[发明专利]多任务模型的训练方法及装置

权利要求书

1.一种多任务模型的训练方法，所述多任务模型运用于自动驾驶场景中检测或识别道路中各种类型的元素，其特征在于，所述各种类型的元素中，每一种元素的检测或识别作为一个感知任务，包括：

确定所述多任务模型对应的多个任务，并获取所述任务的第一数据集和第一训练参数，所述多任务模型包括主干网络和所述任务对应的分支网络，所述多任务模型对应的多个任务共享所述主干网络，共用从所述主干网络得到的特征图；所述第一训练参数中包括：所述任务对应的第一优化器的类型和第一超参数，所述第一超参数中包括：所述任务对应的第一学习率、第一批量大小和第一训练轮次；

根据所述第一数据集和所述第一训练参数，依次对所述任务对应的分支网络进行训练，直至多个所述任务全部训练完成；

获取所述多任务模型的第二数据集和第二训练参数，所述第二训练参数中包括：所述多任务模型对应的第二优化器的类型和第二超参数，所述第二超参数中包括：所述多任务模型对应的第二学习率、第二批量大小和第二训练轮次；

根据所述第二数据集和所述第二训练参数对所述多任务模型进行训练；

所述获取所述多任务模型的第二数据集和第二训练参数，包括：

将所述多任务模型的全部任务的第一数据集求并集，确定为所述第二数据集；以及

将所述多任务模型的全部任务的第一学习率的总和，确定为所述第二学习率；以及

根据所述第一数据集的大小，确定所述第二批量大小；以及

将所述多个任务的多个所述第一训练轮次中的最小值，确定为所述第二训练轮次。

2.根据权利要求1所述的训练方法，其特征在于，所述根据所述第一数据集和所述第一训练参数，依次对所述任务对应的分支网络进行训练，直至多个所述任务全部训练完成，包括：

基于预设的任务训练顺序，根据所述第一数据集和所述第一训练参数，依次对所述任务对应的分支网络进行训练，直至多个所述任务全部训练完成。

3.根据权利要求2 所述的训练方法，其特征在于，所述根据所述第一数据集和所述第一训练参数，依次对所述任务对应的分支网络进行训练，包括：

响应于当前任务为所述任务训练顺序中的第一个任务，固定除了所述当前任务之外的其他任务对应的第一模型参数，所述第一模型参数为所述任务对应的分支网络的参数；以及

根据所述当前任务的所述第一数据集和所述第一训练参数，对所述当前任务进行循环迭代训练，并在每次迭代训练结束后，更新所述当前任务对应的所述第一模型参数和第二模型参数，所述第二模型参数为所述主干网络的参数。

4.根据权利要求3所述的训练方法，其特征在于，所述根据所述第一数据集和所述第一训练参数，依次对所述任务对应的分支网络进行训练，还包括：

响应于所述当前任务为除了所述第一个任务之外的其他任务，固定除了所述当前任务之外的其他任务对应的所述第一模型参数和所述第二模型参数；以及

根据所述当前任务的所述第一数据集和所述第一训练参数，对所述当前任务进行循环迭代训练，并在每次迭代训练结束后，更新所述当前任务对应的所述第一模型参数。

5.根据权利要求2所述的训练方法，其特征在于，所述根据所述第二数据集和所述第二训练参数对所述多任务模型进行训练，包括：

将所述任务的所述第一数据集作为所述多任务模型的单批训练数据；

基于所述多任务模型的多个所述单批训练数据和所述第二训练参数，对所述多任务模型进行所述第二训练轮次的循环迭代训练。

6.根据权利要求5所述的训练方法，其特征在于，基于所述多任务模型的多个所述单批训练数据和所述第二训练参数，对所述多任务模型进行一个轮次的循环迭代训练，包括：

基于所述任务训练顺序，获取当前序数对应的所述单批训练数据；

根据所述单批训练数据对所述多任务模型进行一次迭代训练，并在本次迭代训练结束后，更新所述多任务模型的模型参数；

根据下一序数对应的所述单批训练数据对参数更新后的所述多任务模型进行下一次迭代训练，直至完成本轮次的循环迭代训练。