[发明专利]生成样本数据的方法和装置

权利要求书

1.一种生成样本数据的方法，包括：

获取初始的预测器模型，并通过多轮迭代操作对预测器模型进行迭代优化，所述预测器模型表征训练样本数据与基于所述训练样本数据训练后的神经网络模型的性能之间的关系；

响应于确定迭代优化后的预测器模型达到预设的收敛条件，利用迭代优化后的预测器模型生成目标样本数据；

其中，所述迭代操作包括：

采用当前的预测器模型，预测具有预设性能的神经网络模型对应的训练样本数据，作为当前样本数据，其中，所述训练样本数据为图像数据、文本数据或音频数据；

基于所述当前样本数据训练预设神经网络模型，并获取训练后的预设神经网络模型的实际性能；

根据所述预设性能与所述实际性能之间的偏差更新所述预测器模型的参数，所述预设性能包括预设的准确率范围、预设的召回率范围和预设的硬件延时范围。

2.根据权利要求1所述的方法，其中，所述迭代操作还包括：

响应于确定当前的迭代操作中更新后的所述预测器模型的参数与所述预测器模型的当前最优参数之间的距离不小于预设的距离阈值，根据预设的参数分布指标从所述基于所述当前的迭代操作中更新后的所述预测器模型的参数和所述当前最优参数中选择较优的，作为新的当前最优参数，基于新的当前最优参数更新所述预测器模型并执行下一轮所述迭代操作。

3.根据权利要求2所述的方法，其中，所述迭代操作还包括：

响应于确定当前的迭代操作中更新后的所述预测器模型的参数与所述预测器模型的当前最优参数之间的距离小于预设的距离阈值，将所述预测器模型的未更新轮次加1，其中，所述预测器模型的未更新轮次的初始值为0；

响应于确定当前的迭代操作中更新后的所述预测器模型的参数与所述预测器模型的当前最优参数之间的距离不小于预设的距离阈值，将所述预测器模型的未更新轮次重置为0；

其中，所述预设的收敛条件包括：所述预测器模型的未更新轮次达到预设的次数阈值。

4.根据权利要求1-3任一项所述的方法，其中，所述利用迭代优化后的预测器模型生成目标样本数据，包括：

利用所述预测器模型预测候选样本集合对应的神经网络模型的性能信息，其中候选样本集合从预设的样本数据搜索空间中采样得出；

根据所述候选样本集合的性能信息的预测结果确定出至少一个候选样本集合作为目标样本数据。

5.根据权利要求4所述的方法，其中，所述根据所述候选样本集合的性能信息的预测结果确定出至少一个候选样本集合作为目标样本数据，包括：

获取与目标样本数据对应的媒体数据处理任务的预设性能需求信息；

将性能信息的预测结果满足所述预设性能需求信息的候选样本集合中的样本数据，作为目标样本数据。

6.一种生成样本数据的装置，包括：

优化单元，被配置为获取初始的预测器模型，并通过多轮迭代操作对预测器模型进行迭代优化，所述预测器模型表征训练样本数据与基于所述训练样本数据训练后的神经网络模型的性能之间的关系；

生成单元，被配置为响应于确定迭代优化后的预测器模型达到预设的收敛条件，利用迭代优化后的预测器模型生成目标样本数据；

其中，所述优化单元包括预测子单元、训练子单元以及第一更新子单元；

所述预测子单元，被配置为执行所述迭代操作中的如下步骤：采用当前的预测器模型，预测具有预设性能的神经网络模型对应的训练样本数据，作为当前样本数据，其中，所述训练样本数据为图像数据、文本数据或音频数据；

所述训练子单元，被配置为执行所述迭代操作中的如下步骤：基于所述当前样本数据训练预设神经网络模型，并获取训练后的预设神经网络模型的实际性能；

所述第一更新子单元，被配置为执行所述迭代操作中的如下步骤：根据所述预设性能与所述实际性能之间的偏差更新所述预测器模型的参数，所述预设性能包括预设的准确率范围、预设的召回率范围和预设的硬件延时范围。