本发明专利技术涉及智能决策技术，揭露了一种模型样本的权重生成方法，包括：获取待训练模型和其对应的训练样本，计算通过训练样本训练待训练模型过程中的第一分析图，并根据第一分析图，计算通过训练样本训练待训练模型过程中的第二分析图；获取第一分析图和第二分析图的像素点，得到第一像素点和第二像素点，计算第一像素点和第二像素点的像素点距离；根据像素点距离，计算通过训练样本训练待训练模型的训练置信度；根据训练置信度，构建待训练模型的损失函数，根据损失函数，确定训练样本在训练待训练模型的样本权重。本发明专利技术还提出一种模型样本的权重生成装置、设备及存储介质。本发明专利技术在于生成模型样本的权重，来增加模型推理过程的可靠性。可靠性。可靠性。
【技术实现步骤摘要】
模型样本的权重生成方法、装置、设备及存储介质
[0001]本专利技术涉及智能决策
，尤其涉及一种模型样本的权重生成方法、 装置、设备及计算机可读存储介质。
技术介绍
[0002]在统计学和机器学习中经常会用到损失函数来对模型的参数进行估计， 进而判断模型的学习程度，损失函数也称代价函数，是将随机事件或其有关 随机变量的取值映射为非负实数以表示该随机事件的“风险”或“损失”的 函数，通常作为学习准则与优化问题相联系，即通过最小化损失函数求解和 评估模型，当样本不均衡时，往往会给损失函数加上类别权重，促使损失函 数去关注那些数量少的样本，但是该方法只关注了模型的输出结果，没有关 注模型训练过程中训练样本权重的变化，使模型训练推理过程中的可靠性降 低，从而导致生成样本权重的可靠性降低，因此，目前急需一种能够生成模 型样本权重的方法。
技术实现思路
[0003]本专利技术提供一种模型样本的权重生成方法、装置、设备及存储介质，其 主要目的在于生成模型样本的权重，来增加模型推理过程的可靠性。
[0004]为实现上述目的，本专利技术提供的一种模型样本的权重生成方法，包括：
[0005]获取待训练模型和其对应的训练样本，计算通过所述训练样本训练所述 待训练模型过程中的第一分析图，并根据所述第一分析图，计算通过所述训 练样本训练所述待训练模型过程中的第二分析图；
[0006]获取所述第一分析图和所述第二分析图的像素点，得到第一像素点和第 二像素点，计算所述第一像素点和所述第二像素点的像素点距离；
[0007]根据所述像素点距离，计算通过所述训练样本训练所述待训练模型的训 练置信度；
[0008]根据所述训练置信度，构建所述待训练模型的损失函数，根据所述损失 函数，确定所述训练样本在训练所述待训练模型的样本权重。
[0009]可选地，所述计算通过所述训练样本训练所述待训练模型过程中的第一 分析图，包括：
[0010]利用所述训练样本训练所述待训练模型，得到第一训练模型；
[0011]在所述第一训练模型的训练损失大于预设损失时，利用所述预设的 Grad
‑
CAM算法计算所述第一训练分类模型的第一分析图。
[0012]可选地，所述利用所述预设的Grad
‑
CAM算法计算所述第一训练分类模 型的第一分析图，包括：
[0013]利用所述预设的Grad
‑
CAM算法中的权重函数计算所述第一训练模型在 前向传播过程中的通道权重；
[0014]获取所述第一训练模型在前向传播过程中的通道特征；
[0015]根据所述通道权重和所述通道特征，利用所述预设的Grad
‑
CAM算 法中的分析图函数计算所述第一训练分类模型的第一分析图。
[0016]可选地，所述计算所述第一像素点和所述第二像素点的像素点距离，包 括：
[0017]将所述第一像素点和所述第二像素点进行数值转化，得到像素点数值；
[0018]将所述像素点数值按照由大到小的顺序进行排序，得到排序像素点；
[0019]利用预设的距离函数计算所述排序像素点中相邻像素点的像素点距离。
[0020]可选地，所述预设的距离函数包括：
[0021][0022]其中，表示像素点距离，n表示待训练模型的训练轮次，i表示训 练样本的样本索引，A表示像素点数量，j表示像素点的索引，表示第 i个训练样本的样本索引到第j个像素点索引的距离值。
[0023]可选地，所述根据所述像素点距离，计算通过所述训练样本训练所述待 训练模型的训练置信度，包括：
[0024]对所述像素点距离取倒数，得到距离倒数；
[0025]根据所述距离倒数，利用预设的置信度函数计算所述通过所述训练样本 训练所述待训练模型的训练置信度。
[0026]可选地，所述利用下述公式构建所述待训练模型的损失函数：
[0027][0028]表示损失函数，表示训练置信度，α表示待训练模型的超参 数，l(x
i
,z
i
)表示待训练模型的原损失函数在单个样本的表现形式，x
i
表示待训 练模型的第i个样本，z
i
表示待训练模型的第i个样本的标签值，m表示待训 练模型的训练样本数量。
[0029]为了解决上述问题，本专利技术还提供一种模型样本的权重生成装置，所述 装置包括：
[0030]分析图计算模块，用于获取待训练模型和其对应的训练样本，计算通过 所述训练样本训练所述待训练模型过程中的第一分析图，并根据所述第一分 析图，计算通过所述训练样本训练所述待训练模型过程中的第二分析图；
[0031]像素点获取模块，用于获取所述第一分析图和所述第二分析图的像素点， 得到第一像素点和第二像素点，计算所述第一像素点和所述第二像素点的像 素点距离；
[0032]训练置信度计算模块，用于根据所述像素点距离，计算通过所述训练样 本训练所述待训练模型的训练置信度；
[0033]损失函数构建模块，用于根据所述训练置信度，构建所述待训练模型的 损失函数，根据所述损失函数，确定所述训练样本在训练所述待训练模型的 样本权重。
[0034]为了解决上述问题，本专利技术还提供一种电子设备，所述电子设备包括：
[0035]至少一个处理器；以及，
[0036]与所述至少一个处理器通信连接的存储器；其中，
[0037]所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序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上述所述的模型样本的权重生成方法。
[0038]为了解决上述问题，本专利技术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计算机程序，所述至少一个计算机程序被电子设备中的处理器执行以实现上述所述的模型样本的权重生成方法。
[0039]本专利技术实施例通过本专利技术通过获取所述待训练模型和其对应的训练样本，计算通过所述训练样本训练所述待训练模型过程中的第一分析图，可以通过第一分析图了解所述待训练模型的训练结果以及所述待训练模型中需要调整参数的结构，其中，本专利技术实施例通过查询所述第一分析图和所述第二分析图的像素点，可以得到所述第一像素点和所述第二像素点，为后续计算像素点的距离提供了保障；此外，通过根据所述训练置信度，可以对所述待训练模型的损失函数进行构建，可以使训练出的所述待训练模型更具可靠性。因此，本专利技术实施例提供的一种模型样本的权重生成方法、装置、设备及存储介质，能够生成模型样本的权重，来增加模型推理过程的可靠性。
附图说明
[0040]图1为本专利技术一实施例提供的模型样本的权重生成方法的流程示意图；
[0041]图2为本专利技术一实施例提供的模型样本的权重生成装置的功能模块图；
[0042]图3为本专利技术一实施例提供的实现所述模型样本的权重生成方法的电子设备的结构本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种模型样本的权重生成方法，其特征在于，所述方法包括：获取待训练模型和其对应的训练样本，计算通过所述训练样本训练所述待训练模型过程中的第一分析图，并根据所述第一分析图，计算通过所述训练样本训练所述待训练模型过程中的第二分析图；获取所述第一分析图和所述第二分析图的像素点，得到第一像素点和第二像素点，计算所述第一像素点和所述第二像素点的像素点距离；根据所述像素点距离，计算通过所述训练样本训练所述待训练模型的训练置信度；根据所述训练置信度，构建所述待训练模型的损失函数，根据所述损失函数，确定所述训练样本在训练所述待训练模型的样本权重。2.如权利要求1所述的模型样本的权重生成方法，其特征在于，所述计算通过所述训练样本训练所述待训练模型过程中的第一分析图，包括：利用所述训练样本训练所述待训练模型，得到第一训练模型；在所述第一训练模型的训练损失大于预设损失时，利用所述预设的Grad
‑
CAM算法计算所述第一训练分类模型的第一分析图。3.如权利要求2所述的模型样本的权重生成方法，其特征在于，所述利用所述预设的Grad
‑
CAM算法计算所述第一训练分类模型的第一分析图，包括：利用所述预设的Grad
‑
CAM算法中的权重函数计算所述第一训练模型在前向传播过程中的通道权重；获取所述第一训练模型在前向传播过程中的通道特征；根据所述通道权重和所述通道特征，利用所述预设的Grad
‑
CAM算法中的分析图函数计算所述第一训练分类模型的第一分析图。4.如权利要求1所述的模型样本的权重生成方法，其特征在于，所述计算所述第一像素点和所述第二像素点的像素点距离，包括：将所述第一像素点和所述第二像素点进行数值转化，得到像素点数值；将所述像素点数值按照由大到小的顺序进行排序，得到排序像素点；利用预设的距离函数计算所述排序像素点中相邻像素点的像素点距离。5.如权利要求1所述的模型样本的权重生成方法，其特征在于，所述预设的距离函数包括：其中，表示像素点距离，n表示待训练模型的训练轮次，i表示训练样本的样本索引，A表示像素点数量，j表示像素点的索引，表示第i个训练样本的样本索引到第j个像素点索引的距离值。6....
【专利技术属性】
技术研发人员：郑喜民，胡浩楠，舒畅，陈又新，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。