[发明专利]模型训练方法、装置、终端设备及存储介质

权利要求书

1.一种模型训练方法，其特征在于，包括：

将样本池输入目标模型，并根据所述目标模型对所述样本池中的样本数据进行分类预测，得到分类预测结果，所述分类预测结果包括所述样本数据与不同预设分类之间的分类概率；

根据所述分类预测结果分别计算不同所述样本数据的不确定度，所述不确定度用于表征对应所述样本数据与所述预设分类之间的置信程度；

若所述不确定度大于预设值，则将所述不确定度对应的所述样本数据设置为待标注样本，并分别获取所述待标注样本的标注信息；

根据所述标注信息对所述待标注样本进行标注，并根据标注后的所述待标注样本对所述目标模型进行模型训练，直至所述目标模型收敛。

2.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述目标模型对所述样本池中的样本数据进行分类预测，得到分类预测结果，包括：

对所述样本数据进行样本预处理，并将样本预处理后的所述样本数据输入所述目标模型；

控制所述目标模型中的卷积层对所述样本数据进行特征提取，得到样本特征，并控制所述目标模型中的全连接层对所述样本特征进行特征组合，得到组合特征；

计算所述组合特征与不同所述预设分类对应的预设特征之间的相似度，得到所述分类预测结果。

3.根据权利要求2所述的模型训练方法，其特征在于，所述对所述样本数据进行样本预处理，包括：

获取所述样本数据的样本特征，并计算所述样本特征的特征均值和特征标准差；

根据所述特征均值和所述特征标准差对所述样本特征进行标准化处理；

所述根据所述特征均值和所述特征标准差对所述样本特征进行标准化处理所采用的计算公式为：

zij＝(xij－xi)/si

其中，zij是标准化处理后的所述样本特征，xij是标准化处理前的所述样本特征，xi是所述特征均值，si是所述特征标准差。

4.根据权利要求2所述的模型训练方法，其特征在于，所述计算所述组合特征与不同所述预设分类对应的预设特征之间的相似度，得到所述分类预测结果，包括：

分别获取所述组合特征和所述预设特征的特征向量，得到组合向量和预设向量；

根据欧式距离公式分别计算所述组合向量与不同所述预设向量之间的距离，得到所述分类预测结果。

5.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述分类预测结果分别计算不同所述样本数据的不确定度所采用的计算公式为：

uncertainty＝1-max(softmax(M(Sample_m)))

其中，uncertainty是第m个所述样本数据对应的所述不确定度，max(softmax(M(Sample_m)))是第m个所述样本数据与不同所述预设分类之间的最大所述分类概率。

6.根据权利要求1所述的模型训练方法，其特征在于，所述根据样本标注后的所述样本数据对所述目标模型进行模型训练，包括：

根据标注后的所述待标注样本生成样本训练数据，并将所述样本训练数据输入所述目标模型进行模型训练；

若模型训练后的所述目标模型的模型损失值大于损失阈值，则分别计算所述样本训练数据中标注后的所述待标注样本的不确定度；

若标注后的所述待标注样本的不确定度小于或等于所述预设值，则在所述样本训练数据中删除标注后的所述待标注样本；

将删除标注后的所述待标注样本的所述样本训练数据输入所述目标模型进行模型训练，直至模型训练后的所述目标模型的模型损失值小于或等于所述损失阈值，停止所述目标模型的模型训练。

7.根据权利要求1所述的模型训练方法，其特征在于，所述根据所述目标模型对所述样本池中的样本数据进行分类预测，得到分类预测结果之后，还包括：

若所述不确定度小于或等于所述预设值，则在所述样本池中删除所述不确定度对应的所述样本数据。