型的鲁棒性更好，需要的训练样本往往是海量的。训练时首先对训练样本进行人为标定，然后将样本图像输入到神经网络模型中，得到神经网络模型输出的分类结果。比对分类结果和人为标定是否一致，不一致时通过反向算法校正神经网络模型的权值，使神经网络模型逐渐的收敛，由于，模型训练时输出的随机性很强，因此，训练过程极为漫长。

本发明创造的发明人在研究中发现，现有技术中为提高神经网络模型的准确性，往往需要投入大量的样本图像花费大量的时间才能够将神经网络模型训练至收敛状态，而在不具有上述条件的环境下，神经网络模型往往无法进行训练，或者训练得到的神经网络模型稳定性差准确性较低。

发明内容

本发明实施例提供能够通过辅助训练模型在少量样本和较短时间能够将模型，训练至收敛的快速模型的训练方法、装置、计算机设备及存储介质。

为解决上述技术问题，本发明创造的实施例采用的一个技术方案是：提供一种快速模型的训练方法，包括：

获取预设的训练样本图像；

将所述训练样本图像输入到预设的辅助训练模型和初始的快速模型中，其中，所述辅助训练模型为预先训练至收敛状态用于提取图像特征向量的神经网络模型，所述快速模型为待训练的神经网络模型；

计算所述辅助训练模型提取的训练样本图像的特征向量与所述快速模型提取的训练样本图像的特征向量之间的特征距离；

通过对所述特征距离进行反向传播，以校正所述快速模型中的权重参数。

可选地，所述通过对所述特征距离进行反向传播，以校正所述快速模型中的权重参数之前还包括：

将所述特征距离与预设的第一阈值进行比对；

当所述特征距离大于所述第一阈值时，确认对所述特征距离进行反向传播。

可选地，所述通过对所述特征距离进行反向传播，以校正所述快速模型中的权重参数之后还包括：

反复迭代将所述训练样本图像输入到所述辅助训练模型和所述快速模型中，至所述特征距离小于等于所述第一阈值时，确认所述训练样本图像的训练结束。

可选地，所述特征距离包括欧氏距离和/或余弦距离，所述计算所述辅助训练模型提取的训练样本图像的特征向量与所述快速模型提取的训练样本图像的特征向量之间的特征距离包括：