[发明专利]模型训练方法、装置、设备和存储介质

说明书

本申请涉及一种模型训练方法、装置、设备和存储介质，计算机设备获取计算机视觉任务的训练样本集，训练样本集包括多个训练样本和每个训练样本的识别标签，并将多个训练样本作为初始神经网络模型的输入，将对应的训练样本的识别标签作为初始神经网络模型的参考输出，以基于平均绝对误差函数MAE和交叉熵函数CCE进行融合后得到的目标损失函数的值，对初始神经网络模型进行训练，得到目标神经网络模型，也即是说，本申请所提供的模型训练方法，通过MAE提高了神经网络模型对错误样本的鲁棒性，同时通过CCE提高了根据目标损失函数得到的神经网络模型的准确度，使得训练样本集中存在错误样本时，通过目标损失函数得到的神经网络模型的识别准确度。

技术领域

本申请涉及数据处理技术领域，特别是涉及了一种模型训练方法、装置、设备和存储介质。

背景技术

计算机设备视觉任务中，通常采用神经网络模型进行数据处理。

在执行计算机设备视觉任务时，以训练用于识别图像的神经网络为例，通常是将待识别图像输入神经网络模型中，通过神经网络模型输出图像的识别结果。在通过神经网络模型处理视觉任务之前时，通常会先将大量的样本数据作为神经网络模型的输入，将样本数据对应的标签作为神经网络模型的参考输出，进而根据样本数据的标签与神经网络模型输出的结果之间的偏差，调整神经网络模型的参数，得到最终的神经网络模型，该过程被称为训练神经网络模型。

然而，上述训练过程所训练的神经网络模型在执行例如图像识别的任务时，其识别准确度不高。

发明内容

基于此，有必要针对传统方法所训练的神经网络模型识别准确度不高的问题，提供了一种模型训练方法、装置、设备和存储介质。

第一方面，一种模型训练方法，该方法包括：

计算机设备获取计算机视觉任务的训练样本集，训练样本集包括多个训练样本和每个训练样本的识别标签；

计算机设备将多个训练样本作为初始神经网络模型的输入，将对应的训练样本的识别标签作为初始神经网络模型的参考输出，以目标损失函数的值对初始神经网络模型进行训练，得到目标神经网络模型；

其中，目标损失函数为基于平均绝对误差函数MAE和分类交叉熵函数CCE进行融合后得到的函数。

在其中一个实施例中，上述目标损失函数的获取方法，包括：

计算机设备基于训练样本集，获取训练样本集中错误样本的占比信息；

计算机设备根据占比信息确定与错误样本数量有关的权重因子；

计算机设备根据权重因子、MAE和CCE确定目标损失函数。

在其中一个实施例中，上述权重因子为q，q的范围为不小于0且不大于1，计算机设备根据权重因子、MAE和CCE确定目标损失函数，包括：

根据公式q*MAE+(1-q)*CCE确定目标损失函数。

在其中一个实施例中，上述占比信息所指示的错误样本的占比越大，则权重因子越大；占比信息所指示的错误样本的占比越小，则权重因子越小。

在其中一个实施例中，上述计算机设备根据占比信息确定与错误样本数量有关的权重因子，包括：

计算机设备根据占比信息自适应确定多个权重因子；

对应的，计算机设备根据权重因子、MAE和CCE确定目标损失函数，包括:

计算机设备根据多个权重因子、MAE和CCE确定多个候选损失函数；

计算机设备根据每个候选损失函数对应的神经网络模型与计算机设备的计算资源匹配度，确定目标损失函数；目标损失函数对应的神经网络模型与计算机设备的计算资源的匹配度最高。