CN113361575B - 模型训练方法、装置和电子设备 - Google Patents

Abstract

本公开公开了模型训练方法、装置和电子设备，涉及人工智能技术领域，尤其涉及计算机视觉、深度学习技术领域。具体实现方案为：获取训练样本；利用所述训练样本训练模型，对所述模型的模型参数进行更新；在每次训练的过程中，响应于所述模型参数更新结束，对所述模型参数进行归一化处理。由此，利用训练样本训练模型，对模型的模型参数进行更新，在每次训练的过程中，响应于模型参数更新结束，对模型参数进行归一化处理，从而训练过程中模型参数的值的波动程度较小，不会发生极端变化，可以加快模型训练，节省模型的训练时间，提高模型的训练效率。

Description

模型训练方法、装置和电子设备

技术领域

本公开涉及计算机技术领域，尤其涉及一种模型训练方法、装置、电子设备、存储介质和计算机程序产品。

背景技术

目前，随着人工智能技术的发展，模型在图像识别、语音识别、文本翻译等领域得到了广泛应用，方便了人们的生活。比如，可通过人脸识别模型识别图片中的人脸，以便可根据识别的人脸获取用户身份，可应用于智慧城市等应用场景下。然而目前的模型训练方法，模型训练需要耗费较长时间，模型训练效率较低。

发明内容

提供了一种模型训练方法、装置、电子设备、存储介质和计算机程序产品。

根据第一方面，提供了一种模型训练方法，包括：获取训练样本；利用所述训练样本训练模型，对所述模型的模型参数进行更新；在每次训练的过程中，响应于所述模型参数更新结束，对所述模型参数进行归一化处理。

根据第二方面，提供了一种模型训练装置，包括：获取模块，用于获取训练样本；更新模块，用于利用所述训练样本训练模型，对所述模型的模型参数进行更新；归一化模块，用于在每次训练的过程中，响应于所述模型参数更新结束，对所述模型参数进行归一化处理。

根据第三方面，提供了一种电子设备，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本公开第一方面所述的模型训练方法。

根据第四方面，提供了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本公开第一方面所述的模型训练方法。

根据第五方面，提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现本公开第一方面所述的模型训练方法。

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，不构成对本公开的限定。其中：

图1是根据本公开第一实施例的模型训练方法的流程示意图；

图2根据本公开第二实施例的模型训练方法中利用训练样本训练模型，对模型的模型参数进行更新的流程示意图；

图3根据本公开第三实施例的模型训练方法中对模型参数进行归一化处理的流程示意图；

图4根据本公开第四实施例的模型训练方法中对模型参数进行归一化处理的流程示意图；

图5是根据本公开第一实施例的模型训练装置的框图；

图6是用来实现本公开实施例的模型训练方法的电子设备的框图。

具体实施方式

以下结合附图对本公开的示范性实施例做出说明，其中包括本公开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，而不会背离本公开的范围和精神。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。

AI(Artificial Intelligence，人工智能)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门技术科学。目前，AI技术具有自动化程度高、精确度高、成本低的优点，得到了广泛的应用。

计算机视觉(Computer Vision)是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。计算机视觉是一门综合性的学科，包括计算机科学和工程、信号处理、物理学、应用数学和统计学，神经生理学和认知科学等。

深度学习(Deep Learning)是机器学习(Machine Learning)领域中一个新的研究方向，是学习样本数据的内在规律和表示层次，使得机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据的一门科学，广泛应用于语音和图像识别。

图1是根据本公开第一实施例的模型训练方法的流程示意图。

如图1所示，本公开第一实施例的模型训练方法，包括：

S101，获取训练样本。

需要说明的是，本公开实施例的模型训练方法的执行主体可为具有数据信息处理能力的硬件设备和/或驱动该硬件设备工作所需必要的软件。可选地，执行主体可包括工作站、服务器，计算机、用户终端及其他智能设备。其中，用户终端包括但不限于手机、电脑、智能语音交互设备、智能家电、车载终端等。

本公开的实施例中，可获取训练样本，对训练样本的类型不做过多限定。可以理解的是，不同的模型可对应不同的训练样本，比如，若模型为图像识别模型，则训练样本可包括图像和图像识别参考结果，若模型为文本翻译模型，则训练样本可包括文本和文本翻译参考结果，若模型为语音识别模型，则训练样本可包括语音和语音识别参考结果。

在一种实施方式中，训练样本可通过人工标定来获取。

S102，利用训练样本训练模型，对模型的模型参数进行更新。

本公开的实施例中，可利用训练样本训练模型，对模型的模型参数进行更新。

在一种实施方式中，利用训练样本训练模型，对模型的模型参数进行更新，可包括将训练样本输入至模型中，获取模型的损失函数的梯度信息，利用梯度信息对模型的模型参数进行更新。

例如，模型为图像识别模型，训练样本包括图像和图像识别参考结果，则可将训练样本中的图像输入至图像识别模型中，由图像识别模型对图像进行识别，输出图像识别预测结果，可根据图像对应的图像识别预测结果和图像识别参考结果，获取模型的损失函数的梯度信息，利用梯度信息对模型的模型参数进行更新。

S103，在每次训练的过程中，响应于模型参数更新结束，对模型参数进行归一化处理。

本公开的实施例中，在每次训练的过程中，可响应于模型参数更新结束，对模型参数进行归一化(Normalization)处理。也就是说，在每次训练的模型参数更新结束之后，都对模型参数进行归一化处理，基于归一化后的模型参数继续训练模型，从而训练过程中模型参数的值的波动程度较小，不会发生极端变化，可以加快模型训练，节省模型的训练时间。

本公开的实施例中，对归一化处理的方式不做过多限定。比如，可采用预设算法进行归一化，其中，预设算法可根据实际情况进行设置，比如可为x^’＝(x-min)/(max-min)，其中，x为待归一化处理的模型参数，x^’为归一化处理之后的模型参数，min为待归一化处理的模型参数中的最小值，max为待归一化处理的模型参数中的最大值，该公式可将模型参数调整为0～1。

在一种实施方式中，在每次训练的过程中，还包括响应于模型参数的归一化处理结束，判断是否满足结束训练的条件，若满足结束训练的条件，则结束模型训练，若不满足结束训练的条件，则继续利用训练样本训练模型。其中，结束训练的条件可根据实际情况进行设置，例如包括但不限于模型精度达到预设阈值，模型迭代次数达到预设次数阈值等，这里不做过多限定。

综上，根据本公开实施例的模型训练方法，利用训练样本训练模型，对模型的模型参数进行更新，在每次训练的过程中，响应于模型参数更新结束，对模型参数进行归一化处理，从而训练过程中模型参数的值的波动程度较小，不会发生极端变化，可以加快模型训练，节省模型的训练时间，提高模型的训练效率。

在上述任一实施例的基础上，步骤S102中利用训练样本训练模型，包括获取模型的卷积核的实际尺寸，根据实际尺寸和预设间隔尺寸，生成卷积核的候选训练尺寸，利用训练样本训练模型，其中，模型的卷积核的尺寸为任一候选训练尺寸。

本公开的实施例中，可获取模型的卷积核的实际尺寸，其中，卷积核的实际尺寸包括卷积核的实际高度和实际宽度。例如，模型的某层的卷积核的实际尺寸为7*7，卷积核的实际高度和实际宽度均为7。

进一步地，可根据实际尺寸和预设间隔尺寸，生成卷积核的候选训练尺寸。其中，预设间隔尺寸包括预设高度间隔尺寸和预设宽度间隔预设尺寸，可根据实际情况进行设置。应说明的是，卷积核的候选训练尺寸包括卷积核的实际尺寸。例如，预设间隔尺寸可为2*2，预设高度间隔尺寸和预设宽度间隔尺寸均为2，实际尺寸为7*7时，生成的候选训练尺寸可包括7*7、5*5、3*3。

进一步地，可利用训练样本训练模型，其中，模型的卷积核的尺寸为任一候选训练尺寸。在一种实施方式中，可按照候选训练尺寸倒序的顺序，利用训练样本训练模型，比如，候选训练尺寸包括7*7、5*5、3*3时，可利用训练样本依次训练卷积核的尺寸为7*7、5*5、3*3的模型。

由此，该方法可根据模型的卷积核的实际尺寸生成候选训练尺寸，并利用训练样本训练卷积核的尺寸为任一候选训练尺寸的模型。

在上述任一实施例的基础上，模型可包括多个子模型，至少两个子模型之间具有重合的模型参数。由此，至少两个子模型之间具有重合的模型参数，有助于减少模型训练次数，提高模型训练效率。

在一种实施方式中，子模型的拓扑结构与模型的拓扑结构相同，子模型的模型参数是模型的部分模型参数。

在一种实施方式中，模型可为通过NAS(Neural Architecture Search，神经结构搜索)算法构建的超网络模型，超网络模型具有搜索空间，搜索空间包括多个子模型，至少两个子模型之间具有重合的模型参数。

进一步地，如图2所示，步骤S102中利用训练样本训练模型，对模型的模型参数进行更新，可包括：

S201，利用训练样本训练子模型，对子模型的模型参数进行更新。

本公开的实施例中，可利用训练样本训练子模型，对子模型的模型参数进行更新。

在一种实施方式中，可从预设的子模型训练队列中获取本次训练的目标子模型，并利用训练样本训练目标子模型，对目标子模型的模型参数进行更新。其中，子模型训练队列可根据实际情况进行设置，这里不做过多限定。其中，目标子模型的数量可为一个或多个，即本次训练的过程中参与训练的子模型的数量可为一个或多个，这里不做过多限定。

S202，基于子模型的更新后的模型参数，对模型的其余子模型的模型参数进行更新。

本公开的实施例中，可基于子模型的更新后的模型参数，对模型的其余子模型的模型参数进行更新，从而可同步更新子模型的模型参数。

在一种实施方式中，基于子模型的更新后的模型参数，对模型的其余子模型的模型参数进行更新，可包括获取子模型对应的关联子模型，其中，子模型与关联子模型之间具有重合的第一模型参数，基于子模型的更新后的第一模型参数，对关联子模型的第一模型参数进行更新。可以理解的是，子模型对应的关联子模型的数量可为一个或多个，这里不做过多限定。

例如，若子模型M₁与关联子模型M₂之间具有重合的第一模型参数a，子模型M₁的更新后的第一模型参数a的数值为10，关联子模型M₂的第一模型参数a的数值为15，则可将关联子模型M₂的第一模型参数a的数值由15更新为10。

由此，该方法可利用训练样本训练子模型，对子模型的模型参数进行更新，并基于子模型的更新后的模型参数，对模型的其余子模型的模型参数进行更新，有助于减少模型的训练次数，提高模型的训练效率。

在上述任一实施例的基础上，如图3所示，步骤S103中对模型参数进行归一化处理，可包括：

S301，响应于本次参与训练的模型层数小于模型的实际层数，基于模型所有层的模型参数，确定模型对应的整体量化参数。

可以理解的是，每次参与训练的模型层数可能小于模型的实际层数，比如，模型的实际层数为5层，某次参与训练的模型层数可能为4层。则此时利用训练样本训练模型，对本次参与训练的模型中的每层的模型参数进行更新，对本次未参与训练的模型中的每层的模型参数不进行更新。

本公开的实施例中，可响应于本次参与训练的模型层数小于模型的实际层数，基于模型所有层的模型参数，确定模型对应的整体量化参数。由此，在本次参与训练的模型层数小于模型的实际层数时，可综合考虑到模型所有层的模型参数来确定模型的整体量化参数，有助于降低训练过程中模型参数的值的波动程度。

本公开的实施例中，对整体量化参数的类型不做过多限定。可以理解的是，不同的归一化处理方式可对应不同的整体量化参数。比如，继续以x^’＝(x-min)/(max-min)的归一化处理方式为例，整体量化参数可为模型所有层的模型参数中的最大值和最小值。

S302，基于整体量化参数，对模型中的每层的模型参数进行归一化处理。

本公开的实施例中，可基于整体量化参数，对模型中的每层的模型参数进行归一化处理。也就是说，对本次参与训练的模型中的每层的模型参数进行归一化处理，也对本次未参与训练的模型中的每层的模型参数进行归一化处理。

例如，继续以x^’＝(x-min)/(max-min)的归一化处理方式为例，整体量化参数为max、min，其中，max为模型所有层的模型参数的最大值，min为模型所有层的模型参数的最小值，可基于上述整体量化参数max、min，对模型中的每层的模型参数进行归一化处理。

由此，该方法在本次参与训练的模型层数小于模型的实际层数时，可基于模型所有层的模型参数，确定模型对应的整体量化参数，并基于整体量化参数，对模型中的每层的模型参数进行归一化处理，可综合考虑到模型所有层的模型参数来确定模型的整体量化参数，有助于降低训练过程中模型参数的值的波动程度。

在上述任一实施例的基础上，如图4所示，步骤S103中对模型参数进行归一化处理，可包括：

S401，响应于本次参与训练的模型层数等于模型的实际层数，基于模型的任一层的模型参数，确定任一层对应的单元量化参数。

可以理解的是，每次参与训练的模型层数可能等于模型的实际层数，比如，模型的实际层数为5层，某次参与训练的模型层数可能为5层。则此时利用训练样本训练模型，对模型中的每层的模型参数进行更新。

本公开的实施例中，可响应于本次参与训练的模型层数等于模型的实际层数，基于模型的任一层的模型参数，确定任一层对应的单元量化参数。由此，在本次参与训练的模型层数等于模型的实际层数时，可利用模型的任一层的模型参数确定任一层对应的单元量化参数，模型的不同层可对应不同的单元量化参数，灵活性较高。

本公开的实施例中，对单元量化参数的类型不做过多限定。可以理解的是，不同的归一化处理方式可对应不同的单元量化参数。比如，继续以x^’＝(x-min)/(max-min)的归一化处理方式为例，任一层对应的单元量化参数可为模型的任一层的模型参数的最大值和最小值。

S402，基于单元量化参数，对任一层的模型参数进行归一化处理。

本公开的实施例中，可基于任一层对应的单元量化参数，对任一层的模型参数进行归一化处理。也就是说，对模型中的每层的模型参数都进行归一化处理。

例如，继续以x^’＝(x-min)/(max-min)的归一化处理方式为例，任一层对应的单元量化参数为max、min，其中，max为模型的任一层的模型参数的最大值，min为模型的任一层的模型参数的最小值，可基于上述单元量化参数max、min，对任一层的模型参数进行归一化处理。

由此，该方法在本次参与训练的模型层数等于模型的实际层数时，可基于模型的任一层的模型参数，确定任一层对应的单元量化参数，并基于任一层对应的单元量化参数，对任一层的模型参数进行归一化处理，模型的不同层可对应不同的单元量化参数，灵活性较高。

在上述任一实施例的基础上，模型为通过NAS算法构建的超网络模型时，超网络模型训练结束之后，可从超网络模型的搜索空间中筛选出符合预设条件的子模型。其中，预设条件可根据实际情况进行设置，例如包括但不限于子模型精度大于预设精度阈值、速度大于预设速度阈值，占用空间处于预设空间范围。由此，该方法仅需要训练一个超网络模型，并可基于预设条件从超网络模型中筛选出符合预设条件的子模型，有助于节省模型训练时间。

图5是根据本公开第一实施例的模型训练装置的框图。

如图5所示，本公开实施例的模型训练装置500，包括：获取模块501、更新模块502和归一化模块503。

获取模块501，用于获取训练样本；

更新模块502，用于利用所述训练样本训练模型，对所述模型的模型参数进行更新；

归一化模块503，用于在每次训练的过程中，响应于所述模型参数更新结束，对所述模型参数进行归一化处理。

在本公开的一个实施例中，所述归一化模块503，具体用于：响应于本次参与训练的模型层数小于所述模型的实际层数，基于所述模型所有层的模型参数，确定所述模型对应的整体量化参数；基于所述整体量化参数，对所述模型中的每层的模型参数进行归一化处理。

在本公开的一个实施例中，所述归一化模块503，具体用于：响应于本次参与训练的模型层数等于所述模型的实际层数，基于所述模型的任一层的模型参数，确定所述任一层对应的单元量化参数；基于所述单元量化参数，对所述任一层的模型参数进行归一化处理。

在本公开的一个实施例中，所述更新模块502，具体用于：获取所述模型的卷积核的实际尺寸；根据所述实际尺寸和预设间隔尺寸，生成所述卷积核的候选训练尺寸；利用所述训练样本训练所述模型，其中，所述模型的卷积核的尺寸为任一所述候选训练尺寸。

在本公开的一个实施例中，所述模型包括多个子模型，至少两个子模型之间具有重合的模型参数。

在本公开的一个实施例中，所述更新模块502，具体用于：利用所述训练样本训练所述子模型，对所述子模型的模型参数进行更新；基于所述子模型的更新后的模型参数，对所述模型的其余子模型的模型参数进行更新。

综上，本公开实施例的模型训练装置，利用训练样本训练模型，对模型的模型参数进行更新，在每次训练的过程中，响应于模型参数更新结束，对模型参数进行归一化处理，从而训练过程中模型参数的值的波动程度较小，不会发生极端变化，可以加快模型训练，节省模型的训练时间，提高模型的训练效率。

根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。

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，电子设备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，还可存储电子设备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。

电子设备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允许电子设备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，例如图1至图4所述的模型训练方法。例如，在一些实施例中，模型训练方法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/或安装到电子设备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模型训练方法的一个或多个步骤。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)而被配置为执行模型训练方法。

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，业务扩展性弱的缺陷。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。

根据本公开的实施例，本公开还提供了一种计算机程序产品，包括计算机程序，其中，所述计算机程序被处理器执行时实现本公开上述实施例所述的模型训练方法。

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 (12)

1.一种模型训练方法，包括：

获取训练样本；

利用所述训练样本训练模型，对所述模型的模型参数进行更新；

在每次训练的过程中，响应于所述模型参数更新结束，对所述模型参数进行归一化处理；其中，

所述对所述模型参数进行归一化处理，包括：

响应于本次参与训练的模型层数小于所述模型的实际层数，基于所述模型所有层的模型参数，确定所述模型对应的整体量化参数；

基于所述整体量化参数，对所述模型中的每层的模型参数进行归一化处理；

所述模型为图像识别模型、文本翻译模型、语音识别模型之一。

2.根据权利要求1所述的方法，其中，所述对所述模型参数进行归一化处理，包括：

响应于本次参与训练的模型层数等于所述模型的实际层数，基于所述模型的任一层的模型参数，确定所述任一层对应的单元量化参数；

基于所述单元量化参数，对所述任一层的模型参数进行归一化处理。

3.根据权利要求1所述的方法，其中，所述利用所述训练样本训练所述模型，包括：

获取所述模型的卷积核的实际尺寸；

根据所述实际尺寸和预设间隔尺寸，生成所述卷积核的候选训练尺寸；

利用所述训练样本训练所述模型，其中，所述模型的卷积核的尺寸为任一所述候选训练尺寸。

4.根据权利要求1-3任一项所述的方法，其中，所述模型包括多个子模型，至少两个子模型之间具有重合的模型参数。

5.根据权利要求4所述的方法，其中，所述利用所述训练样本训练所述模型，对所述模型的模型参数进行更新，包括：

利用所述训练样本训练所述子模型，对所述子模型的模型参数进行更新；

基于所述子模型的更新后的模型参数，对所述模型的其余子模型的模型参数进行更新。

6.一种模型训练装置，包括：

获取模块，用于获取训练样本；

更新模块，用于利用所述训练样本训练模型，对所述模型的模型参数进行更新；

归一化模块，用于在每次训练的过程中，响应于所述模型参数更新结束，对所述模型参数进行归一化处理；其中，

所述归一化模块，具体用于：

响应于本次参与训练的模型层数小于所述模型的实际层数，基于所述模型所有层的模型参数，确定所述模型对应的整体量化参数；

基于所述整体量化参数，对所述模型中的每层的模型参数进行归一化处理；

所述模型为图像识别模型、文本翻译模型、语音识别模型之一。

7.根据权利要求6所述的装置，其中，所述归一化模块，具体用于：

响应于本次参与训练的模型层数等于所述模型的实际层数，基于所述模型的任一层的模型参数，确定所述任一层对应的单元量化参数；

基于所述单元量化参数，对所述任一层的模型参数进行归一化处理。

8.根据权利要求6所述的装置，其中，所述更新模块，具体用于：

获取所述模型的卷积核的实际尺寸；

根据所述实际尺寸和预设间隔尺寸，生成所述卷积核的候选训练尺寸；

利用所述训练样本训练所述模型，其中，所述模型的卷积核的尺寸为任一所述候选训练尺寸。

9.根据权利要求6-8任一项所述的装置，其中，所述模型包括多个子模型，至少两个子模型之间具有重合的模型参数。

10.根据权利要求9所述的装置，其中，所述更新模块，具体用于：

利用所述训练样本训练所述子模型，对所述子模型的模型参数进行更新；

基于所述子模型的更新后的模型参数，对所述模型的其余子模型的模型参数进行更新。

11. 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中任一项所述的模型训练方法。

12.一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中任一项所述的模型训练方法。