[发明专利]基于深度学习的模型训练方法、装置、存储介质及设备

权利要求书

1.一种基于深度学习的模型训练方法，其特征在于，所述方法包括步骤：

步骤1，采集图像数据，并将所述图像数据与预训练模型进行融合，得到第一图像数据集；

步骤2，设置所述第一图像数据集中每个图像数据被选取的概率为1/M；

步骤3，从所述第一图像数据集中选择N个图像数据组成第k批次数据，其中k是大于0的整数，MN；

步骤4，对所述第k批次数据进行模型训练；

步骤5，模型训练后，若所述模型的损失函数计算结果大于阈值，则对所述第k批次数据中的N个图像数据进行权重分配；

步骤6，将权重分配后的N个图像数据释放到第一图像数据集；

重复步骤3至步骤6，直到所述模型的损失函数计算结果小于等于阈值。

2.根据权利要求1所述的基于深度学习的模型训练方法，其特征在于，所述权重分配具体包括：使用概率重置函数进行权重分配，N个图像数据的损失函数分别为loss(1)，loss(2)，....，loss(N)，权重分配后每个图像数据被选取概率为：

其中，S(k)为所述N个图像数据的概率和，

3.根据权利要求2所述的基于深度学习的模型训练方法，其特征在于，所述概率和S(k)的值随k改变而改变，且当k＝1时，S(1)＝N/M。

4.根据权利要求1所述的基于深度学习的模型训练方法，其特征在于，所述模型的损失函数为所述第k批次数据中的N个图像数据损失函数之和，所述图像数据的损失函数计算结果越大，表示该图像数据与所述模型的相关性越小，损失函数计算结果越小，表示该图像数据与所述模型相关性越大。

5.根据权利要求1所述的基于深度学习的模型训练方法，其特征在于，所述方法该包括：当k＝1时，从所述第一图像数据集中随机选择N个图像数据，当k1时，将所述第一图像数据集中的所有图像数据按照损失函数计算结果从大到小排序，选择前N个图像数据组成第k批次数据。

6.根据权利要求1所述的基于深度学习的模型训练方法，其特征在于，所述模型应用于目标检测，通过目标图像数据的坐标和类型计算所述目标图像数据的损失函数。

7.一种基于深度学习的模型训练装置，其特征在于，所述装置包括：

采集模块，用于采集图像数据，并将所述图像数据与预训练模型进行融合，得到第一图像数据集；

初始化模块，用于设置所述第一图像数据集中每个图像数据被选取的概率为1/M；

选择模块，用于从所述第一图像数据集中选择N个图像数据组成第k批次数据，其中k是大于0的整数，MN；

训练模块，用于对所述第k批次数据进行模型训练；

权重分配模块，用于模型训练后，若所述模型的损失函数计算结果大于阈值，则对所述第k批次数据中的N个图像数据进行权重分配；

判断模块，用于判断所述模型的损失函数计算结果小于等于阈值。

8.根据权利要求7所述的基于深度学习的模型训练装置，其特征在于，所述权重分配模块用于以下述方式权重分配：

使用概率重置函数进行权重分配，N个图像数据的损失函数分别为loss(1)，loss(2)，....，loss(N)，权重分配后每个图像数据被选取概率为：

其中，S(k)为所述N个图像数据的概率和，

9.一种计算机可读存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1至6任一项所述的基于深度学习的模型训练方法。

10.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令，所述指令由所述处理器加载并执行以实现如权利要求1至6任一项所述的基于深度学习的模型训练方法。