CN113139463B - 用于训练模型的方法、装置、设备、介质和程序产品 - Google Patents

Abstract

根据本公开的示例实施例，提供了一种用于训练模型的方法、装置、设备、介质和程序产品。涉及人工智能领域，尤其涉及深度学习和图像处理技术领域。具体实现方案为：将第一模型针对训练样本输出的第一特征和第二模型针对训练样本输出的第二特征组合，以获得组合特征，第一模型和第二模型被初始化以具有不同的模型参数；基于第一特征、第二特征和组合特征之间的差异，分别确定第一约束、第二约束和第三约束；以及至少基于第一约束、第二约束和第三约束，训练第一模型和第二模型。根据本公开的实施例，能够优化训练所得的模型的性能。

Description

用于训练模型的方法、装置、设备、介质和程序产品

技术领域

本公开涉及人工智能领域，并且更具体地，涉及用于训练模型的方法、装置、设备、计算机可读存储介质和计算机程序产品。

背景技术

随着信息技术的发展，神经网络被广泛用于诸如计算机视觉、语音识别和信息检索等的各种机器学习任务。光学字符识别(OCR)是一项可以将图片信息转换为更易编辑和存储的文本信息的技术。利用神经网络进行OCR识别被验证为是一种有效的识别方法。然而，所训练的模型的准确性还有待提高。

发明内容

根据本公开的示例实施例，提供了一种用于训练模型的方法、装置、设备、计算机可读存储介质和计算机程序产品。

在本公开的第一方面中，提供了一种用于训练模型的方法。该方法包括：将第一模型针对训练样本输出的第一特征和第二模型针对训练样本输出的第二特征组合，以获得组合特征，第一模型和第二模型被初始化以具有不同的模型参数；基于第一特征、第二特征和组合特征之间的差异，分别确定第一约束、第二约束和第三约束；以及至少基于第一约束、第二约束和第三约束，训练第一模型和第二模型。

在本公开的第二方面中，提供了一种用于训练模型的装置。该装置包括：特征融合模块，被配置为将第一模型针对训练样本输出的第一特征和第二模型针对训练样本输出的第二特征组合，以获得组合特征，第一模型和第二模型被初始化以具有不同的模型参数；第一约束确定模块，被配置为基于第一特征、第二特征和组合特征之间的差异，分别确定第一约束、第二约束和第三约束；以及第一模型训练模块，被配置为至少基于第一约束、第二约束和第三约束，训练第一模型和第二模型。

在本公开的第三方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第一方面的方法。

在本公开的第四方面中，提供了一种电子设备，包括一个或多个处理器；以及存储装置，用于存储一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现根据本公开的第二方面的方法。

在本公开的第五方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第一方面的方法。

在本公开的第六方面中，提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现根据本公开的第二方面的方法。

在本公开的第七方面中，提供了一种计算机程序产品，包括计算机程序指令，该计算机程序指令被处理器实现如本公开的第一方面的方法。

在本公开的第八方面中，提供了一种计算机程序产品，包括计算机程序指令，该计算机程序指令被处理器实现如本公开的第二方面的方法。

应当理解，发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

结合附图并参考以下详细说明，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。在附图中，相同或相似的附图标记表示相同或相似的元素。附图用于更好地理解本方案，不构成对本公开的限定，其中：

图1A示出了本公开的一些实施例能够在其中实现的数据处理的环境的示例的示意图；

图1B示出了本公开的一些实施例能够在其中实现的训练模型的环境的示例的示意图；

图2示出了根据本公开的一些实施例的用于训练模型的示例方法的流程图；

图3示出了根据本公开的一些实施例的用于处理数据的示例方法的流程图；

图4示出了根据本公开的实施例的用于训练模型的装置的示意框图；

图5示出了根据本公开的实施例的用于处理数据的装置的示意框图；以及

图6示出了能够实施本公开的多个实施例的计算设备的框图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

在本公开的实施例的描述中，术语“包括”及其类似用语应当理解为开放性包含，即“包括但不限于”。术语“基于”应当理解为“至少部分地基于”。术语“一个实施例”或“该实施例”应当理解为“至少一个实施例”。术语“第一”、“第二”等等可以指代不同的或相同的对象。下文还可能包括其他明确的和隐含的定义。

在本公开的实施例中，术语“模型”能够处理输入并且提供相应输出。以神经网络模型为例，其通常包括输入层、输出层以及在输入层与输出层之间的一个或多个隐藏层。在深度学习应用中使用的模型(也称为“深度学习模型”)通常包括许多隐藏层，从而延长网络的深度。神经网络模型的各个层按顺序相连以使得前一层的输出被用作后一层的输入，其中输入层接收神经网络模型的输入，而输出层的输出作为神经网络模型的最终输出。神经网络模型的每个层包括一个或多个节点(也称为处理节点或神经元)，每个节点处理来自上一层的输入。在本文中，术语“神经网络”、“模型”、“网络”和“神经网络模型”可互换使用。

如以上提及的，需要提高所训练的模型的准确性。在传统方案中，通常仅确定教师模型与学生模型的输出，并且通过教师模型监督学生模型来完成模型的训练。传统方案的缺陷在于仅通过学生模型和教师模型的输出结果之间的差异来监督模型训练，精度不足。

本公开的示例实施例提出了一种用于训练模型的方案。在该方案中，首先将训练样本输入第一模型和第二模型中，将输出的第一特征和第二特征组合，以获得组合特征，第一模型和第二模型被初始化以具有不同的模型参数。然后基于第一特征、第二特征和组合特征两两之间的差异，分别确定第一约束、第二约束和第三约束。最后至少基于第一约束、第二约束和第三约束，训练第一模型和第二模型。以此方式，通过考虑两个模型的输出的融合结果，并通过融合结果监督模型训练，使得所训练的模型精度更高。

图1A示出本公开的一些实施例能够在其中实现的数据处理环境100的示例的示意图。如图1A所示，环境100包括计算设备110。计算设备110可以是具有计算能力的任何设备，例如个人计算机、平板计算机、可穿戴设备、云服务器、大型机和分布式计算***等。

计算设备110获取输入120。例如，输入120可以是图像、视频、音频、文本、和/或多媒体文件等。计算设备110可以将输入120应用于网络模型130，以利用网络模型130，生成与输入120相对应的处理结果140。在一些实施例中，网络模型130可以是但不限于OCR识别模型、图像分类模型、语义分割模型、目标检测模型，或者其他与图像处理相关的神经网络模型。可以利用任何合适的网络结构来实现网络模型130，包括但不限于支持向量机(SVM)模型，贝叶斯模型，随机森林模型，各种深度学习/神经网络模型，诸如卷积神经网络(CNN)、循环神经网络(RNN)、深度神经网络(DNN)、深度强化学习网路(DQN)等。本公开的范围在此方面不受限制。

环境100还可以包括训练数据获取装置、模型训练装置和模型应用装置(未示出)。在一些实施例中，上述多个装置可以分别实现在不同的物理计算设备中。备选地，上述多个装置中的至少一部分装置可以被实现在同一计算设备中。例如，训练数据获取装置、模型训练装置和可以被实现在同一计算设备中，而模型应用装置可以被实现在另一计算设备中。

在一些实施例中，在模型训练阶段，训练数据获取装置可以获取输入120，并将其提供给模型。输入120可以是原始样本和与原始样本相对应的不同的增广样本，并且网络模型130是待训练模型。模型训练装置可以基于输入对网络模型130进行训练。处理结果140可以针对该模型的不同约束，计算设备110可以通过不同约束对网络模型130的训练参数(例如，权重和偏置等)进行调整，使得模型在训练样本上的误差降低。

备选地，在一些实施例中，在模型训练的最后阶段，输入可以是测试样本，并且处理结果140可以是对经训练的网络模型130的性能指标(例如，准确性)的表征，这可以例如通过测试损失来表示。

下面参考1B详细描述用于训练模型的环境150。环境150可以包括作为输入120的训练样本122，虽然图示为一个训练样本，但还可以存在多个训练样本，本公开在此不做限制。在一些实施例中，样本可以是图像数据。训练样本122可以由原始样本124和增广样本126构成，计算设备110(例如，计算设备的训练数据获取装置)可以被配置为对原始样本124进行数据增广处理，以获取增广样本126。在一些实施例中，对于图像样本，可以通过对其中的图像进行图像裁剪、旋转和翻转，而获得图像的增广样本。在另一些示例中，对于图像样本，可以应用诸如自动数据增广(AutoAugment)的自动样本增广的策略，获得图像的增广训练样本。

计算设备110可以将训练样本122作为第一模型132和第二模型134的输入，以分别确定第特征142和第二特征154。计算设备110然后可以根据上述输出以及增广样本的标签分别确定第一约束141、第二约束143、第三约束145、第四约束147和第五约束149。然后计算设备110可以根据上述约束训练第一模型132和第二模型134。

第一模型132和第二模型134是待训练的模型，第一模型132和第二模型134的结构可以相同，即其所包含相同的参数量较小。

回到参考图1A，经训练的网络模型可以被提供给模型应用装置。模型应用装置可以获取经训练模型以及输入120，并确定针对输入120的处理结果140。在模型应用阶段，输入120可以是待处理的输入数据(例如，图像数据)，网络模型130是经训练模型(例如，经训练的图像分类模型)，处理结果140可以是与输入120(例如，图像数据)相对应的预测结果(例如，图像的分类结果、语义分割结果或目标识别结果)。

应当理解，图1A所示的环境100以及图1B所示的环境150仅仅是本公开的实施例可实现于其中的一种示例，不旨在限制本公开的范围。本公开的实施例同样适用于其他***或架构。

以下结合图2至图3来进一步描述详细的训练模型的过程。图2图示了根据本公开的实施例的用于训练模型的过程200的流程图。过程200可以由图1中的计算设备110来实施。为便于描述，将参照图1A和图1B来描述过程200。

在图2的框210，计算设备110将第一模型132针对训练样本122输出的第一特征152和第二模型134针对训练样本122输出的第二特征154组合，以获得组合特征156，第一模型132和第二模型134被初始化以具有不同的模型参数。例如，计算设备110可以将训练样本122作为模型的输入，以获得其输出的特征图，然后将特征图进行融合。

在一些实施例中，训练样本122可以包括原始样本124和基于原始样本增广所得的增广样本126中的至少一项。例如，计算设备110可以从图像集中随机选取图像作为原始样本124，接着计算设备110可以对图像分别进行亮度变换、随机剪裁、随机旋转等数据增广操作以形成增广样本。上述数据增广的示例仅仅是示例性的，计算设备110例如还可以对视频数据中的不同图像帧进行各种组合来处理视频数据、或者还可以以合适的方式处理文本和语音数据，本公开在此不做限制。

在一些实施例中，为了减少模型的计算量，计算设备110可以由原始样本124和增广样本126构成的训练样本122进行进一步处理。例如，计算设备110可以对上述图片进行尺寸重新设定和归一化操作，以形成预处理图像。

在一些实施例中，训练样本包括以下至少一项：图像、视频、音频和文本。

在确定了训练样本122后，计算设备110可以将训练样本122分别输入到第一模型132和第二模型134中，以得到第一特征152和第二特征154，然后组合第一特征152和第二特征154以得到组合特征156。例如，模型的输出可以为表示训练样本122的特征图，该特征图例如为80×6000的向量矩阵，其中80代表模型输出的向量的长度为定长80(也可称为时间步长),6000可以指示6000个分类结果。对于OCR模型，90可以指示对于任何图像，输出80个字符，每个字符存在6000个分类结果。可以理解的是，由于第一模型132和第二模型134的结构相同且其模型参数不同，第一特征152和第二特征154可以为维度相同而参数不同像个向量矩阵。可以根据以下等式(1)得到组合特征156：

组合特征＝α*第一特征+(1-α)*第二特征 等式(1)

其中0<α<1。

请注意，上述数字和特征组合方式仅仅是示例性的，还可以根据场景不同存在任何数字和合适的特征和组合方式，本公开在此不做限制。

在图2的框220，计算设备110基于第一特征152、第二特征154和组合特征156之间的差异，分别确定第一约束141、第二约束143和第三约束145。计算设备110在确定了上述特征后，对其进行处理以确定用于监督模型训练的约束。

在一些实施例中，计算设备110可以基于第一特征152和第二特征154之间的差异确定第一约束143；基于第一特征152和组合特征156之间的差异确定第二约束145；以及基于第二特征154和组合特征156之间的差异确定第三约束145。例如，特征可以指示概率分布，该差异可以指示概率分布之间的差异。在这种情况下，计算设备110可以计算第一特征152和第二特征154和组合特征156两两之间的KL散度、JS散度、L1距离和L2距离等作为特征之间的差异。还可以利用其他合适的算法来计算特征之间的差异，本公开在此不做限制。

由于模型的融合结果(组合特征)具有更高的精度，利用融合结果和模型各自的输出结果(第一特征和第二特征)之间的差异来监督模型训练可以提高所训练的模型的精度。

在图2的框230，计算设备110至少基于第一约束141、第二约束143和第三约束145，训练第一模型132和第二模型134。例如，计算设备110可以根据上述确定的约束来调整第一模型和第二模型的参数。

在一些实施例中，训练样本122具有指示增广样本的类别的标签160。例如，该标签160可以指示图片中的数字为1或者正在亮着的灯的颜色为绿灯。计算设备110可以基于第一特征152和标签160之间的差异，确定第四约束147。基于第二特征154和标签160之间的差异，确定第五约束149。并且最后基于第一约束141、第二约束143、第三约束145、第四约束147、第五约束149，训练第一模型132和第二模型134。例如，计算设备110可以确定第一特征152和第二特征154和标签160之间的CTC损失函数作为特征和标签之间的差异。还在特征和标签之间应用任何合适的算法来确定其间的差异，本公开在此不做限制。

在计算设备110确定第三约束后，计算设备110可以确定分别与第一约束141、第二约束143、第三约束145、第四约束147、第五约束149相关联的权重。以及基于第一约束141、第二约束143、第三约束145、第四约束147、第五约束149以及相关联的权重，训练第一模型132和第二模型134。

在一个实施例中，计算设备110可以根据上述约束和权重来确定总约束来训练第一模型132和第二模型134。例如，计算设备110可以根据如下等式(2)来计算总约束：

总约束＝a(第四约束+第五约束)+b第一约束+c(第二约束+第三约束) 等式(2)其中a、b、c为相关联的权重。该权重可以由用户设置或者由计算设备根据模型的类型、约束的类型、模型测试的结果等动态地调整。并且每个约束可以存在相同的权重或者各自不同的权重，本公开在此不做限制。计算设备110最后可以根据总约束调整第一模型132和第二模型134的参数，以使得总约束最小化，从而实现模型的训练。

在一些实施例中，计算设备110可以根据对第一模型132的测试结果来不断调整上述权重。例如，如果计算设备110在模型的测试阶段确定模型的输出和真值标签间的差异较大，则可以将权重a的值设置为远高于权重b和权重c的值。由此，通过调整表征不同约束的权重，可以有针对性的对模型进行训练。从而实现高效、准确地模型训练。

在一些实施例中，在第一模型132和第二模型134被训练收敛后，计算设备110可以将经训练的第一模型132和经训练的第二模型134中的精度较高的模型确定为目标模型。例如，计算设备110可以利用相同的测试集对经训练的第一模型132和经训练的第二模型134进行测试，从而将与真值标签差异最小的模型作为目标模型。通过进一步对所训练的模型进行挑选，可以进一步提升最终获得的模型的精度。

根据本公开的实施例，可以通过利用特征表示能力更强的融合结果和模型各自的输出结果之间的差异来监督模型的训练，由此可以提高所训练的模型的精度。根据模型的类型和测试结果来东条第调整针对不同约束的权重可以进一步提高所训练的模型的精度。

图3示出了根据本公开的实施例的用于处理数据的示例方法300的流程图。例如，方法300可以由如图1A所示的计算设备来执行。

在图3的框310处，计算设备110可以获取输入数据。计算设备110处可以部署有根据上文所描述的方式训练过的经训练模型。在一些实施例中，输入数据可以是待进行图像分类的图像数据，并且经训练模型是图像分类模型、语义分割模型以及目标识别模型中的一项。

在图3的框320处，计算设备110可以利用经训练模型，确定针对所述输入数据的预测结果。例如，在上述输入数据可以是待进行图像分类的图像数据，并且经训练模型是图像分类模型的实施例中，预测结果是所述图像的分类结果。在上述输入数据可以是待进行语义分割的图像数据，并且经训练模型是语义分割模型的实施例中，预测结果是语义分割结果。在上述输入数据可以是待进行语义分割的图像数据，并且经训练模型是目标识别模型的实施例中，预测结果是目标识别结果。根据本公开的方案还可以应用于其他与图像处理相关的任务中、或者基于图像处理技术而进行的任务(例如，自动驾驶、自主泊车等)中。

图4示出了根据本公开的实施例的用于训练模型的装置400的示意框图。如图4所示，装置400包括：特征融合模块410，被配置为将第一模型针对训练样本输出的第一特征和第二模型针对训练样本输出的第二特征组合，以获得组合特征，第一模型和第二模型被初始化以具有不同的模型参数；第一约束确定模块420，被配置为基于第一特征、第二特征和组合特征之间的差异，分别确定第一约束、第二约束和第三约束；以及第一模型训练模块430，被配置为至少基于第一约束、第二约束和第三约束，训练第一模型和第二模型。

在一些实施例中，其中第一约束确定模块420可以包括：第二约束确定模块，被配置为基于第一特征和第二特征之间的差异确定第一约束；第三约束确定模块，被配置为基于第一特征和组合特征之间的差异确定第二约束；以及第四约束确定模块，被配置为基于第二特征和组合特征之间的差异确定第三约束。

在一些实施例中，其中训练样本具有指示训练样本的类别的标签，装置400还可以包括：第四约束确定模块，被配置为基于第一特征和标签之间的差异，确定第四约束；第五约束确定模块，被配置为基于第二特征和标签之间的差异，确定第五约束；以及第二模型训练模块，被配置为基于第一约束、第二约束、第三约束、第四约束、第五约束，训练第一模型和第二模型。

在一些实施例中，其中第二模型训练模块可以包括：权重确定模块，被配置为确定分别与第一约束、第二约束、第三约束、第四约束、第五约束相关联的权重；以及第三模型训练模块，被配置为基于第一约束、第二约束、第三约束、第四约束、第五约束以及相关联的权重，训练第一模型和第二模型。

在一些实施例中，装置400还可以包括：目标模型确定模块，被配置为将经训练的第一模型和经训练的第二模型中的精度较高的模型确定为目标模型。

在一些实施例中，其中训练样本可以包括原始样本和基于原始样本增广所得的增广样本中的至少一项。

在一些实施例中，其中训练样本可以包括以下至少一项：图像、视频、音频和文本。

图5示出了根据本公开的实施例的用于处理数据的装置500的示意框图。如图5所示，装置500包括：数据获取模块510，被配置为获取输入数据；以及预测模块520，被配置为利用根据权利要求9-14中任一项的装置训练的经训练模型，确定针对输入数据的预测结果。

在一些实施例中，其中输入数据可以是图像的数据，经训练模型可以是图像分类模型、语义分割模型以及目标识别模型中的一项，并且预测结果可以是图像的分类结果、语义分割结果、目标识别结果中的对应的一项。

图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。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/或者要求的本公开的实现。

如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(ROM)602中的计算机程序或者从存储单元608加载到随机访问存储器(RAM)603中的计算机程序，来执行各种适当的动作和处理。在RAM 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、ROM 602以及RAM 603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。

设备600中的多个部件连接至I/O接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。

计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如过程200和300。例如，在一些实施例中，过程200和300可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由ROM 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到RAM 603并由计算单元601执行时，可以执行上文描述的过程200和300的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行过程200和300。

本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、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。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

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，CRT(阴极射线管)或者LCD(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(LAN)、广域网(WAN)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。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务("Virtual Private Server"，或简称"VPS")中，存在的管理难度大，业务增广性弱的缺陷。服务器也可以为分布式***的服务器，或者是结合了区块链的服务器。

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，本发公开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，只要能够实现本公开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，并不构成对本公开保护范围的限制。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。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (18)

1.一种用于训练处理图像数据的模型的方法，包括：

将第一模型针对包括图像的训练样本输出的所述图像的第一特征和第二模型针对所述训练样本输出的所述图像的第二特征组合，以获得针对所述图像的组合特征，所述第一模型和所述第二模型被初始化以具有不同的模型参数；

基于所述第一特征、所述第二特征和所述组合特征之间的差异，分别确定第一约束、第二约束和第三约束；以及

至少基于所述第一约束、所述第二约束和所述第三约束来调整所述第一模型和所述第二模型的模型参数以得到经训练的所述第一模型和经训练的所述第二模型;

将经训练的所述第一模型和经训练的所述第二模型中的精度较高的模型确定为用于处理图像数据的目标模型；

其中分别确定所述第一约束、所述第二约束和所述第三约束包括：

基于所述第一特征和所述第二特征之间的差异确定所述第一约束；

基于所述第一特征和所述组合特征之间的差异确定所述第二约束；以及

基于所述第二特征和所述组合特征之间的差异确定所述第三约束。

2.根据权利要求1所述的方法，其中所述训练样本具有指示所述训练样本的类别的标签，所述方法还包括：

基于所述第一特征和所述标签之间的差异，确定第四约束；

基于所述第二特征和所述标签之间的差异，确定第五约束；以及

基于所述第一约束、所述第二约束、所述第三约束、所述第四约束、所述第五约束，训练所述第一模型和所述第二模型。

3.根据权利要求2所述的方法，其中基于所述第一约束、所述第二约束、所述第三约束、所述第四约束、所述第五约束，训练所述第一模型和所述第二模型包括：

确定分别与所述第一约束、所述第二约束、所述第三约束、所述第四约束、所述第五约束相关联的权重；以及

基于所述第一约束、所述第二约束、所述第三约束、所述第四约束、所述第五约束以及所述相关联的权重，训练所述第一模型和所述第二模型。

4.根据权利要求1所述的方法，其中所述训练样本包括原始样本和基于所述原始样本增广所得的增广样本中的至少一项。

5.根据权利要求1所述的方法，其中所述训练样本还包括以下至少一项：视频、音频和文本。

6.一种用于处理数据的方法，包括：

获取包括图像数据的输入数据；以及

利用根据权利要求1-5中任一项所述的方法训练的经训练模型，确定针对所述输入数据的预测结果。

7.根据权利要求6所述的方法，其中所述经训练模型是图像分类模型、语义分割模型以及目标识别模型中的一项，并且所述预测结果是所述图像的分类结果、语义分割结果、目标识别结果中的对应的一项。

8.一种用于训练处理图像数据的模型的装置，包括：

特征融合模块，被配置为将第一模型针对包括图像的训练样本输出的所述图像的第一特征和第二模型针对所述训练样本输出的所述图像的第二特征组合，以获得针对所述图像的组合特征，所述第一模型和所述第二模型被初始化以具有不同的模型参数；

第一约束确定模块，被配置为基于所述第一特征、所述第二特征和所述组合特征之间的差异，分别确定第一约束、第二约束和第三约束；以及

第一模型训练模块，被配置为至少基于所述第一约束、所述第二约束和所述第三约束来调整所述第一模型和所述第二模型的模型参数以得到经训练的所述第一模型和经训练的所述第二模型;

目标模型确定模块，被配置为将经训练的所述第一模型和经训练的所述第二模型中的精度较高的模型确定为用于处理图像数据的目标模型； 其中所述第一约束确定模块包括：

第二约束确定模块，被配置为基于所述第一特征和所述第二特征之间的差异确定所述第一约束；

第三约束确定模块，被配置为基于所述第一特征和所述组合特征之间的差异确定所述第二约束；以及

第四约束确定模块，被配置为基于所述第二特征和所述组合特征之间的差异确定所述第三约束。

9.根据权利要求8所述的装置，其中所述训练样本具有指示所述训练样本的类别的标签，所述装置还包括：

第四约束确定模块，被配置为基于所述第一特征和所述标签之间的差异，确定第四约束；

第五约束确定模块，被配置为基于所述第二特征和所述标签之间的差异，确定第五约束；以及

第二模型训练模块，被配置为基于所述第一约束、所述第二约束、所述第三约束、所述第四约束、所述第五约束，训练所述第一模型和所述第二模型。

10.根据权利要求9所述的装置，其中所述第二模型训练模块包括：

权重确定模块，被配置为确定分别与所述第一约束、所述第二约束、所述第三约束、所述第四约束、所述第五约束相关联的权重；以及

第三模型训练模块，被配置为基于所述第一约束、所述第二约束、所述第三约束、所述第四约束、所述第五约束以及所述相关联的权重，训练所述第一模型和所述第二模型。

11.根据权利要求8所述的装置，其中所述训练样本包括原始样本和基于所述原始样本增广所得的增广样本中的至少一项。

12.根据权利要求8所述的装置，其中所述训练样本还包括以下至少一项：视频、音频和文本。

13.一种用于处理数据的装置，包括：

数据获取模块，被配置为获取包括图像数据的输入数据；以及

预测模块，被配置为利用根据权利要求8-12中任一项所述的装置训练的经训练模型，确定针对所述输入数据的预测结果。

14.根据权利要求13所述的装置，其中所述经训练模型是图像分类模型、语义分割模型以及目标识别模型中的一项，并且所述预测结果是所述图像的分类结果、语义分割结果、目标识别结果中的对应的一项。

15.一种电子设备，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1-5中任一项所述的方法。

16.一种电子设备，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6-7中任一项所述的方法。

17.一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根据权利要求1-5中任一项所述的方法。

18.一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根据权利要求6-7中任一项所述的方法。

Images