模型生成方法和装置
技术领域
本公开实施例涉及计算机技术领域,具体涉及模型生成方法和装置。
背景技术
随着人工智能的发展,基于神经网络的模型在越来越多的场景中发挥作用。神经网络可以指人工神经网络(Artificial Neural Network,ANN)。神经网络通常是一种运算模型,由大量的节点(或称神经元)之间相互连接构成。每个节点可以代表一种特定的输出函数,称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。
在对基于神经网络的模型的训练过程中,现有技术中通常采用一种精度类型的数据进行计算。
发明内容
本公开实施例提出了模型生成方法和装置。
第一方面,本公开实施例提供了一种模型生成方法,该方法包括:获取训练样本数据;在基于该训练样本数据和待训练模型的前向传播过程中,利用第一精度类型的数据进行计算,得到第一精度类型的实际输出;在基于该实际输出和该待训练模型的反向传播过程中,利用第二精度类型的数据进行计算,其中,该第一精度类型和该第二精度类型不同。
在一些实施例中,该第一精度类型或者第二精度类型为半精度类型。
在一些实施例中,该第一精度类型指示的精度小于该第二精度类型指示的精度。
在一些实施例中,该第一精度类型指示的精度大于该第二精度类型指示的精度。
在一些实施例中,该在基于该训练样本数据和待训练模型的前向传播过程中,利用第一精度类型的数据进行计算,得到第一精度类型的实际输出,包括:响应于确定该训练样本数据不是第一精度类型的数据,将该训练样本数据转换为第一精度类型的数据,生成第一训练样本数据;响应于确定待训练模型的网络参数不是第一精度类型的数据,将该网络参数转换为第一精度类型的数据,生成第一网络参数;利用该第一训练样本数据和该第一网络参数,进行前向传播计算,得到第一精度类型的实际输出。
在一些实施例中,上述在基于该实际输出和该待训练模型的反向传播过程中,利用第二精度类型的数据进行计算,包括:将该实际输出由第一精度类型转换为第二精度类型;响应于确定待训练模型的网络参数不是第二精度类型的数据,将该网络参数转换为第二精度类型的数据,生成第二网络参数;根据第二精度类型的实际输出和该第二网络参数,进行反向传播计算,以更新该第二网络参数。
第二方面,本公开实施例提供了一种模型生成装置,该装置包括:获取单元,被配置成获取训练样本数据;前向传播单元,被配置成在基于该训练样本数据和待训练模型的前向传播过程中,利用第一精度类型的数据进行计算,得到第一精度类型的实际输出;反向传播单元,被配置成在基于该实际输出和该待训练模型的反向传播过程中,利用第二精度类型的数据进行计算,其中,该第一精度类型和该第二精度类型不同。
在一些实施例中,该第一精度类型或者第二精度类型为半精度类型。
在一些实施例中,该第一精度类型指示的精度小于该第二精度类型指示的精度。
在一些实施例中,该第一精度类型指示的精度大于该第二精度类型指示的精度。
在一些实施例中,该前向传播单元,还被配置成:响应于确定该训练样本数据不是第一精度类型的数据,将该训练样本数据转换为第一精度类型的数据,生成第一训练样本数据;响应于确定待训练模型的网络参数不是第一精度类型的数据,将该网络参数转换为第一精度类型的数据,生成第一网络参数;利用该第一训练样本数据和该第一网络参数,进行前向传播计算,得到第一精度类型的实际输出。
在一些实施例中,该反向传播单元,还被配置成:将该实际输出由第一精度类型转换为第二精度类型;响应于确定待训练模型的网络参数不是第二精度类型的数据,将该网络参数转换为第二精度类型的数据,生成第二网络参数;根据第二精度类型的实际输出和该第二网络参数,进行反向传播计算,以更新该第二网络参数。
第三方面,本公开实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,其上存储有一个或多个程序,当上述一个或多个程序被上述一个或多个处理器执行时,使得上述一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第四方面,本公开实施例提供了一种计算机可读介质,其上存储有计算机程序,其中,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本公开实施例提供的模型生成方法和装置,通过在模型训练的过程中,前向传播过程采用第一精度类型的数据进行计算,反向传播过程采用第二精度类型的数据进行计算,并且,上述第一精度类型和上述第二精度类型不同,从而,可以更新待训练模型的网络参数,以生成新的模型,技术效果至少可以包括:提供了一种新的模型生成方式。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本公开的其它特征、目的和优点将会变得更明显:
图1是本公开的一些实施例可以应用于其中的示例性***架构图;
图2是根据本公开的模型生成方法的一个实施例的流程图;
图3是根据本公开的模型生成方法的一个应用场景的示意图;
图4是根据本公开的模型生成方法的再一个实施例的流程图;
图5是根据本公开的模型生成装置的一个实施例的结构示意图;
图6是适于用来实现本公开实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本公开作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。
图1示出了可以应用本公开的模型生成方法或模型生成装置的实施例的示例性***架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104可以是用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种通讯客户端应用,例如模型生成类应用、通话类应用、直播类应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是具有通信功能的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、MP3播放器(Moving Picture Experts Group Audio Layer III,动态影像专家压缩标准音频层面3)、MP4(Moving Picture Experts Group Audio Layer IV,动态影像专家压缩标准音频层面4)播放器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103上的模型生成类应用支持的后台服务器。终端设备可以将模型生成的一些参数(例如训练样本数据等)打包为模型生成请求,然后将模型生成请求发送至后台服务器。后台服务器可以对接收到的模型生成请求等数据进行分析等处理,并将处理结果(例如模型的各种参数)反馈给终端设备。
需要说明的是,本公开实施例所提供的模型生成方法一般由服务器105执行,相应地,模型生成装置一般设置于服务器105中。可选的,本公开实施例所提供的模型生成方法也可以由终端设备101、102、103执行。
需要说明的是,服务器可以是硬件,也可以是软件。当服务器为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
请参考图2,其示出了模型生成方法的一个实施例的流程200。本实施例主要以该方法应用于有一定运算能力的电子设备中来举例说明,该电子设备可以是图1示出的服务器。该模型生成方法,包括以下步骤:
步骤201,获取训练样本数据。
在本实施例中,模型生成方法的执行主体(例如图1所示的服务器)可以获取训练样本数据。
在这里,训练样本数据可以用于训练待训练模型,以生成新的模型。
在本实施例中,上述待训练模型可以是未经训练的神经网络或者未训练完成的神经网络。在这里,神经网络可以指人工神经网络。常见的神经网络例如包括深度神经网络(Deep Neural Network,DNN)、卷积神经网络(Convolutional Neural Network,CNN)、循环神经网络(Recurrent Neural Network,RNN)等等。
可选的,待训练模型的网络结构可以预先设置,例如,需要设置神经网络包括哪些层,层与层之间的连接顺序关系,以及每层都包括哪些神经元,每个神经元对应的权重(weight)和偏置项(bias),每层的激活函数等等。待训练模型的网络结构可以通过各种网络参数表示,网络参数可以包括但不限于权重、偏置项等。
作为示例,当待训练模型为深度卷积神经网络时,由于深度卷积神经网络是一个多层的神经网络,因此需要确定深度卷积神经网络包括哪些层(例如,卷积层,池化层,全连接层,分类器等等),层与层之间的连接顺序关系,以及每个层都包括哪些网络参数(例如,权重、偏置项、卷积的步长)等等。其中,卷积层可以用于提取图像特征。针对每个卷积层可以确定有多少个卷积核,每个卷积核的大小,每个卷积核中的各个神经元的权重,每个卷积核对应的偏置项,相邻两次卷积之间的步长等等。
步骤202,在基于训练样本数据和待训练模型的前向传播过程中,利用第一精度类型的数据进行计算,得到第一精度类型的实际输出。
在本实施例中,上述执行主体可以在基于上述训练样本数据和待训练模型的前向传播过程中,利用第一精度类型的数据进行计算,得到第一精度类型的实际输出。
在本实施例中,模型训练过程可以采用浮点型数据进行计算。浮点型数据按照精度的不同,可以分为以下几种类型:半精度类型,但精度类型和双精度类型。通常,16位的浮点数据可以属于半精度类型,32位的浮点数据可以属于单精度类型,64位的浮点数据可以属于双精度类型。
在本实施例中,将训练样本数据导入待训练模型,然后待训练模型的输出层得到实际输出,这个过程可以称为前向传播。利用待训练模型的目标输出和实际输出,确定输出层误差。
在本实施例中,利用第一精度类型的数据进行计算,意味着参与计算的数据均为第一精度类型的,即参与计算的训练样本数据和待训练模型的网络参数,均是第一精度类型的。如果获取到的训练样本数据和待训练模型的网络参数不是第一精度类型的,可以转换为第一精度类型的,再进行前向传播计算。
步骤203,在基于实际输出和待训练模型的反向传播过程中,利用第二精度类型的数据进行计算。
在本实施例中,上述执行主体可以在基于上述实际输出和上述待训练模型的反向传播过程中,利用第二精度类型的数据进行计算。由此,可以更新待训练模型的网络参数,从而可以基于待训练模型生成新的模型。
在本实施例中,利用输出层误差值进行误差反向传播,进而调整待训练模型的网络参数,这个过程可以称为反向传播。作为示例,可以采用反向传播算法(BackPropagation Algorithm,BP算法)和梯度下降法(例如随机梯度下降算法)对上述待训练模型的网络参数进行调整。
在本实施例中,利用第二精度类型的数据进行计算,意味着参与计算的数据均为第二精度类型的,即参与计算的实际输出和待训练模型的网络参数,均是第二精度类型的。如果获取到的实际输出和待训练模型的网络参数不是第二精度类型的,可以转换为第二精度类型的,再进行反向传播计算。
在这里,上述第一精度类型和上述第二精度类型不同。
需要说明的是,在前向传播和反向传播过程中,现有技术采用相同的精度类型的数据进行计算。在本公开中,前向传播和反向传播所采用的数据的精度类型不同。由此,技术效果至少可以包括:
第一,提供了一种新的模型生成方式。
第二,将模型训练过程分为两部分,一部分采用较高精度的数据进行计算,另一部分采用较低精度的数据进行计算,可以既提高模型训练的速度,又保证模型训练的准确度。
继续参见图3,图3是根据图2所示实施例的模型生成方法的应用场景的一个示意图。在图3的应用场景中:
首先,服务器301可以获取训练样本数据。
然后,服务器301可以基于上述训练样本数据和待训练模型的前向传播过程中,利用第一精度类型的数据进行计算,得到第一精度类型的实际输出。
然后,服务器301可以在基于上述实际输出和上述待训练模型的反向传播过程中,利用第二精度类型的数据进行计算。从而,可以更新待训练模型的网络参数,得到更新后的网络参数,以生成新的模型。在这里,上述第一精度类型和上述第二精度类型不同。
本公开的上述实施例提供的方法,通过在模型训练的过程中,前向传播过程采用第一精度类型的数据进行计算,反向传播过程采用第二精度类型的数据进行计算,并且,上述第一精度类型和上述第二精度类型不同,从而,可以更新待训练模型的网络参数,以生成新的模型,技术效果至少可以包括:提供了一种新的模型生成方式。
在一些实施例中,该第一精度类型或者第二精度类型为半精度类型。即以下两种方式任一:
第一种,该第一精度类型为半精度类型,该第二精度类型为以下任一项:单精度类型和双精度类型。
第二种,该第二精度类型为半精度类型,该第一精度类型为以下任一项:单精度类型和双精度类型。
需要说明的是,现有技术中,通常认为:半精度类型的数据适于传输(传输速度快),而不适于计算(精度不够)。在本公开的一些实现方式中,发明人想到可以将模型训练分为两部分,然后利用半精度类型的数据进行一部分计算(前向传播或者反向传播),采用更高精度的数据进行另一部分的计算,从而克服了技术偏见(半精度类型的数据不适于计算),实现了:既能利用半精度类型的数据进行一部分计算,而提高计算速度;又能利用更高精度的数据进行另一部分计算,而保证模型训练的准确性。
在一些实施例中,上述第一精度类型指示的精度(可以称为第一精度)小于上述第二精度类型指示的精度(可以称为第二精度)。
需要说明的是,第一精度小于第二精度,即前向传播过程采用较小的精度,反向传播过程采用较大的精度。由此,可以在前向传播过程中,提高计算速度;在反向传播过程中,提高所更新的网络参数的准确度。从而,可以既提高模型训练的速度,又保证模型训练的准确度。
在一些实施例中,上述第一精度类型指示的精度大于上述第二精度类型指示的精度。
需要说明的是,第一精度大于第二精度,即前向传播过程采用较大的精度,反向传播过程采用较小的精度。由此,可以在前向传播过程中,保证计算的准确度;在反向传播过程中,提高计算的速度。从而,可以既保证模型训练的准确度,又提高模型训练的速度。
进一步参考图4,其示出了模型生成方法的又一个实施例的流程400。该模型生成方法的流程400,包括以下步骤:
步骤401,获取训练样本数据和待训练模型的网络参数。
在本实施例中,模型生成方法的执行主体(例如图1所示的服务器)可以获取训练样本数据和待训练模型的网络参数。
在这里,步骤401的实现细节,可以参考步骤201中的描述,在此不再赘述。
步骤402,响应于确定训练样本数据不是第一精度类型的数据,将训练样本数据转换为第一精度类型的数据,生成第一训练样本数据。
在本实施例中,上述执行主体可以先确定训练样本数据是否是第一精度类型的,如果否,则将训练样本数据转换成为第一精度类型的数据,从而得到第一训练样本数据,即生成第一训练样本数据。
步骤403,响应于确定待训练模型的网络参数不是第一精度类型的数据,将网络参数转换为第一精度类型的数据,生成第一网络参数。
在本实施例中,上述执行主体可以先确定上述网络参数是否是第一精度类型的,如果否,则将上述网络参数转换成为第一精度类型的数据,从而得到第一网络参数,即生成第一网络参数。
在这里,对步骤402和步骤403的执行顺序,不做限定。
步骤404,利用第一训练样本数据和第一网络参数,进行前向传播计算,得到第一精度类型的实际输出。
在本实施例中,上述执行主体可以利用上述第一训练样本数据和上述第一网络参数,进行前向传播计算,得到第一精度类型的实际输出。
步骤405,将实际输出由第一精度类型转换为第二精度类型。
在本实施例中,上述执行主体可以将上述实际输出由第一精度类型转换为第二精度类型。
步骤406,响应于确定待训练模型的网络参数不是第二精度类型的数据,将网络参数转换为第二精度类型的数据,生成第二网络参数。
在本实施例中,上述执行主体可以先确定上述网络参数是否是第二精度类型的,如果否,则将上述网络参数转换成为第二精度类型的数据,从而得到第二网络参数,即生成第二网络参数
步骤407,根据第二精度类型的实际输出和第二网络参数,进行反向传播计算,以更新第二网络参数。
在本实施例中,上述执行主体可以根据第二精度类型的实际输出和该第二网络参数,进行反向传播计算,以更新该第二网络参数。从而,可以实现模型训练,以生成新的模型。
从图4中可以看出,与图2对应的实施例相比,本实施例中的模型生成方法的流程400突出了对数据进行精度转换的步骤。由此,本实施例描述的方案,技术效果至少可以包括:
第一,提供了一种新的模型生成方式。
第二,提供了更为全面的模型生成方法。
进一步参考图5,作为对上述各图所示方法的实现,本公开提供了一种模型生成装置的一个实施例,该装置实施例与图2所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图5所示,本实施例的模型生成装置500包括:获取单元501、前向传播单元502和反向传播单元503。其中,获取单元,被配置成获取训练样本数据;前向传播单元,被配置成在基于该训练样本数据和待训练模型的前向传播过程中,利用第一精度类型的数据进行计算,得到第一精度类型的实际输出;反向传播单元,被配置成在基于该实际输出和该待训练模型的反向传播过程中,利用第二精度类型的数据进行计算,其中,该第一精度类型和该第二精度类型不同。
在本实施例中,模型生成装置500的获取单元501、前向传播单元502和反向传播单元503的具体处理及其所带来的技术效果可分别参考图2对应实施例中步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述确定单元,还被配置成:将上述待训练模型的待更新层的梯度值,确定为第一梯度值;根据上述第一梯度值和上述待更新层中的权重的当前权重值,确定上述待更新层的尺度因子。
在本实施例的一些可选的实现方式中,该第一精度类型或者第二精度类型为半精度类型。
在本实施例的一些可选的实现方式中,该第一精度类型指示的精度小于该第二精度类型指示的精度。
在本实施例的一些可选的实现方式中,该第一精度类型指示的精度大于该第二精度类型指示的精度。
在本实施例的一些可选的实现方式中,该前向传播单元,还被配置成:响应于确定该训练样本数据不是第一精度类型的数据,将该训练样本数据转换为第一精度类型的数据,生成第一训练样本数据;响应于确定待训练模型的网络参数不是第一精度类型的数据,将该网络参数转换为第一精度类型的数据,生成第一网络参数;利用该第一训练样本数据和该第一网络参数,进行前向传播计算,得到第一精度类型的实际输出。
在本实施例的一些可选的实现方式中,该反向传播单元,还被配置成:将该实际输出由第一精度类型转换为第二精度类型;响应于确定待训练模型的网络参数不是第二精度类型的数据,将该网络参数转换为第二精度类型的数据,生成第二网络参数;根据第二精度类型的实际输出和该第二网络参数,进行反向传播计算,以更新该第二网络参数。
需要说明的是,本公开实施例提供的模型生成装置中各单元的实现细节和技术效果可以参考本公开中其它实施例的说明,在此不再赘述。
下面参考图6,其示出了适于用来实现本公开实施例的电子设备(例如图1中的终端或服务器)600的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601,其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中,还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常,以下装置可以连接至I/O接口605:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607;包括例如磁带、硬盘等的存储装置608;以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置609从网络上被下载和安装,或者从存储装置608被安装,或者从ROM 602被安装。在该计算机程序被处理装置601执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取训练样本数据;在基于该训练样本数据和待训练模型的前向传播过程中,利用第一精度类型的数据进行计算,得到第一精度类型的实际输出;在基于该实际输出和该待训练模型的反向传播过程中,利用第二精度类型的数据进行计算,其中,该第一精度类型和该第二精度类型不同。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码,上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。其中,单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取训练样本数据的单元”。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。