[发明专利]深度学习模型训练方法及装置、电子设备及存储介质

权利要求书

1.一种深度学习模型训练方法，特征在于，包括：

利用第一模型进行待标注数据进行分类，获得分类参数；

根据所述分类参数，确定所述待标注数据的难分指标；

根据所述难分指标，从所述待标注数据中选择训练数据；

利用所述训练数据对所述第一模型进行优化训练，获得训练后的第二模型。

2.根据权利要求1所述的方法，其特征在于，

所述根据所述分类参数，确定所述待标注数据的难分指标，包括以下至少之一：

根据所述分类参数，确定所述待标注数据的信息熵；

根据所述待标注数据不同类的分类参数，确定所述待标注数据的多样性。

3.根据权利要求2所述的方法，其特征在于，所述根据所述分类参数，确定所述待标注数据的难分指标，还包括：

结合所述信息熵和所述多样性，生成所述难分指标。

4.根据权利要求1至3任一项所述的方法，其特征在于，所述根据所述难分指标，从所述待标注数据中选择训练数据，包括：

对所述难分指标进行排序；

根据排序的序号及所述难分指标，确定排序梯度；

根据排序梯度和所述梯度阈值确定出分割位置；

基于所述分割位置及排序的结果，从所述待标注数据选择所述训练数据。

5.根据权利要求4所述的方法，其特征在于，所述基于所述分割位置及排序的结果，从所述待标注数据选择所述训练数据，还包括：

确定样本上限值；

确定基于分割位置确定的备选样本数量是否大于样本上限值S_max；

若备选样本数量不大于S_max，确定所有备选样本为所述训练数据。

6.根据权利要求5所述的方法，其特征在于，所述基于所述分割位置及排序的结果，从所述待标注数据选择所述训练数据，还包括：

若所述备选样本数量大于所述样本上限，选择难分指标较大的S_max个所述备选样本作为所述训练数据。

7.根据权利要求1至3任一项所述的方法，其特征在于，所述方法还包括：

根据测试数据的难分指标和/或所述测试数据所对应标注结果的不一致性，确定损失函数参数；

利用所述损失函数参数，及所述第二模型对所述测试数据的分类参数，确定测试数据的损失值；

根据所述损失值，确定继续或停止模型训练。

8.根据权利要求7所述的方法，其特征在于，所述方法还包括：

根据一个所述测试数据的标注者数目及标注结果所对应的分类数目，确定所述不一致性。

9.一种深度学习模型训练装置，其特征在于，包括：

获得模块，用于利用第一模型进行待标注数据进行分类，获得分类参数；

确定模块，用于根据所述分类参数，确定所述待标注数据的难分指标；

选择模块，用于根据所述难分指标，从所述待标注数据中选择训练数据；

第二获得模块，用于利用所述训练数据对所述第一模型进行优化训练，获得训练后的第二模型。

10.一种电子设备，其特征在于，包括：

存储器，

处理器，与所述存储器连接，用于通过存储在所述存储器上的计算机可执行指令，实现权利要求1至8任一项提供的方法。

11.一种计算机存储介质，所述计算机存储介质存储有计算机可执行指令；所述计算机可执行指令，被执行后能够实现权利要求1至8任一项提供的方法。