[发明专利]神经网络模型训练方法、装置及电子设备

权利要求书

1.一种神经网络模型训练方法，其特征在于，所述方法包括：

获取训练集，其中，所述训练集包括多个样本图像；

在所述训练集中选取样本图像输入到神经网络模型中进行训练；

获取所述神经网络模型的训练状态信息，其中，所述训练状态信息表示所述神经网络模型的性能；

按照所述训练状态信息，确定当前的性能模式；

按照所述当前的性能模式对应的训练方式，对所述神经网络模型进行训练。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

将待分析图像输入到训练后的所述神经网络模型中进行分析，得到所述待分析图像的分析结果，所述分析结果包括目标检测结果、目标分类结果或目标分割结果中的至少一种。

3.根据权利要求1所述的方法，其特征在于，在所述获取训练集之前，所述方法还包括：

获取多个包括标注信息的样本图像，并将所述多个样本图像划分为训练集、验证集及测试集。

4.根据权利要求1所述的方法，其特征在于，所述按照所述训练状态信息，确定当前的性能模式，包括：

将所述训练状态信息进行量化，得到量化指标；

根据所述量化指标的变化情况，确定当前的性能模式。

5.根据权利要求4所述的方法，其特征在于，所述根据所述量化指标的变化情况，确定当前的性能模式，包括：

在所述量化指标的变化情况表示所述神经网络模型的性能上升时，确定当前的性能模式为性能上升；

在所述量化指标的变化情况表示所述神经网络模型的性能不收敛时，确定当前的性能模式为不收敛；

在所述量化指标的变化情况表示所述神经网络模型的性能稳定时，确定当前的性能模式为性能稳定；

在所述量化指标的变化情况表示所述神经网络模型的性能下降时，确定当前的性能模式为性能下降。

6.根据权利要求1所述的方法，其特征在于，所述性能模式包括性能上升，所述按照所述当前的性能模式对应的训练方式，对所述神经网络模型进行训练，包括：

在所述当前的性能模式为性能上升时，保持当前的训练策略等级，返回上述步骤：在所述训练集中选取样本图像输入到神经网络模型中进行训练，继续执行，其中，初始状态下所述神经网络模型对应最低的训练策略等级。

7.根据权利要求1所述的方法，其特征在于，所述性能模式包括不收敛，所述按照所述当前的性能模式对应的训练方式，对所述神经网络模型进行训练，包括：

在所述当前的性能模式为不收敛时，提升训练策略等级，返回上述步骤：在所述训练集中选取样本图像输入到神经网络模型中进行训练，继续执行，其中，所述训练策略等级越高学习率越小。

8.根据权利要求1所述的方法，其特征在于，所述性能模式包括性能稳定，所述按照所述当前的性能模式对应的训练方式，对所述神经网络模型进行训练，包括：

在所述当前的性能模式为性能稳定时，判断当前的训练策略等级是否为最高；

若当前的训练策略等级为最高，结束训练；

若当前的训练策略等级不为最高，调整训练策略等级，返回上述步骤：在所述训练集中选取样本图像输入到神经网络模型中进行训练，继续执行，其中，所述训练策略等级越高学习率越小。

9.根据权利要求8所述的方法，其特征在于，所述性能模式还包括不收敛，所述若当前的训练策略等级不为最高，调整训练策略等级，包括：

若之前的训练过程中存在性能模式为不收敛的情况、且性能模式为不收敛之后的训练过程中，使用的各训练策略等级均高于性能模式为不收敛时的训练策略等级，则降低训练策略等级，否则提升训练策略等级。