CN111539315B - 基于黑盒模型的模型训练方法、装置、电子设备及介质 - Google Patents
基于黑盒模型的模型训练方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN111539315B CN111539315B CN202010319507.9A CN202010319507A CN111539315B CN 111539315 B CN111539315 B CN 111539315B CN 202010319507 A CN202010319507 A CN 202010319507A CN 111539315 B CN111539315 B CN 111539315B
- Authority
- CN
- China
- Prior art keywords
- model
- picture
- judgment
- training
- characterization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012549 training Methods 0.000 title claims abstract description 193
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012512 characterization method Methods 0.000 claims abstract description 126
- 238000000605 extraction Methods 0.000 claims abstract description 62
- 230000006870 function Effects 0.000 claims description 42
- 238000012795 verification Methods 0.000 claims description 30
- 238000005259 measurement Methods 0.000 claims description 16
- 235000000332 black box Nutrition 0.000 claims description 13
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 4
- 239000002699 waste material Substances 0.000 abstract description 8
- 238000004458 analytical method Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 239000013598 vector Substances 0.000 description 6
- 238000000691 measurement method Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及人工智能领域,揭露了一种基于黑盒模型的模型训练方法,包括:利用图片表征提取模型提取原始图片训练集的表征得到图片表征特征集,根据所述图片表征特征集优化所述原始图片训练集得到标准图片判断集,将所述标准图片判断集输入至黑盒模型进行判断得到判断标签集,根据所述图片表征提取模型以及所述标准图片训练集训练识别模型,并将训练完成的所述识别模型转变为判断模型,根据所述判断标签集与所述标准图片判断集训练所述判断模型,得到与所述黑盒模型对应的判断模型。本发明还提出一种基于黑盒模型的模型训练装置、电子设备以及计算机可读存储介质。本发明可以解决模型训练过程中,不能有效利用已有数据特征进行分析,导致数据特征浪费问题。
Description
技术领域
本发明涉及人工智能领域,尤其涉及一种基于黑盒模型的模型训练方法、装置、电子设备及计算机可读存储介质。
背景技术
黑盒模型是使用者仅能访问模型端口而不能对模型内部参数进行解析的模型,由于黑盒模型内部参数未知,所以对于模型的进一步探讨及优化都带来了一定困难。
目前基于黑盒模型的内部参数进行模型训练大都基于划分等价类、无效等价类等方法,但划分等价类、无效等价类等方法,对于机器学习、深度学习类的黑盒模型参数,进行模型训练的方法效果差,不能有效的利用已有的数据特征进行分析,进而导致数据特征浪费现象。
发明内容
本发明提供一种基于黑盒模型的模型训练方法、装置、电子设备及计算机可读存储介质,其主要目的在于解决模型训练过程中,不能有效的利用已有数据特征进行分析,导致数据特征浪费问题。
为实现上述目的,本发明提供的一种基于黑盒模型的模型训练方法,包括:
根据预先构建的图片表征提取模型,提取原始图片训练集的表征,得到图片表征特征集;
根据所述图片表征特征集优化所述原始图片训练集,得到标准图片训练集;
从所述标准图片训练集中随机选择多个图片构成标准图片判断集,将所述标准图片判断集输入至黑盒模型进行判断操作,得到与所述标准图片判断集对应的判断标签集;
根据所述图片表征提取模型以及所述标准图片训练集和预获取的图片验证集,构建及训练识别模型,并将训练完成的所述识别模型转变为判断模型;
根据所述判断标签集与所述标准图片判断集训练所述判断模型,得到与所述黑盒模型对应的判断模型。
另外,所述根据所述图片表征特征集优化所述原始图片训练集之前,还包括:
根据预先设定的聚类算法,对所述图片表征特征集进行聚类,得到聚类后的图片表征特征集。
另外,所述根据预先设定的聚类算法,对所述图片表征特征集进行聚类,得到聚类后的图片表征特征集,包括:
预先设定距离阈值和聚类中心;
若所述图片表征特征集中的表征数据和所述聚类中心的空间距离值小于或等于所述距离阈值时,将所述表征数据归为第一类图片表征特征集;
若所述图片表征特征集中的表征数据和所述聚类中心的空间距离值大于所述距离阈值时,将所述表征数据归为第二类图片表征特征集;
从所述第一类图片表征特征集与所述第二类图片表征特征集中,提取在数据量上更大的图片表征特征集,得到聚类后的图片表征特征集。
另外,所述训练识别模型包括:
步骤A:将所述原始图片训练集输入至所述识别模型进行表征提取,得到原始图片表征特征集;
步骤B:利用所述识别模型中的全连接层,对所述原始图片表征特征集进行维度转化,得到单维图片表征特征集;
步骤C:根据预构建的分类函数以及所述单维图片表征特征集,计算得到预测标签集;
步骤D:计算所述预测标签集与所述图片验证集之间的误差,得到误差值;
步骤E:在所述误差值大于预设的误差阈值时,返回步骤A;
步骤F:在所述误差值小于所述误差阈值时,得到训练完成的所述识别模型。
另外,所述将训练完成的所述识别模型转变为判断模型,包括:
在训练完成的所述识别模型中添加度量转换函数以及激活函数,得到所述判断模型。
另外,所述根据所述判断标签集与所述标准图片判断集训练所述判断模型,得到与所述黑盒模型对应的判断模型,包括:
利用所述判断标签集与所述标准图片判断集,对所述判断模型进行初次训练,得到所述判断模型的内部参数更新集;
根据所述内部参数更新集替换所述判断模型的内部参数,得到初级判断模型;
利用所述判断标签集与所述标准图片判断集对所述初级判断模型进行再次训练,得到与所述黑盒模型对应的判断模型。
为了解决上述问题,本发明还提供一种装置,所述装置包括:
表征提取模块,用于根据预先构建的图片表征提取模型,提取原始图片训练集的表征,得到图片表征特征集;
数据优化模块,用于根据所述图片表征特征集优化所述原始图片训练集,得到标准图片训练集;
判断模型生成模块,用于从所述标准图片训练集中随机选择多个图片构成标准图片判断集,将所述标准图片判断集输入至黑盒模型进行判断操作,得到与所述标准图片判断集对应的判断标签集,根据所述图片表征提取模型以及所述标准图片训练集和预获取的图片验证集,构建及训练识别模型,并将训练完成的所述识别模型转变为判断模型;
基于黑盒模型的模型训练模块,用于根据所述判断标签集与所述标准图片判断集训练所述判断模型,得到与所述黑盒模型对应的判断模型。
另外,所述装置还包括识别模型训练模块,用于执行:
步骤A:将所述原始图片训练集输入至所述识别模型进行表征提取,得到原始图片表征特征集;
步骤B:利用所述识别模型中的全连接层,对所述原始图片表征特征集进行维度转化,得到单维图片表征特征集;
步骤C:根据预构建的分类函数以及所述单维图片表征特征集,计算得到预测标签集;
步骤D:计算所述预测标签集与所述图片验证集之间的误差,得到误差值;
步骤E:在所述误差值大于预设的误差阈值时,返回步骤A;
步骤F:在所述误差值小于所述误差阈值时,得到训练完成的所述识别模型。
为了解决上述问题,本发明还提供一种电子设备,所述电子设备包括:
存储器,存储至少一个指令;及
处理器,执行所述存储器中存储的指令以实现上述中任意一项所述的基于黑盒模型的模型训练方法。
为了解决上述问题,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质中存储有至少一个指令,所述至少一个指令被电子设备中的处理器执行以实现上述中任意一项所述的基于黑盒模型的模型训练方法。
本发明实施例先构建图片表征提取模型提取原始图片训练集的表征,得到图片表征特征集,该操作由于从已有数据提取表征数据,利用图片表征提取模型手段,第一次避免已有数据的特征浪费;根据得到的图片表征特征集优化原始图片训练集得到标准图片训练集,并从得到的标准图片训练集中选择多个图片构建标准图片判断集,因通过表征数据优化已有数据,并从优化的数据重新构建判断数据集,利用优化手段第二次避免已有数据的特征浪费;根据重新构建的判断数据集,利用黑盒模型进行判断操作得到判断标签集,因判断数据集是经过表征提取、数据优化等步骤得到的数据集,因此得到的判断标签集更符合后续的模型训练要求。因此本发明提出的基于黑盒模型的模型训练方法、装置及计算机可读存储介质,可以解决在基于黑盒模型的模型训练过程中,不能有效的利用已有数据特征进行分析,导致数据特征浪费问题。
附图说明
图1为本发明一实施例提供的基于黑盒模型的模型训练方法的流程示意图;
图2为本发明一实施例提供的基于黑盒模型的模型训练方法的模块示意图;
图3为本发明一实施例提供的基于黑盒模型的模型训练方法的电子设备的内部结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种基于黑盒模型的模型训练方法。参照图1所示,为本发明一实施例提供的基于黑盒模型的模型训练方法的流程示意图。该方法可以由一个装置执行,该装置可以由软件和/或硬件实现。
在本实施例中,基于基于黑盒模型的模型训练方法包括:
S1、获得原始图片训练集和图片验证集,根据预先构建的图片表征提取模型,提取原始图片训练集的表征得到图片表征特征集。
本发明其中一个实施例可以根据用户输入的黑盒模型参数提取请求,获得所述原始图片训练集和所述图片验证集。
所述原始图片训练集和所述图片验证集根据黑盒模型的应用场景不同而不同,如所述黑盒模型是人脸黑盒模型,则所述原始图片训练集为人脸图片数据集(包括人脸训练集和人脸测试集),及所述图片验证集是所述原始图片训练集的标签,如人脸a在所述图片验证集中代表张三、人脸b在所述图片验证集中代表李四。
较佳地,本发明实施例可以利用爬虫技术从网页上抓取、从预先存储了大量人脸数据库中提取、使用已知的人脸数据库提取等,以获得所述原始图片训练集。
其中,所述已知的人脸数据库可以包括如Trillion Pairs人脸数据库、LFW人脸数据库等。本发明实施例可采用Trillion Pairs人脸数据库获得所述人脸训练集,采用LFW人脸数据库获得所述人脸测试集。
所述图片表征提取模型用于从所述原始图片训练集中提取可以代表所述原始图片训练集的特征数据,其中,所述特征数据即为表征数据。对于不同训练数据集的图片表征提取模型是不同的,如人脸黑盒模型的图片表征提取模型的模型构造采用当前已公开的Inception-Resnet网络作为基本框架,其使用5层Inception-Resnet-A、10层Inception-Resnet-B、5层Inception-Resnet-C,其中A、B、C为Inception-Resnet网络的编号,另外人脸黑盒模型的图片表征提取模型,还包括数据维度缩减层(Reduction层)、池化层(Pooling层)。
根据所述表征提取模对所述原始图片训练集进行表征提取从而得到图片表征特征集。优选地,所述表征提取可以包括卷积操作、池化操作等。较佳地,所述图片表征特征集一般为多维向量,如512维向量。
S2、根据所述图片表征特征集优化所述原始图片训练集,得到标准图片训练集。
以人脸黑盒模型为例,由于原始图片训练集中不仅包括人脸,还包括人脸所在的背景、除人脸的其他人体部位等,因此原始图片训练集需要进一步进行优化,已达到去除人脸所在的背景、其他人体部位等目的。本发明较佳实施例通过所述图片表征特征集中各表征数据像素差异性,如人脸与背景的表征数据差异性一般较大等,从而对所述原始图片训练集进行优化,如删除背景数据,得到标准图片训练集。
本发明其他优选实施例中,所述根据所述图片表征特征集优化所述原始图片训练集之前,还包括:
根据预先设定的聚类算法,对所述图片表征特征集进行聚类,得到聚类后的图片表征特征集。
详细地,所述根据预先设定的聚类算法,对所述图片表征特征集进行聚类,得到聚类后的图片表征特征集,包括:
预先设定距离阈值和聚类中心;
若所述图片表征特征集中的表征数据和所述聚类中心的空间距离值小于所述距离阈值时,则所述表征数据会被归为第一类图片表征特征集;
若图片表征特征集中的表征数据和所述聚类中心的空间距离值大于所述距离阈值时,则所述表征数据被归为第二类图片表征特征集;
从所述第一类图片表征特征集与所述第二类图片表征特征集中,提取在数据量上更大的图片表征特征集,得到聚类后的图片表征特征集。
S3、从所述标准图片训练集随机选择多个图片构成标准图片判断集,将所述标准图片判断集输入至黑盒模型进行判断操作得到与所述标准图片判断集对应的判断标签集。
例如,本发明其中一个应用实例中,可以从人脸标准图片训练集中随机抽取若干张人脸图片组成人脸标准图片判断集,然后将所述人脸标准图片判断集输入至黑盒模型中,比如黑盒模型会随机选取两张人脸如人脸A和人脸B,并判断出人脸A和人脸B的相似度,进而判断人脸A和人脸B是不是属于同一个人,因此所述相似度或人脸A和人脸B是否为同一个人的判断结果即为所述判断标签集。
S4、根据图片表征提取模型以及所述标准图片训练集和预获取的图片验证集构建及训练识别模型,根据预设的度量法,将训练完成的所述识别模型转变为判断模型。
详细地,所述根据图片表征提取模型以及所述标准图片训练集和预获取的图片验证集构建及训练识别模型,包括:
根据所述图片表征提取模型构建所述识别模型,利用所述原始图片训练集和所述图片验证集,训练所述识别模型。
其中,所述利用所述原始图片训练集和所述图片验证集,训练所述识别模型,包括:
步骤A:将所述原始图片训练集输入至所述识别模型进行表征提取,得到原始图片表征特征集;
步骤B:利用所述识别模型中的全连接层,对所述原始图片表征特征集进行维度转化,得到单维图片表征特征集;
步骤C:根据预构建的分类函数以及所述单维图片表征特征集,计算得到预测标签集;
步骤D:计算所述预测标签集与所述图片验证集之间的误差,得到误差值;
步骤E:在所述误差值大于预设的误差阈值时,返回步骤A;
步骤F:在所述误差值小于所述误差阈值时,得到训练完成的所述识别模型。
进一步地,所述根据所述图片表征提取模型构建所述识别模型,包括:在所述图片表征提取模型后追加全连接层,并添加分类函数得到所述识别模型。其中,所述分类函数可使用softmax函数。
进一步地,所述分类函数可采用softmax函数,所述误差值的计算方法可采用交叉熵损失函数。
详细地,所述根据预设的度量法,将训练完成的所述识别模型转变为判断模型,包括:
在训练完成的所述识别模型中添加度量转换函数以及激活函数得到所述判断模型。
所述度量转换函数可采用cos度量法,cos度量表示两个向量的夹角,如上述得到两张人脸图片的相似度后,使用cos度量值进行表示,若cos度量值越小,表示两张人脸图片的相似度越小。
进一步地,由于本方法使用cos度量法表示相似度值,而cos度量值的数值在-1到1之间,需要使用激活函数调整调整相似度值的范围,本发明使用sigmoid函数作为激活函数,因为sigmoid函数的取值范围为(0,1),0到1的取值范围更符合两张人脸相似度的衡量,进而将判断模型由分类问题转化成回归问题得到所述判断模型。
S5、根据所述判断标签集与所述标准图片判断集训练所述判断模型,得到与所述黑盒模型对应的判断模型。
本发明较佳实施例中,所述S5包括:
利用所述判断标签集与所述标准图片判断集,对所述判断模型进行初次训练,得到所述判断模型的内部参数更新集;
根据所述内部参数更新集替换所述判断模型的内部参数,得到初级判断模型;
利用所述判断标签集与所述标准图片判断集对所述初级判断模型进行再次训练,得到与所述黑盒模型对应的判断模型。
如在人脸基于黑盒模型的模型训练中,初次训练的目的是先提取所述判断模型的基础框架,从而可以获得较好的人脸表征提取能力,故在初次训练时不更新所述判断模型基础框架的内部权重参数,只更新所述判断模型其余部分参数。当所述初次训练完成后,用初次训练完成的判断模型的参数初始化判断模型后,再次训练判断模型,此时训练是更新模型的所有参数,直至满足与上述相同的训练步骤后,得到与所述黑盒模型对应的判断模型。
本发明实施例先构建图片表征提取模型提取原始图片训练集的表征,得到图片表征特征集,该操作由于从已有数据提取表征数据,利用图片表征提取模型手段,第一次避免已有数据的特征浪费;根据得到的图片表征特征集优化原始图片训练集得到标准图片训练集,并从得到的标准图片训练集中选择多个图片构建标准图片判断集,因通过表征数据优化已有数据,并从优化的数据重新构建判断数据集,利用优化手段第二次避免已有数据的特征浪费;根据重新构建的判断数据集,利用黑盒模型进行判断操作得到判断标签集,因判断数据集是经过表征提取、数据优化等步骤得到的数据集,因此得到的判断标签集更符合后续的模型训练要求。因此本发明提出的基于黑盒模型的模型训练方法、装置及计算机可读存储介质,可以解决在基于黑盒模型的模型训练过程中,不能有效的利用已有数据特征进行分析,导致数据特征浪费问题。
如图2所示,是本发明基于黑盒模型的模型训练装置的功能模块图。
本发明的基于黑盒模型的模型训练装置100可以安装于电子设备中。根据实现的功能,所述基于黑盒模型的模型训练装置100可以包括表征提取模块101、数据优化模块102、判断模型生成模块103以及基于黑盒模型的模型训练模块104。本发明其他实施例中,所述基于黑盒模型的模型训练装置100还可以包括识别模型训练模块105。本发所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述表征提取模块101、用于根据预先构建的图片表征提取模型,提取原始图片训练集的表征,得到图片表征特征集。
所述表征提取模块101用于获得原始图片训练集和图片验证集,根据预先构建的图片表征提取模型,提取原始图片训练集的表征得到图片表征特征集。
本发明其中一个实施例可以根据用户输入的黑盒模型参数提取请求,获得所述原始图片训练集和所述图片验证集。
所述原始图片训练集和所述图片验证集根据黑盒模型的应用场景不同而不同,如所述黑盒模型是人脸黑盒模型,则所述原始图片训练集为人脸图片数据集(包括人脸训练集和人脸测试集),及所述图片验证集是所述原始图片训练集的标签,如人脸a在所述图片验证集中代表张三、人脸b在所述图片验证集中代表李四。
较佳地,本发明实施例可以利用爬虫技术从网页上抓取、从预先存储了大量人脸数据库中提取、使用已知的人脸数据库提取等,以获得所述原始图片训练集。
其中,所述已知的人脸数据库可以包括如Trillion Pairs人脸数据库、LFW人脸数据库等。本发明实施例可采用Trillion Pairs人脸数据库获得所述人脸训练集,采用LFW人脸数据库获得所述人脸测试集。
所述图片表征提取模型用于从所述原始图片训练集中提取可以代表所述原始图片训练集的特征数据,其中,所述特征数据即为表征数据。对于不同训练数据集的图片表征提取模型是不同的,如人脸黑盒模型的图片表征提取模型的模型构造采用当前已公开的Inception-Resnet网络作为基本框架,其使用5层Inception-Resnet-A、10层Inception-Resnet-B、5层Inception-Resnet-C,其中A、B、C为Inception-Resnet网络的编号,另外人脸黑盒模型的图片表征提取模型,还包括数据维度缩减层(Reduction层)、池化层(Pooling层)。
根据所述表征提取模对所述原始图片训练集进行表征提取从而得到图片表征特征集。优选地,所述表征提取可以包括卷积操作、池化操作等。较佳地,所述图片表征特征集一般为多维向量,如输出的是512维向量。
所述数据优化模块102用于根据所述图片表征特征集优化所述原始图片训练集,得到标准图片训练集。
以人脸黑盒模型为例,由于原始图片训练集中不仅包括人脸,还包括人脸所在的背景、除人脸的其他人体部位等,因此原始图片训练集需要进一步进行优化,已达到去除人脸所在的背景、其他人体部位等目的。本发明较佳实施例通过所述图片表征特征集中各表征数据像素差异性,如人脸与背景的表征数据差异性一般较大等,从而对所述原始图片训练集进行优化,如删除背景数据,得到标准图片训练集。
本发明其他优选实施例中,所述根据所述图片表征特征集优化所述原始图片训练集之前,还包括:
根据预先设定的聚类算法,对所述图片表征特征集进行聚类,得到聚类后的图片表征特征集。
详细地,所述根据预先设定的聚类算法,对所述图片表征特征集进行聚类,得到聚类后的图片表征特征集,包括:
预先设定距离阈值和聚类中心;
若所述图片表征特征集中的表征数据和所述聚类中心的空间距离值小于所述距离阈值时,则所述表征数据会被归为第一类图片表征特征集;
若图片表征特征集中的表征数据和所述聚类中心的空间距离值大于所述距离阈值时,则所述表征数据被归为第二类图片表征特征集;
从所述第一类图片表征特征集与所述第二类图片表征特征集中,提取在数据量上更大的图片表征特征集,得到聚类后的图片表征特征集。
所述判断模型生成模块103用于从所述标准图片训练集随机选择多个图片构成标准图片判断集,将所述标准图片判断集输入至黑盒模型进行判断操作得到与所述标准图片判断集对应的判断标签集,步骤四、根据图片表征提取模型以及所述标准图片训练集和预获取的图片验证集构建及训练识别模型,根据预设的度量法,将训练完成的所述识别模型转变为判断模型。
例如,本发明其中一个应用实例中,可以从人脸标准图片训练集中随机抽取若干张人脸图片组成人脸标准图片判断集,然后将所述人脸标准图片判断集输入至黑盒模型中,比如黑盒模型会随机选取两张人脸如人脸A和人脸B,并判断出人脸A和人脸B的相似度,进而判断人脸A和人脸B是不是属于同一个人,因此所述相似度或人脸A和人脸B是否为同一个人的判断结果即为所述判断标签集。
详细地,所述根据图片表征提取模型以及所述标准图片训练集和预获取的图片验证集构建及训练识别模型,包括:
根据所述图片表征提取模型构建所述识别模型,利用所述原始图片训练集和所述图片验证集,训练所述识别模型。
其中,所述训练所述识别模型可以通过所述识别模型训练模块105执行。详细地,所述识别模型训练模块105在训练所述识别模型时,执行下述操作:
步骤A:将所述原始图片训练集输入至所述识别模型进行表征提取,得到原始图片表征特征集;
步骤B:利用所述识别模型中的全连接层,对所述原始图片表征特征集进行维度转化,得到单维图片表征特征集;
步骤C:根据预构建的分类函数以及所述单维图片表征特征集,计算得到预测标签集;
步骤D:计算所述预测标签集与所述图片验证集之间的误差,得到误差值;
步骤E:在所述误差值大于预设的误差阈值时,返回步骤A;
步骤F:在所述误差值小于所述误差阈值时,得到训练完成的所述识别模型。
进一步地,所述根据所述图片表征提取模型构建所述识别模型,包括:在所述图片表征提取模型后追加全连接层,并添加分类函数得到所述识别模型。其中,所述分类函数可使用softmax函数。
进一步地,所述分类函数可采用softmax函数,所述误差值的计算方法可采用交叉熵损失函数。
详细地,所述根据预设的度量法,将训练完成的所述识别模型转变为判断模型,包括:
在训练完成的所述识别模型中添加度量转换函数以及激活函数得到所述判断模型。
所述度量转换函数可采用cos度量法,cos度量表示两个向量的夹角,如上述得到两张人脸图片的相似度后,使用cos度量值进行表示,若cos度量值越小,表示两张人脸图片的相似度越小。
进一步地,由于本方法使用cos度量法表示相似度值,而cos度量值的数值在-1到1之间,需要使用激活函数调整调整相似度值的范围,本发明使用sigmoid函数作为激活函数,因为sigmoid函数的取值范围为(0,1),0到1的取值范围更符合两张人脸相似度的衡量,进而将判断模型由分类问题转化成回归问题得到所述判断模型。
所述基于黑盒模型的模型训练模块104用于根据所述判断标签集与所述标准图片判断集训练所述判断模型,得到与所述黑盒模型对应的判断模型。
本发明较佳实施例中,所述基于黑盒模型的模型训练模块104训练所述判断模型时,执行下述操作:
利用所述判断标签集与所述标准图片判断集,对所述判断模型进行初次训练,得到所述判断模型的内部参数更新集;
根据所述内部参数更新集替换所述判断模型的内部参数,得到初级判断模型;
利用所述判断标签集与所述标准图片判断集对所述初级判断模型进行再次训练,得到与所述黑盒模型对应的判断模型。
如在人脸基于黑盒模型的模型训练中,初次训练的目的是先提取所述判断模型的基础框架,从而可以获得较好的人脸表征提取能力,故在初次训练时不更新所述判断模型基础框架的内部权重参数,只更新所述判断模型其余部分参数。当所述初次训练完成后,用初次训练完成的判断模型的参数初始化判断模型后,再次训练判断模型,此时训练是更新模型的所有参数,直至满足与上述相同的训练步骤后,得到与所述黑盒模型对应的判断模型。
本发明实施例先构建图片表征提取模型提取原始图片训练集的表征,得到图片表征特征集,该操作由于从已有数据提取表征数据,利用图片表征提取模型手段,第一次避免已有数据的特征浪费;根据得到的图片表征特征集优化原始图片训练集得到标准图片训练集,并从得到的标准图片训练集中选择多个图片构建标准图片判断集,因通过表征数据优化已有数据,并从优化的数据重新构建判断数据集,利用优化手段第二次避免已有数据的特征浪费;根据重新构建的判断数据集,利用黑盒模型进行判断操作得到判断标签集,因判断数据集是经过表征提取、数据优化等步骤得到的数据集,因此得到的判断标签集更符合后续的模型训练要求。因此本发明提出的基于黑盒模型的模型训练方法、装置及计算机可读存储介质,可以解决在基于黑盒模型的模型训练过程中,不能有效的利用已有数据特征进行分析,导致数据特征浪费问题。
如图3所示,是本发明实现基于黑盒模型的模型训练方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线,还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序,如基于黑盒模型的模型训练程序12。
其中,所述存储器11至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元,例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备,例如电子设备1上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(SecureDigital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据,例如基于黑盒模型的模型训练程序12的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心(Control Unit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器11内的程序或者模块(例如基于黑盒模型的模型训练程序等),以及调用存储在所述存储器11内的数据,以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准(peripheral component interconnect,简称PCI)总线或扩展工业标准结构(extended industry standard architecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图3示出的结构并不构成对所述电子设备1的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备1还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器10逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
进一步地,所述电子设备1还可以包括网络接口,可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地,该电子设备1还可以包括用户接口,用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解,所述实施例仅为说明之用,在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的基于黑盒模型的模型训练程序12是多个指令的组合,在所述处理器10中运行时,可以实现:
根据预先构建的图片表征提取模型,提取原始图片训练集的表征,得到图片表征特征集;
根据所述图片表征特征集优化所述原始图片训练集,得到标准图片训练集;
从所述标准图片训练集中随机选择多个图片构成标准图片判断集,将所述标准图片判断集输入至黑盒模型进行判断操作,得到与所述标准图片判断集对应的判断标签集;
根据所述图片表征提取模型以及所述标准图片训练集和预获取的图片验证集,构建及训练识别模型,并将训练完成的所述识别模型转变为判断模型;
根据所述判断标签集与所述标准图片判断集训练所述判断模型,得到与所述黑盒模型对应的判断模型。
具体地,所述处理器10对上述指令的具体实现方法,可参考图1对应实施例中相关步骤的描述,在此不再赘述。
进一步地,所述电子设备1集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。***权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。
Claims (7)
1.一种基于黑盒模型的模型训练方法,其特征在于,所述方法包括:
根据预先构建的图片表征提取模型,提取原始图片训练集的表征,得到图片表征特征集;
根据预先设定的聚类算法,对所述图片表征特征集进行聚类,得到聚类后的图片表征特征集;
根据所述聚类后的图片表征特征集优化所述原始图片训练集,得到标准图片训练集;
从所述标准图片训练集中随机选择多个图片构成标准图片判断集,将所述标准图片判断集输入至黑盒模型进行判断操作,得到与所述标准图片判断集对应的判断标签集;
根据所述图片表征提取模型以及所述标准图片训练集和预获取的图片验证集,构建及训练识别模型,并将训练完成的所述识别模型转变为判断模型;
根据所述判断标签集与所述标准图片判断集训练所述判断模型,得到与所述黑盒模型对应的判断模型;
其中,所述训练识别模型包括:
步骤A:将所述原始图片训练集输入至所述识别模型进行表征提取,得到原始图片表征特征集;
步骤B:利用所述识别模型中的全连接层,对所述原始图片表征特征集进行维度转化,得到单维图片表征特征集;
步骤C:根据预构建的分类函数以及所述单维图片表征特征集,计算得到预测标签集;
步骤D:计算所述预测标签集与所述图片验证集之间的误差,得到误差值;
步骤E:在所述误差值大于预设的误差阈值时,返回步骤A;
步骤F:在所述误差值小于所述误差阈值时,得到训练完成的所述识别模型。
2.如权利要求1所述的基于黑盒模型的模型训练方法,其特征在于,所述根据预先设定的聚类算法,对所述图片表征特征集进行聚类,得到聚类后的图片表征特征集,包括:
预先设定距离阈值和聚类中心;
若所述图片表征特征集中的表征数据和所述聚类中心的空间距离值小于或等于所述距离阈值时,将所述表征数据归为第一类图片表征特征集;
若所述图片表征特征集中的表征数据和所述聚类中心的空间距离值大于所述距离阈值时,将所述表征数据归为第二类图片表征特征集;
从所述第一类图片表征特征集与所述第二类图片表征特征集中,提取在数据量上更大的图片表征特征集,得到聚类后的图片表征特征集。
3.如权利要求1所述的基于黑盒模型的模型训练方法,其特征在于,所述将训练完成的所述识别模型转变为判断模型,包括:
在训练完成的所述识别模型中添加度量转换函数以及激活函数,得到所述判断模型。
4.如权利要求1至3中任意一项所述的基于黑盒模型的模型训练方法,其特征在于,所述根据所述判断标签集与所述标准图片判断集训练所述判断模型,得到与所述黑盒模型对应的判断模型,包括:
利用所述判断标签集与所述标准图片判断集,对所述判断模型进行初次训练,得到所述判断模型的内部参数更新集;
根据所述内部参数更新集替换所述判断模型的内部参数,得到初级判断模型;
利用所述判断标签集与所述标准图片判断集对所述初级判断模型进行再次训练,得到与所述黑盒模型对应的判断模型。
5.一种基于黑盒模型的模型训练装置,其特征在于,所述装置包括:
表征提取模块,用于根据预先构建的图片表征提取模型,提取原始图片训练集的表征,得到图片表征特征集;
数据优化模块,用于根据预先设定的聚类算法,对所述图片表征特征集进行聚类,得到聚类后的图片表征特征集,根据所述聚类后的图片表征特征集优化所述原始图片训练集,得到标准图片训练集;
判断模型生成模块,用于从所述标准图片训练集中随机选择多个图片构成标准图片判断集,将所述标准图片判断集输入至黑盒模型进行判断操作,得到与所述标准图片判断集对应的判断标签集,根据所述图片表征提取模型以及所述标准图片训练集和预获取的图片验证集,构建及训练识别模型,并将训练完成的所述识别模型转变为判断模型;
基于黑盒模型的模型训练模块,用于根据所述判断标签集与所述标准图片判断集训练所述判断模型,得到与所述黑盒模型对应的判断模型;
其中,所述训练识别模型包括:
步骤A:将所述原始图片训练集输入至所述识别模型进行表征提取,得到原始图片表征特征集;
步骤B:利用所述识别模型中的全连接层,对所述原始图片表征特征集进行维度转化,得到单维图片表征特征集;
步骤C:根据预构建的分类函数以及所述单维图片表征特征集,计算得到预测标签集;
步骤D:计算所述预测标签集与所述图片验证集之间的误差,得到误差值;
步骤E:在所述误差值大于预设的误差阈值时,返回步骤A;
步骤F:在所述误差值小于所述误差阈值时,得到训练完成的所述识别模型。
6.一种电子设备,其特征在于,所述电子设备包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行如权利要求1至4中任一项所述的基于黑盒模型的模型训练方法。
7.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的基于黑盒模型的模型训练方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319507.9A CN111539315B (zh) | 2020-04-21 | 2020-04-21 | 基于黑盒模型的模型训练方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010319507.9A CN111539315B (zh) | 2020-04-21 | 2020-04-21 | 基于黑盒模型的模型训练方法、装置、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111539315A CN111539315A (zh) | 2020-08-14 |
CN111539315B true CN111539315B (zh) | 2023-04-18 |
Family
ID=71953634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010319507.9A Active CN111539315B (zh) | 2020-04-21 | 2020-04-21 | 基于黑盒模型的模型训练方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539315B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615020A (zh) * | 2018-12-25 | 2019-04-12 | 深圳前海微众银行股份有限公司 | 基于机器学习模型的特征分析方法、装置、设备及介质 |
CN109935222A (zh) * | 2018-11-23 | 2019-06-25 | 咪咕文化科技有限公司 | 一种构建和弦转换向量的方法、装置及计算机可读存储介质 |
CN110490221A (zh) * | 2019-07-05 | 2019-11-22 | 平安科技(深圳)有限公司 | 多标签分类方法、电子装置及计算机可读存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106960219B (zh) * | 2017-03-10 | 2021-04-16 | 百度在线网络技术(北京)有限公司 | 图片识别方法及装置、计算机设备及计算机可读介质 |
-
2020
- 2020-04-21 CN CN202010319507.9A patent/CN111539315B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109935222A (zh) * | 2018-11-23 | 2019-06-25 | 咪咕文化科技有限公司 | 一种构建和弦转换向量的方法、装置及计算机可读存储介质 |
CN109615020A (zh) * | 2018-12-25 | 2019-04-12 | 深圳前海微众银行股份有限公司 | 基于机器学习模型的特征分析方法、装置、设备及介质 |
CN110490221A (zh) * | 2019-07-05 | 2019-11-22 | 平安科技(深圳)有限公司 | 多标签分类方法、电子装置及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111539315A (zh) | 2020-08-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113283446B (zh) | 图像中目标物识别方法、装置、电子设备及存储介质 | |
CN112446544A (zh) | 交通流预测模型训练方法、装置、电子设备及存储介质 | |
CN111309825A (zh) | 数据聚类的存储方法、装置及计算机可读存储介质 | |
CN112396005A (zh) | 生物特征图像识别方法、装置、电子设备及可读存储介质 | |
CN112767320A (zh) | 图像检测方法、装置、电子设备及存储介质 | |
CN112507934A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN112990374B (zh) | 图像分类方法、装置、电子设备及介质 | |
CN113298159A (zh) | 目标检测方法、装置、电子设备及存储介质 | |
CN112749653A (zh) | 行人检测方法、装置、电子设备及存储介质 | |
CN113705462A (zh) | 人脸识别方法、装置、电子设备及计算机可读存储介质 | |
CN111985449A (zh) | 救援现场图像的识别方法、装置、设备及计算机介质 | |
CN112580684A (zh) | 基于半监督学习的目标检测方法、装置及存储介质 | |
CN112528908A (zh) | 活体检测方法、装置、电子设备及存储介质 | |
CN114168795B (zh) | 建筑三维模型映射及存储方法、装置、电子设备及介质 | |
CN113936287A (zh) | 基于人工智能的表格检测方法、装置、电子设备及介质 | |
CN115471775A (zh) | 基于录屏视频的信息验证方法、装置、设备及存储介质 | |
CN115690615A (zh) | 一种面向视频流的深度学习目标识别方法及*** | |
CN114880449A (zh) | 智能问答的答复生成方法、装置、电子设备及存储介质 | |
CN113657385B (zh) | 一种电子计量装置的数据检测方法、装置及电子设备 | |
CN113240585B (zh) | 基于生成对抗网络的图像处理方法、装置及存储介质 | |
CN114022841A (zh) | 人员监控识别方法、装置、电子设备及可读存储介质 | |
CN113869456A (zh) | 采样监测方法、装置、电子设备及存储介质 | |
CN112528903A (zh) | 人脸图像获取方法、装置、电子设备及介质 | |
CN111539315B (zh) | 基于黑盒模型的模型训练方法、装置、电子设备及介质 | |
CN111460293A (zh) | 信息推送方法、装置及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |