分类模型训练方法以及装置.pdf
听容****55
亲,该文档总共23页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
分类模型训练方法以及装置.pdf
本说明书实施例提供分类模型训练方法以及装置,其中所述分类模型训练方法包括:获取训练样本数据以及目标样本标签,并根据所述训练样本数据以及所述目标样本标签训练获得中间分类器,其中,所述训练样本数据包括目标项目的历史待审核项目数据,将所述训练样本数据及所述目标样本标签输入所述中间分类器,获得所述训练样本数据对应的样本测试结果,根据所述样本测试结果,确定所述训练样本数据的训练样本标签,根据所述训练样本数据以及所述训练样本标签,训练获得目标分类模型,其中,所述目标分类模型用于对所述目标项目的待审核项目数据进行分类,
分类模型训练方法、分类方法、装置、设备以及介质.pdf
本发明实施例公开了一种分类模型训练方法、分类方法、装置、设备以及介质。该方法包括:在初始样本数据中确定当前次迭代的第一抽样样本数据和第二抽样样本数据,其中,所述第一抽样样本数据为首次迭代中预设数量的随机抽样数据或上一次迭代中第一抽样样本数据和第二抽样样本数据的合集,各次迭代中的第二抽样样本数据的分类结果基于对应的第一抽样样本数据的分类结果确定;基于所述第一抽样样本数据和第二抽样样本数据,以及各样本数据的分类结果对当前分类模型进行训练,并得到当前次迭代更新后的分类模型,得到训练后的目标分类模型。通过本发明实
分类模型的训练方法、超参数的搜索方法以及装置.pdf
本申请涉及人工智能技术领域公开了一种分类模型的训练方法、超参数的搜索方法以及装置,训练方法包括获取待训练分类模型的目标超参数,所述目标超参数用于控制所述待训练分类模型的梯度更新步长,所述待训练分类模型包括缩放不变性线性层,所述缩放不变性线性层使得所述待训练分类模型的权重参数乘以任意缩放系数时输出的预测分类结果保持不变;根据所述目标超参数与目标训练方式对所述待训练分类模型的权重参数进行更新,得到训练后的分类模型,所述目标训练方式使得所述待训练分类模型更新前与更新后的权重参数的模长相同。基于本申请的技术方案能
分类网络模型的训练方法、装置以及电子设备.pdf
本申请提供分类网络模型的训练方法、装置、电子设备以及计算机存储介质。其中该方法包括:获得客户端提供的用于监督训练的第一样本数据;基于第一样本数据,获得监督训练参数;监督训练参数用于监督训练初始分类网络模型;获得客户端提供的第二样本数据;其中,第二样本数据为用于训练初始分类网络模型的小样本数据;利用监督训练参数与第二样本数据训练初始分类网络模型,获得目标分类网络模型。由于本申请的分类网络模型的训练方法,首先是通过第一样本数据,获得监督训练参数。之后,结合监督训练参数,利用小样本数据的第二样本数据对初始分类网
分类模型训练方法以及分类方法.pdf
本申请提供一种分类模型训练方法以及分类方法,训练方法包括捕捉源域数据的源域共有特征向量和目标域数据的目标域共有特征向量并输入第一分类器,得到源域数据的第一分类结果和目标域数据的第一分类结果;捕捉源域数据的源域差异特征向量和目标域数据的目标域差异特征向量并输入第二分类器,得到源域数据的第二分类结果和目标域数据的第二分类结果;基于源域数据的第一分类结果、目标域数据的第二分类结果、源域数据的第一分类结果与源域数据的第二分类结果,对神经网络、共有特征捕捉层、第一分类器进行本轮训练。该方法能够同时将源域数据和目标域