[发明专利]一种神经网络的训练方法及装置、电子设备及存储介质

权利要求书

1.一种神经网络的训练方法，其特征在于，所述方法包括：

通过神经网络对干净数据和噪声数据进行处理，得到所述干净数据对应的干净结果和所述噪声数据对应的噪声结果，所述干净数据标注有干净标签，所述噪声数据标注有噪声标签；所述干净数据和所述噪声数据的类型是图片；其中，通过神经网络对干净数据和噪声数据进行处理之前，还包括：将数据集中的各个图片的尺寸进行归一化，所述数据集包括所述干净数据和所述噪声数据；

根据所述干净结果、所述干净标签、所述噪声结果以及所述噪声标签，训练所述神经网络；

其中，所述神经网络包括特征提取器、干净分类器以及噪声分类器；

所述通过神经网络对干净数据和噪声数据进行处理，得到所述干净数据对应的干净结果和所述噪声数据对应的噪声结果，包括：

通过所述特征提取器对所述干净数据进行处理，得到所述干净数据对应的第一特征数据；

通过所述特征提取器对所述噪声数据进行处理，得到所述噪声数据对应的第二特征数据；

通过所述干净分类器对所述第一特征数据进行处理，并基于得到的第一处理结果确定所述干净数据对应的干净结果；

通过所述干净分类器和所述噪声分类器对所述第二特征数据进行处理，并基于得到的第二处理结果确定所述噪声数据对应的噪声结果。

2.根据权利要求1所述的方法，其特征在于，所述通过所述干净分类器和所述噪声分类器对所述第二特征数据进行处理，包括：

通过所述干净分类器对所述第二特征数据进行处理，得到第一处理子结果；

通过所述噪声分类器对所述第二特征数据进行处理，得到第二处理子结果；

根据所述第一处理子结果和所述第二处理子结果，确定所述第二处理结果。

3.根据权利要求2所述的方法，其特征在于，所述根据所述第一处理子结果和所述第二处理子结果，确定所述第二处理结果，包括：

将所述第一处理子结果和所述第二处理子结果进行相加运算，得到所述第二处理结果。

4.根据权利要求1所述的方法，其特征在于，所述基于得到的第一处理结果确定所述干净数据对应的干净结果，包括：

对所述第一处理结果进行归一化处理，得到所述干净数据对应的干净结果；

所述基于得到的第二处理结果确定所述噪声数据对应的噪声结果，包括：

对所述第二处理结进行归一化处理，得到所述噪声数据对应的噪声结果。

5.根据权利要求1所述的方法，其特征在于，所述根据所述干净结果、所述干净标签、所述噪声结果以及所述噪声标签，训练所述神经网络，包括：

根据所述干净结果、所述干净标签、所述噪声结果以及所述噪声标签，确定目标损失值；

根据所述目标损失值，对所述神经网络的参数进行更新；

基于更新后的所述神经网络的参数，迭代执行所述通过神经网络对干净数据和噪声数据进行处理的步骤，直至所述神经网络收敛。

6.根据权利要求5所述的方法，其特征在于，所述根据所述干净结果、所述干净标签、所述噪声结果以及所述噪声标签，确定目标损失值，包括：

根据所述干净结果和所述干净标签，确定第一损失值；

根据所述噪声结果和所述噪声标签，确定第二损失值；

对所述第一损失值和所述第二损失值进行加权求和，得到所述目标损失值。

7.根据权利要求5所述的方法，其特征在于，所述神经网络收敛的判定条件包括以下至少之一：

当前步骤达到预设的迭代步骤；

所述目标损失值满足预设条件。

8.根据权利要求1至7中任一项所述的方法，其特征在于，所述通过神经网络对干净数据和噪声数据进行处理之前，所述方法还包括：

获取干净数据集和噪声数据集；

根据批量大小，在所述干净数据集中选取第一数量的训练样本作为输入所述神经网络的干净数据以及在所述噪声数据集中选取第二数量的训练样本作为输入所述神经网络的噪声数据；

其中，所述第一数量和所述第二数量之和等于所述批量大小。