模型训练方法、数据处理方法、装置及电子设备制造方法及图纸

本公开关于一种模型训练方法、数据处理方法、装置及电子设备，涉及计算机技术领域。本公开能够加强各模型之间的关联、提升模型整体对多媒体资源的处理性能。该方法包括：将多个资源样本作为首批资源样本输入至待训练的标签生成模型，待训练的标签生成模型包括串行连接的N个子模型，N为大于1的正整数；对于首个子模型，根据首批资源样本以及首批资源样本对应的资源标签，确定首个子模型的评价参数；对于第M个子模型，根据第M批资源样本以及第M批资源样本对应的资源标签，确定第M个子模型的评价参数；根据各子模型的评价参数，对待训练的标签生成模型进行训练，得到标签生成模型。得到标签生成模型。得到标签生成模型。

【技术实现步骤摘要】
模型训练方法、数据处理方法、装置及电子设备


[0001]本公开涉及计算机
，尤其涉及一种模型训练方法、数据处理方法、装置及电子设备。

技术介绍

[0002]随着机器学习模型的广泛应用，在使用单一模型时通常存在模型瓶颈。具体的，建立一个单一模型后，该单一模型可能在解决某个问题的能力上比较出色，而解决其他问题时，结果却不尽人意。
[0003]因此，现有技术提出了多模型融合技术，即将多个预先训练好的模型进行融合，得到融合模型。融合模型由于综合了各个模型的优点，因此可以突破单一模型的模型瓶颈。然而，在实际应用中，由于各个模型之间相对割裂、关联性低，最终导致融合模型对多媒体资源的处理性能不够优异，进而无法得到准确的多媒体资源的标签。

技术实现思路

[0004]本公开提供一种模型训练方法、数据处理方法、装置及电子设备，以加强各模型之间的关联、提升模型整体对多媒体资源的处理性能。本公开的技术方案如下：
[0005]根据本公开实施例的第一方面，提供一种模型训练方法，包括：获取多个资源样本以及多个资源样本对应的资源标签；将多个资源样本作为首批资源样本输入至待训练的标签生成模型，待训练的标签生成模型包括串行连接的N个子模型，N为大于1的正整数；对于首个子模型，根据首批资源样本以及首批资源样本对应的资源标签，确定首个子模型的评价参数；对于第M个子模型，从第M
‑
1批资源样本中，确定第M个子模型对应的第M批资源样本；第M
‑
1批资源样本包括第M
‑
1个子模型的输入样本，第M批资源样本中的资源样本不满足第M
‑
1个子模型的置信度指标，M为大于1小于或等于N的任意正整数；根据第M批资源样本以及第M批资源样本对应的资源标签，确定第M个子模型的评价参数；根据各子模型的评价参数，对待训练的标签生成模型进行训练，得到标签生成模型。
[0006]可选的，从第M
‑
1批资源样本中，确定第M个子模型对应的第M批资源样本，包括：通过第M
‑
1个子模型对第M
‑
1批资源样本进行处理，获取第M
‑
1批资源样本中各资源样本的置信度；将置信度小于或者等于第M
‑
1个子模型的置信度指标的资源样本确定为第M批资源样本。
[0007]可选的，根据第M批资源样本以及第M批资源样本对应的资源标签，确定第M个子模型的评价参数，包括：在存在第M批资源样本的情况下，将第M批资源样本中各资源样本分别输入第M个子模型，得到第M批资源样本中各资源样本的置信度；根据第M批资源样本中各资源样本的置信度、第M批资源样本中各资源样本对应的资源标签以及预设的模型评价函数，确定第M个子模型的评价参数；在不存在第M批资源样本的情况下，将第M个子模型的评价参数确定为预设参数。
[0008]可选的，待训练的标签生成模型中各子模型按照复杂度从低到高的顺序串行连
接。
[0009]可选的，根据首批资源样本以及首批资源样本对应的资源标签，确定首个子模型的评价参数，包括：将首批资源样本中各资源样本分别输入首个子模型，得到首批资源样本中各资源样本的置信度；根据首批资源样本中各资源样本的置信度、首批资源样本中各资源样本对应的资源标签以及预设的模型评价函数，确定首个子模型的评价参数。
[0010]可选的，根据各子模型的评价参数，对待训练的标签生成模型进行训练，得到标签生成模型，包括：将各子模型的评价参数之和作为待训练的标签生成模型的评价参数，对待训练的标签生成模型进行训练，得到标签生成模型。
[0011]根据本公开实施例的第二方面，提供一种多媒体资源的数据处理方法，方法包括：获取待处理多媒体资源；将待处理多媒体资源输入至标签生成模型，标签生成模型为上述第一方面的模型训练方法训练得到的模型；通过标签生成模型对待处理多媒体资源进行处理，得到多媒体资源的标签。
[0012]可选的，标签生成模型包括串行连接的多个子模型；通过标签生成模型对待处理多媒体资源进行处理，得到多媒体资源的标签，包括：按照多个子模型的串行连接顺序，将待处理多媒体资源依次输入多个子模型，直至多个子模型中的目标子模型输出多媒体资源的标签；目标子模型为对待处理多媒体资源进行处理得到的标签置信度大于预设的置信度指标的模型，或者，目标子模型为最后一个子模型。
[0013]根据本公开实施例的第三方面，提供一种模型训练装置，包括获取单元、处理单元以及训练单元；获取单元，用于获取多个资源样本以及多个资源样本对应的资源标签；处理单元，用于将多个资源样本作为首批资源样本输入至待训练的标签生成模型，待训练的标签生成模型包括串行连接的N个子模型，N为大于1的正整数；对于首个子模型，处理单元，用于根据首批资源样本以及首批资源样本对应的资源标签，确定首个子模型的评价参数；对于第M个子模型，处理单元，用于从第M
‑
1批资源样本中，确定第M个子模型对应的第M批资源样本；第M
‑
1批资源样本包括第M
‑
1个子模型的输入样本，第M批资源样本中的资源样本不满足第M
‑
1个子模型的置信度指标，M为大于1小于或等于N的任意正整数；处理单元，还用于根据第M批资源样本以及第M批资源样本对应的资源标签，确定第M个子模型的评价参数；训练单元，用于根据各子模型的评价参数，对待训练的标签生成模型进行训练，得到标签生成模型。
[0014]可选的，处理单元，具体用于：通过第M
‑
1个子模型对第M
‑
1批资源样本进行处理，获取第M
‑
1批资源样本中各资源样本的置信度；将置信度小于或者等于第M
‑
1个子模型的置信度指标的资源样本确定为第M批资源样本。
[0015]可选的，处理单元，具体用于：在存在第M批资源样本的情况下，将第M批资源样本中各资源样本分别输入第M个子模型，得到第M批资源样本中各资源样本的置信度；根据第M批资源样本中各资源样本的置信度、第M批资源样本中各资源样本对应的资源标签以及预设的模型评价函数，确定第M个子模型的评价参数；在不存在第M批资源样本的情况下，将第M个子模型的评价参数确定为预设参数。
[0016]可选的，待训练的标签生成模型中各子模型按照复杂度从低到高的顺序串行连接。
[0017]可选的，处理单元，具体用于：将首批资源样本中各资源样本分别输入首个子模
型，得到首批资源样本中各资源样本的置信度；根据首批资源样本中各资源样本的置信度、首批资源样本中各资源样本对应的资源标签以及预设的模型评价函数，确定首个子模型的评价参数。
[0018]可选的，训练单元具体用于：将各子模型的评价参数之和作为待训练的标签生成模型的评价参数，对待训练的标签生成模型进行训练，得到标签生成模型。
[0019]根据本公开实施例的第四方面，提供一种电子设备，包括获取单元以及处理单元；获取单元，用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取多个资源样本以及所述多个资源样本对应的资源标签；将所述多个资源样本作为首批资源样本输入至待训练的标签生成模型，所述待训练的标签生成模型包括串行连接的N个子模型，所述N为大于1的正整数；对于首个子模型，根据所述首批资源样本以及所述首批资源样本对应的资源标签，确定所述首个子模型的评价参数；对于第M个子模型，从第M
‑
1批资源样本中，确定所述第M个子模型对应的第M批资源样本；所述第M
‑
1批资源样本包括所述第M
‑
1个子模型的输入样本，所述第M批资源样本中的资源样本不满足所述第M
‑
1个子模型的置信度指标，所述M为大于1小于或等于N的任意正整数；根据所述第M批资源样本以及所述第M批资源样本对应的资源标签，确定所述第M个子模型的评价参数；根据各所述子模型的评价参数，对所述待训练的标签生成模型进行训练，得到标签生成模型。2.根据权利要求1所述的模型训练方法，其特征在于，所述从第M
‑
1批资源样本中，确定所述第M个子模型对应的第M批资源样本，包括：通过所述第M
‑
1个子模型对所述第M
‑
1批资源样本进行处理，获取所述第M
‑
1批资源样本中各资源样本的置信度；将所述置信度小于或者等于所述第M
‑
1个子模型的置信度指标的资源样本确定为所述第M批资源样本。3.根据权利要求1
‑
2中任一项所述的模型训练方法，其特征在于，所述待训练的标签生成模型中各子模型按照复杂度从低到高的顺序串行连接。4.根据权利要求1
‑
2中任一项所述的模型训练方法，其特征在于，所述根据各所述子模型的评价参数，对所述待训练的标签生成模型进行训练，得到标签生成模型，包括：将各所述子模型的评价参数之和作为所述待训练的标签生成模型的评价参数，对所述待训练的标签生成模型进行训练，得到所述标签生成模型。5.一种多媒体资源的数据处理方法，其特征在于，所述方法包括：获取待处理多媒体资源；将所述待处理多媒体资源输入至标签生成模型，所述标签生成模型为基于权利要求1
‑
4中任一项所述的模型训练方法训练得到的模型；通过所述标签生成模型对所述待处理多媒体资源进行处理，得到所述多媒体资源的...

【专利技术属性】
技术研发人员：申世伟，金伟，卢佳乐，蒋梦云，
申请(专利权)人：北京达佳互联信息技术有限公司，
类型：发明
国别省市：