[发明专利]一种智能模型的训练方法及装置

说明书

本申请是关于一种智能模型的训练方法及装置，属于人工智能领域。所述方法包括：获取第一训练集和第二训练集，所述第一训练集包括训练特征和所述训练特征对应的参考特征，所述训练特征是根据所述固定层输出的特征图得到的，所述参考特征是所述第一训练层对所述训练特征进行处理得到的，所述第二训练集包括第一训练样本和所述第一训练样本对应的标注信息；根据所述第一训练集和所述第二训练集训练所述第一训练层得到第二训练层，将所述固定层和所述第二训练层组成第二智能模型。本申请能够保留原智能模型的功能，以及减小训练智能模型消耗的时间和计算资源。

技术领域

本申请涉及人工智能技术领域，特别涉及一种智能模型的训练方法及装置。

背景技术

深度学习是学习样本数据的内在规律和表示层次，在学习过程中深度学习网络获得信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析能力，能够识别文字、图像和声音等数据。

在训练深度学习网络之前，很难一次性获取到全部的样本数据。所以只能依据获取的第一批样本数据训练深度学习网络得到智能模型。随着时间推移，获取到新的样本数据，此时再对智能模型进行继续训练。

目前在获取到第一批样本数据时，使用第一批样本数据训练深度学习网络得到智能模型，以及将第一批样本数据进行编码成特征向量。在获取到第二批样本数据，将特征向量还原出第一批样本数据。然后使用第一批样本数据和第二批样本数据训练智能模型。

其中，将特征向量还原出第一批样本数据可能与原来的第一样本数据之间存在差异，这样导致训练的智能模型丢失了原有的功能。另外，使用第一批样本数据和第二批样本数据对智能模型进行重新学习，会消耗大量时间和计算资源。

发明内容

本申请实施例提供了一种智能模型的训练方法及装置，以保留原智能模型的功能，以及减小训练智能模型消耗的时间和计算资源。所述技术方案如下：

一方面，本申请提供了一种智能模型的训练方法，所述第一智能模型包括固定层和第一训练层，所述固定层用于提取目标的特征，所述第一训练层用于基于所述特征对所述目标进行分类或检测，所述方法包括：

获取第一训练集和第二训练集，所述第一训练集包括训练特征和所述训练特征对应的参考特征，所述训练特征是根据所述固定层输出的特征图得到的，所述参考特征是所述第一训练层对所述训练特征进行处理得到的，所述第二训练集包括第一训练样本和所述第一训练样本对应的标注信息；

根据所述第一训练集和所述第二训练集训练所述第一训练层得到第二训练层，将所述固定层和所述第二训练层组成第二智能模型。

可选的，所述根据所述第一训练集和所述第二训练集训练所述第一训练层之后，还包括：

获取第三训练集，所述第三训练集包括第二训练样本和所述第二训练样本对应的标注信息；

根据所述第一训练集、所述第二训练集和所述第三训练集训练第二训练层得到第三训练层，将所述固定层和所述第三训练层组成第三智能模型。

可选的，所述根据所述第一训练集和所述第二训练集训练所述第一训练层得到第二训练层，包括：

将所述训练特征输入到所述第一训练层，所述第一训练层用于对所述训练特征进行处理得到所述训练特征对应的处理结果，获取所述训练特征对应的处理结果；

将所述第一训练样本输入到所述第一智能模型，所述第一智能模型用于对所述第一训练样本进行处理得到所述第一训练样本对应的处理结果，获取所述第一训练样本对应的处理结果；

根据所述训练特征对应的处理结果和参考特征，以及所述第一训练样本对应的处理结果和标注信息调整所述第一训练层的网络参数。

可选的，所述将所述训练特征输入到所述第一训练层之前，还包括：