CN111860572B - 数据集蒸馏方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了数据集蒸馏方法、装置、电子设备及存储介质，涉及深度学习领域，其中的方法可包括：针对待处理的原始数据集，随机初始化N个蒸馏数据，N为大于一的正整数，并执行以下预定处理：利用原始数据集及N个蒸馏数据训练数据真实性判别模型，根据数据真实性判别模型对N个蒸馏数据进行更新；利用N个蒸馏数据训练分类模型，分类模型为对应于原始数据集对应的分类任务的分类模型，根据原始数据集及分类模型对N个蒸馏数据进行更新；若确定符合终止条件，则将最新得到的N个蒸馏数据作为所需的数据集蒸馏结果，否则，重复执行所述预定处理。应用本申请所述方案，可提升蒸馏效果等。

Description

数据集蒸馏方法、装置、电子设备及存储介质

技术领域

本申请涉及计算机应用技术，特别涉及深度学习领域的数据集蒸馏方法、装置、电子设备及存储介质。

背景技术

随着计算能力的不断提升，深度学习技术得到了迅速发展。通常来说，需要采用大规模的数据集作为训练集，进行深度学习模型的训练。

数据量增大的同时，也会伴随着一系列问题的出现，如大规模的数据集中通常存在大量的冗余信息，过多的冗余信息会造成模型的学习结果与期望结果发生偏差，另外也会使模型的训练时长大幅增长等。

为此，可进行数据集的蒸馏，但目前还没有较好的实现方式，如目前多采用主动学习的方式，每个周期从未标注的原始数据集中筛选出一部分对于模型提升最大的数据子集送给标注专家进行标注，从而能够在尽量少的数据的基础上得到尽量好的模型效果，间接实现数据压缩的目的，但这种方式的周期较长，需要耗费较大的人力和时间成本等。

发明内容

本申请提供了数据集蒸馏方法、装置、电子设备及存储介质。

一种数据集蒸馏方法，包括：

针对待处理的原始数据集，随机初始化N个蒸馏数据，N为大于一的正整数，并执行以下预定处理：

利用所述原始数据集及N个蒸馏数据训练数据真实性判别模型，根据所述数据真实性判别模型对N个蒸馏数据进行更新；

利用N个蒸馏数据训练分类模型，所述分类模型为对应于所述原始数据集对应的分类任务的分类模型，根据所述原始数据集及所述分类模型对N个蒸馏数据进行更新；

若确定符合终止条件，则将最新得到的N个蒸馏数据作为所需的数据集蒸馏结果，否则，重复执行所述预定处理。

一种数据集蒸馏装置，包括：初始化模块以及蒸馏模块；

所述初始化模块，用于针对待处理的原始数据集，随机初始化N个蒸馏数据，N为大于一的正整数；

所述蒸馏模块，用于执行以下预定处理：利用所述原始数据集及N个蒸馏数据训练数据真实性判别模型，根据所述数据真实性判别模型对N个蒸馏数据进行更新；利用N个蒸馏数据训练分类模型，所述分类模型为对应于所述原始数据集对应的分类任务的分类模型，根据所述原始数据集及所述分类模型对N个蒸馏数据进行更新；若确定符合终止条件，则将最新得到的N个蒸馏数据作为所需的数据集蒸馏结果，否则，重复执行所述预定处理。

一种电子设备，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以上所述的方法。

一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行如以上所述的方法。

一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现如以上所述的方法。

上述申请中的一个实施例具有如下优点或有益效果：随机初始化多个蒸馏数据，将原始数据集中的知识蒸馏到蒸馏数据中，从而减少了原始数据集中的冗余信息，得到数据量减少的蒸馏数据，该过程可快速自动完成，节省了人力和时间成本等，而且，基于数据真实性判别模型及相应的数据更新操作，可使得蒸馏数据能够更接近真实的原始数据，使得蒸馏数据能够尽可能地保留真实的原始数据的特征，从而提升了蒸馏效果等。应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1为本申请所述数据集蒸馏方法第一实施例的流程图；

图2为本申请所述数据集蒸馏方法第二实施例的流程图；

图3为本申请所述数据集蒸馏装置30实施例的组成结构示意图；

图4为根据本申请实施例所述方法的电子设备的框图。

具体实施方式

以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。

另外，应理解，本文中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

图1为本申请所述数据集蒸馏方法第一实施例的流程图。如图1所示，包括以下具体实现方式。

在101中，针对待处理的原始数据集，随机初始化N个蒸馏数据，N为大于一的正整数。

在102中，执行以下预定处理：利用原始数据集及N个蒸馏数据训练数据真实性判别模型，根据数据真实性判别模型对N个蒸馏数据进行更新；利用N个蒸馏数据训练分类模型，分类模型为对应于原始数据集对应的分类任务的分类模型，根据原始数据集及分类模型对N个蒸馏数据进行更新。

在103中，若确定符合终止条件，则将最新得到的N个蒸馏数据作为所需的数据集蒸馏结果，否则，重复执行102中所述的预定处理。

本实施例中，针对待处理的原始数据集，可首先随机初始化N个蒸馏数据，N为大于一的正整数，具体取值可根据实际需要而定。蒸馏数据可为矩形形式，对蒸馏数据随机初始化，即指对蒸馏数据对应的矩阵中的元素值进行随机初始化。矩阵的行和列的具体取值也可根据实际需要而定。通过这种方式，可快速方便地完成蒸馏数据的初始化，从而为后续处理提供良好基础。

之后，可执行所述预定处理，其中，可首先利用原始数据集及N个蒸馏数据训练数据真实性判别模型。如可分别为原始数据集中的各原始数据分配一个第一标签，第一标签用于标识对应的数据为原始数据，分别为各蒸馏数据分配一个第二标签，第二标签用于标识对应的数据为蒸馏数据，进而可根据各原始数据、各蒸馏数据及对应的标签，训练数据真实性判别模型。即可将各原始数据和各蒸馏数据作为训练数据，根据对应的标签训练数据真实性判别模型。

第一标签和第二标签的具体形式不限，如第一标签可为0，第二标签可为1，或者，第一标签可为1，第二标签可为0。数据真实性判别模型可用于评估输入的数据的真实性。

进一步地，可根据数据真实性判别模型对N个蒸馏数据进行更新。其中，针对每个蒸馏数据，可分别进行以下处理：将该蒸馏数据输入数据真实性判别模型，根据输出的损失(loss)值，对该蒸馏数据进行梯度更新。

比如，对于蒸馏数据a，可将其输入数据真实性判别模型，得到数据真实性判别模型的输出，该输出通常为一个loss值，可利用得到的loss值对蒸馏数据a求导，根据求导结果，利用梯度下降算法对蒸馏数据a进行更新，具体实现为现有技术。

通过上述方式，可使得蒸馏数据能够更接近真实的原始数据，使得蒸馏数据能够尽可能地保留真实的原始数据的特征，从而提升了蒸馏效果，为分析蒸馏数据的数据特征创造了条件，并提升了后续利用蒸馏数据进行模型训练时的训练效果等。

之后，可利用N个蒸馏数据(更新后的N个蒸馏数据)训练分类模型，分类模型为对应于原始数据集对应的分类任务的分类模型。如可分别为各蒸馏数据分配一个分类标签，分类标签用于标识对应的蒸馏数据所属的分类，进而可根据各蒸馏数据及对应的分类标签训练分类模型。

比如，原始数据集对应的分类任务为区分图片中的动物为猫还是狗，那么分类标签即可为猫或狗，通常来说，N个蒸馏数据对应的分类标签需要覆盖分类任务中的所有分类标签。

进一步地，可根据原始数据集及分类模型对N个蒸馏数据进行更新。如可分别将原始数据集中的各原始数据输入分类模型，根据输出的各loss值，对N个蒸馏数据进行梯度更新。即可利用分类模型来对各原始数据进行评估，得到模型在原始数据上的评估结果，进而利用梯度下降算法对蒸馏数据进行更新。

如何根据输出的各loss值对N个蒸馏数据进行梯度更新不作限制。比如，假设原始数据集中共存在100个原始数据，分别为原始数据1-原始数据100，那么可分别获取原始数据1-原始数据10对应的输出，并可将这10个loss值相加，根据相加结果对各蒸馏数据进行求导，根据求导结果进行梯度更新，之后，可分别获取原始数据11-原始数据20对应的输出，并可将这10个loss值相加，根据相加结果对各蒸馏数据进行求导，根据求导结果进行梯度更新，之后可分别获取原始数据21-原始数据30对应的输出等，重复上述处理。

在根据原始数据集及分类模型对N个蒸馏数据进行更新之后，可将所设置的计数参数的取值加一，若加一后的计数参数的取值等于预定阈值，则可确定符合终止条件，从而将最新得到的N个蒸馏数据作为所需的数据集蒸馏结果，否则，可重复执行102中所述的预定处理，计数参数的初始取值为0。即可不断执行所述预定处理，直到符合终止条件。所述预定阈值的具体取值可根据实际需要而定。

按照现有的主动学习的方式，选出的数据均为原始数据集的子集，即均为属于原始数据集的数据，这也在一定程度上限制了对于数据集的压缩能力。而假设原始数据集中的两段文本或多段文本之间存在冗余信息，是可以用一段文本来对这两段文本或多段文本进行概括的，概括得到的这段文本并不属于原始数据集，理论上来说，这种方式能够最大程度地减少数据集中的冗余信息，而采用上述实施例所述方法，即可达到此效果。

上述实施例所述方法中，可随机初始化多个蒸馏数据，将原始数据集中的知识最大程度地蒸馏到蒸馏数据中，从而减少了原始数据集中的冗余信息，得到数据量减少的蒸馏数据，且该过程可快速自动完成，节省了人力和时间成本等，而且，基于数据真实性判别模型及相应的数据更新操作，可使得蒸馏数据能够更接近真实的原始数据，使得蒸馏数据能够尽可能地保留真实的原始数据的特征，从而提升了蒸馏效果等。

在获取到蒸馏数据后，可利用蒸馏数据来进行模型的训练，可得到与利用原始数据集进行模型训练时相近的模型性能，在确保模型性能的同时，可显著提升模型训练速度等。

基于上述介绍，图2为本申请所述数据集蒸馏方法第二实施例的流程图。如图2所示，包括以下具体实现方式。

在201中，获取待处理的原始数据集。

在202中，随机初始化N个蒸馏数据，N为大于一的正整数。

蒸馏数据可为矩形形式，对矩阵中的元素值进行随机初始化。

在203中，利用原始数据集及N个蒸馏数据训练数据真实性判别模型。

如可分别为原始数据集中的各原始数据分配一个第一标签，第一标签用于标识对应的数据为原始数据，并可分别为各蒸馏数据分配一个第二标签，第二标签用于标识对应的数据为蒸馏数据，进而可根据各原始数据、各蒸馏数据及对应的标签，训练数据真实性判别模型。

在204中，针对各蒸馏数据，分别将蒸馏数据输入数据真实性判别模型，根据输出的loss值，对蒸馏数据进行梯度更新。

在205中，利用N个蒸馏数据训练分类模型。

如可分别为各蒸馏数据分配一个分类标签，分类标签用于标识对应的蒸馏数据所属的分类，根据各蒸馏数据及对应的分类标签训练分类模型。

在206中，分别将原始数据集中的各原始数据输入分类模型，根据输出的各loss值，对各蒸馏数据进行梯度更新。

在207中，将所设置的计数参数的取值加一，确定加一后计数参数的取值是否等于预定阈值，若是，则执行208，否则，重复执行203。

在208中，将最新得到的N个蒸馏数据作为所需的数据集蒸馏结果，结束流程。

上述方法流程中，每一步所用的蒸馏数据均为经过之前的处理后得到的最新的蒸馏数据。

需要说明的是，对于前述的各方法实施例，为了简单描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其它顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。另外，某个实施例中没有详述的部分，可以参见其它实施例中的相关说明，不再赘述。

以上是关于方法实施例的介绍，以下通过装置实施例，对本申请所述方案进行进一步说明。

图3为本申请所述数据集蒸馏装置30实施例的组成结构示意图。如图3所示，包括：初始化模块301以及蒸馏模块302。

初始化模块301，用于针对待处理的原始数据集，随机初始化N个蒸馏数据，N为大于一的正整数。

蒸馏模块302，用于执行以下预定处理：利用原始数据集及N个蒸馏数据训练数据真实性判别模型，根据数据真实性判别模型对N个蒸馏数据进行更新；利用N个蒸馏数据训练分类模型，分类模型为对应于原始数据集对应的分类任务的分类模型，根据原始数据集及分类模型对N个蒸馏数据进行更新；若确定符合终止条件，则将最新得到的N个蒸馏数据作为所需的数据集蒸馏结果，否则，重复执行所述预定处理。

其中，蒸馏数据可为矩形形式，初始化模块301可对矩阵中的元素值进行随机初始化。

在利用原始数据集及N个蒸馏数据训练数据真实性判别模型时，蒸馏模块302可分别为原始数据集中的各原始数据分配一个第一标签，第一标签用于标识对应的数据为原始数据，分别为各蒸馏数据分配一个第二标签，第二标签用于标识对应的数据为蒸馏数据，根据各原始数据、各蒸馏数据及对应的标签，训练数据真实性判别模型。

在根据数据真实性判别模型对N个蒸馏数据进行更新时，蒸馏模块302可针对任一蒸馏数据，分别进行以下处理：将该蒸馏数据输入数据真实性判别模型，根据输出的loss值，对该蒸馏数据进行梯度更新。

在利用N个蒸馏数据训练分类模型时，蒸馏模块302可分别为各蒸馏数据分配一个分类标签，分类标签用于标识对应的蒸馏数据所属的分类，根据各蒸馏数据及对应的分类标签训练分类模型。

在根据原始数据集及分类模型对N个蒸馏数据进行更新时，蒸馏模块302可分别将原始数据集中的各原始数据输入分类模型，根据输出的各loss值，对N个蒸馏数据进行梯度更新。

蒸馏模块302在根据原始数据集及分类模型对N个蒸馏数据进行更新之后，还可将所设置的计数参数的取值加一，若加一后计数参数的取值等于预定阈值，则可确定符合终止条件，从而将最新得到的N个蒸馏数据作为所需的数据集蒸馏结果，计数参数的初始取值为0，否则，可重复执行所述预定处理。

图3所示装置实施例的具体工作流程请参照前述方法实施例中的相关说明，不再赘述。

总之，采用本申请装置实施例所述方案，可随机初始化多个蒸馏数据，将原始数据集中的知识最大程度地蒸馏到蒸馏数据中，从而减少了原始数据集中的冗余信息，得到数据量减少的蒸馏数据，且该过程可快速自动完成，节省了人力和时间成本等，而且，基于数据真实性判别模型及相应的数据更新操作，可使得蒸馏数据能够更接近真实的原始数据，使得蒸馏数据能够尽可能地保留真实的原始数据的特征，从而提升了蒸馏效果等；在获取到蒸馏数据后，可利用蒸馏数据来进行模型的训练，可得到与利用原始数据集进行模型训练时相近的模型性能，在确保模型性能的同时，可显著提升模型训练速度等。

根据本申请的实施例，本申请还提供了一种电子设备和一种可读存储介质。

如图4所示，是根据本申请实施例所述方法的电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。

如图4所示，该电子设备包括：一个或多个处理器Y01、存储器Y02，以及用于连接各部件的接口，包括高速接口和低速接口。各个部件利用不同的总线互相连接，并且可以被安装在公共主板上或者根据需要以其它方式安装。处理器可以对在电子设备内执行的指令进行处理，包括存储在存储器中或者存储器上以在外部输入/输出装置(诸如，耦合至接口的显示设备)上显示图形用户界面的图形信息的指令。在其它实施方式中，若需要，可以将多个处理器和/或多条总线与多个存储器和多个存储器一起使用。同样，可以连接多个电子设备，各个设备提供部分必要的操作(例如，作为服务器阵列、一组刀片式服务器、或者多处理器***)。图4中以一个处理器Y01为例。

存储器Y02即为本申请所提供的非瞬时计算机可读存储介质。其中，所述存储器存储有可由至少一个处理器执行的指令，以使所述至少一个处理器执行本申请所提供的方法。本申请的非瞬时计算机可读存储介质存储计算机指令，该计算机指令用于使计算机执行本申请所提供的方法。

存储器Y02作为一种非瞬时计算机可读存储介质，可用于存储非瞬时软件程序、非瞬时计算机可执行程序以及模块，如本申请实施例中的方法对应的程序指令/模块。处理器Y01通过运行存储在存储器Y02中的非瞬时软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例中的方法。

存储器Y02可以包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需要的应用程序；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器Y02可以包括高速随机存取存储器，还可以包括非瞬时存储器，例如至少一个磁盘存储器件、闪存器件、或其他非瞬时固态存储器件。在一些实施例中，存储器Y02可选包括相对于处理器Y01远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、区块链网络、局域网、移动通信网及其组合。

电子设备还可以包括：输入装置Y03和输出装置Y04。处理器Y01、存储器Y02、输入装置Y03和输出装置Y04可以通过总线或者其他方式连接，图4中以通过总线连接为例。

输入装置Y03可接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，例如触摸屏、小键盘、鼠标、轨迹板、触摸板、指示杆、一个或者多个鼠标按钮、轨迹球、操纵杆等输入装置。输出装置Y04可以包括显示设备、辅助照明装置和触觉反馈装置(例如，振动电机)等。该显示设备可以包括但不限于，液晶显示器、发光二极管显示器和等离子体显示器。在一些实施方式中，显示设备可以是触摸屏。

此处描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、专用集成电路、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。

这些计算程序(也称作程序、软件、软件应用、或者代码)包括可编程处理器的机器指令，并且可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。如本文使用的，术语“机器可读介质”和“计算机可读介质”指的是用于将机器指令和/或数据提供给可编程处理器的任何计算机程序产品、设备、和/或装置(例如，磁盘、光盘、存储器、可编程逻辑装置)，包括，接收作为机器可读信号的机器指令的机器可读介质。术语“机器可读信号”指的是用于将机器指令和/或数据提供给可编程处理器的任何信号。

为了提供与用户的交互，可以在计算机上实施此处描述的***和技术，该计算机具有：用于向用户显示信息的显示装置(例如，阴极射线管或者液晶显示器监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。

可以将此处描述的***和技术实施在包括后台部件的计算***(例如，作为数据服务器)、或者包括中间件部件的计算***(例如，应用服务器)、或者包括前端部件的计算***(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将***的部件相互连接。通信网络的示例包括：局域网、广域网、区块链网络和互联网。

计算机***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。

应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请公开的技术方案所期望的结果，本文在此不进行限制。

上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (14)

1.一种数据集蒸馏方法，包括：

针对待处理的原始数据集，随机初始化N个蒸馏数据，N为大于一的正整数，并执行以下预定处理：

利用所述原始数据集及N个蒸馏数据训练数据真实性判别模型，包括：分别为所述原始数据集中的各原始数据分配一个第一标签，所述第一标签用于标识对应的数据为原始数据，分别为各蒸馏数据分配一个第二标签，所述第二标签用于标识对应的数据为蒸馏数据，根据各原始数据、各蒸馏数据及对应的标签，训练所述数据真实性判别模型；根据所述数据真实性判别模型对N个蒸馏数据进行更新；

利用N个蒸馏数据训练分类模型，所述分类模型为对应于所述原始数据集对应的分类任务的分类模型，根据所述原始数据集及所述分类模型对N个蒸馏数据进行更新；

若确定符合终止条件，则将最新得到的N个蒸馏数据作为所需的数据集蒸馏结果，否则，重复执行所述预定处理。

2.根据权利要求1所述的方法，其中，所述随机初始化N个蒸馏数据包括：所述蒸馏数据为矩阵形式，对矩阵中的元素值进行随机初始化。

3.根据权利要求1所述的方法，其中，所述根据所述数据真实性判别模型对N个蒸馏数据进行更新包括：

针对任一蒸馏数据，分别进行以下处理：将所述蒸馏数据输入所述数据真实性判别模型，根据输出的损失值，对所述蒸馏数据进行梯度更新。

4.根据权利要求1所述的方法，其中，所述利用N个蒸馏数据训练分类模型包括：

分别为各蒸馏数据分配一个分类标签，所述分类标签用于标识对应的蒸馏数据所属的分类；根据各蒸馏数据及对应的分类标签训练所述分类模型。

5.根据权利要求1所述的方法，其中，所述根据所述原始数据集及所述分类模型对N个蒸馏数据进行更新包括：

分别将所述原始数据集中的各原始数据输入所述分类模型，根据输出的各损失值，对N个蒸馏数据进行梯度更新。

6.根据权利要求1所述的方法，还包括：所述根据所述原始数据集及所述分类模型对N个蒸馏数据进行更新之后，将所设置的计数参数的取值加一；

所述确定符合终止条件包括：若加一后所述计数参数的取值等于预定阈值，则确定符合终止条件，所述计数参数的初始取值为0。

7.一种数据集蒸馏装置，包括：初始化模块以及蒸馏模块；

所述初始化模块，用于针对待处理的原始数据集，随机初始化N个蒸馏数据，N为大于一的正整数；

所述蒸馏模块，用于执行以下预定处理：利用所述原始数据集及N个蒸馏数据训练数据真实性判别模型，根据所述数据真实性判别模型对N个蒸馏数据进行更新；利用N个蒸馏数据训练分类模型，所述分类模型为对应于所述原始数据集对应的分类任务的分类模型，根据所述原始数据集及所述分类模型对N个蒸馏数据进行更新；若确定符合终止条件，则将最新得到的N个蒸馏数据作为所需的数据集蒸馏结果，否则，重复执行所述预定处理；

其中，所述蒸馏模块分别为所述原始数据集中的各原始数据分配一个第一标签，所述第一标签用于标识对应的数据为原始数据，分别为各蒸馏数据分配一个第二标签，所述第二标签用于标识对应的数据为蒸馏数据，根据各原始数据、各蒸馏数据及对应的标签，训练所述数据真实性判别模型。

8.根据权利要求7所述的装置，其中，所述蒸馏数据为矩阵形式，所述初始化模块对矩阵中的元素值进行随机初始化。

9.根据权利要求7所述的装置，其中，所述蒸馏模块针对任一蒸馏数据，分别进行以下处理：将所述蒸馏数据输入所述数据真实性判别模型，根据输出的损失值，对所述蒸馏数据进行梯度更新。

10.根据权利要求7所述的装置，其中，所述蒸馏模块分别为各蒸馏数据分配一个分类标签，所述分类标签用于标识对应的蒸馏数据所属的分类，根据各蒸馏数据及对应的分类标签训练所述分类模型。

11.根据权利要求7所述的装置，其中，所述蒸馏模块分别将所述原始数据集中的各原始数据输入所述分类模型，根据输出的各损失值，对N个蒸馏数据进行梯度更新。

12.根据权利要求7所述的装置，其中，所述蒸馏模块进一步用于，在根据所述原始数据集及所述分类模型对N个蒸馏数据进行更新之后，将所设置的计数参数的取值加一，若加一后所述计数参数的取值等于预定阈值，则确定符合终止条件，所述计数参数的初始取值为0。

13.一种电子设备，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权利要求1-6中任一项所述的方法。

14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。