[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

说明书

本发明实施例公开了一种深度学习模型训练方法及装置、电子设备及存储介质。所述深度学习模型训练方法包括：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。

技术领域

本发明涉及信息技术领域，尤其涉及一种深度学习模型训练方法及装置、 电子设备及存储介质。

背景技术

深度学习模型是利用训练数据进行训练，得到模型参数之后，利用训练好 的模型进行数据的自动分析，该数据分析包括但不限于数据分类和/或数据打标 等。但是训练数据的获得，可能需要能够进行标注。一般深度学习模型需要适 量的训练数据，若训练数据不足，则训练得到的深度学习模型的识别准确度不 够，若训练数据过多，训练得到的深度学习模型的识别准确度并不会进一步上 升，但是大量的训练数据又需要花费大量的人力、物力和/或财力来获得，显然 会导致资源的浪费。

发明内容

本发明实施例期望提供一种深度学习模型训练方法及装置、电子设备及存 储介质。

本发明的技术方案是这样实现的：

一种深度学习模型训练方法，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。

基于上述方案，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。

基于上述方案，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。

基于上述方案，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。

基于上述方案，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。

基于上述方案，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。

基于上述方案，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；