[发明专利]迁移训练方法、装置、设备、存储介质及程序产品

说明书

本申请公开了一种迁移训练方法、装置、设备、存储介质及程序产品，涉及机器学习领域。该方法包括：获取源数据集和目标数据集；基于至少两个特征提取网络构建得到迁移模型，其中包括独立提取网络和共享提取网络，独立提取网络包括结构相同且并行的第一独立提取网络和第二独立提取网络；通过源数据与目标数据对迁移模型进行训练，得到目标模型，目标模型用于将源数据集对应的特征提取网络的学习模式进行调整后，迁移至目标数据的分析过程中。通过以上方式，能够更好地平衡源数据集和目标数据集之间的差异性，对目标数据进行更精准、更高效地分析。本申请可应用于云技术、人工智能、智慧交通等各种场景。

技术领域

本申请实施例涉及机器学习领域，特别涉及一种迁移训练方法、装置、设备、存储介质及程序产品。

背景技术

为了降低对数据分析的复杂性，有时可以利用数据之间的关联性，借助较为完善的源数据集，对标签较少的目标数据集进行分析。

相关技术中，通常采用迁移训练方法，借助较为完善的源数据集，对大量缺少标签的目标数据集进行迁移学习，从而减少对目标数据集中标签进行标注所耗费的人力和时间。

然而，在有些情况下，待进行分析的目标数据集中的数据较少，例如：目标数据集为存储珍稀数据的集合（如：珍稀动物的影像数据集合等），目标数据集中的数据数量与较完善的源数据中的数据数量的比例严重不均衡，使得上述常规迁移学习方法较难进行，从而无法对目标数据集进行有效分析。

发明内容

本申请实施例提供了一种迁移训练方法、装置、设备、存储介质及程序产品，能够更好地平衡源数据集和目标数据集之间的差异性，通过目标模型对目标数据进行更精准、更高效地分析。所述技术方案如下。

一方面，提供了一种迁移训练方法，所述方法包括：

获取源数据集和目标数据集，所述源数据集中存储有源数据，所述目标数据集中存储有目标数据；

基于至少两个特征提取网络构建得到迁移模型，所述至少两个特征提取网络由所述源数据训练得到，所述迁移模型中包括独立提取网络和共享提取网络，所述独立提取网络包括结构相同且并行的第一独立提取网络和第二独立提取网络；其中，所述第一独立提取网络用于对所述源数据进行特征提取，所述第二独立提取网络用于对所述目标数据进行特征提取；所述共享提取网络用于对所述独立提取网络的特征提取结果进行综合分析；

通过所述源数据与所述目标数据对所述迁移模型进行训练，得到目标模型，所述目标模型用于将所述源数据集对应的至少两个特征提取网络的学习模式进行调整后，迁移至对所述目标数据的分析过程中。

另一方面，提供了一种迁移训练装置，所述装置包括：

获取模块，用于获取源数据集和目标数据集，所述源数据集中存储有源数据，所述目标数据集中存储有目标数据；

构建模块，用于基于至少两个特征提取网络构建得到迁移模型，所述至少两个特征提取网络由所述源数据训练得到，所述迁移模型中包括独立提取网络和共享提取网络，所述独立提取网络包括结构相同且并行的第一独立提取网络和第二独立提取网络；其中，所述第一独立提取网络用于对所述源数据进行特征提取，所述第二独立提取网络用于对所述目标数据进行特征提取；所述共享提取网络用于对所述独立提取网络的特征提取结果进行综合分析；

训练模块，用于通过所述源数据与所述目标数据对所述迁移模型进行训练，得到目标模型，所述目标模型用于将所述源数据集对应的至少两个特征提取网络的学习模式进行调整后，迁移至对所述目标数据的分析过程中。

另一方面，提供了一种计算机设备，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、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所述处理器加载并执行以实现如上述本申请实施例中任一所述迁移训练方法。