机器学习模型的训练方法、训练装置及存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN112101488A(43)申请公布日2020.12.18(21)申请号202011291240.3(22)申请日2020.11.18(71)申请人北京沃东天骏信息技术有限公司地址100176北京市大兴区北京经济技术开发区科创十一街18号院2号楼4层A402室申请人北京京东世纪贸易有限公司(72)发明人白亚龙张炜梅涛周伯文(74)专利代理机构中国贸促会专利商标事务所有限公司11038代理人姜雍方亮(51)Int.Cl.G06K9/62(2006.01)G06N20/00(2019.01)权利要求书4页说明书10页附图3页(54)发明名称机器学习模型的训练方法、训练装置及存储介质(57)摘要本公开提供了一种机器学习模型的训练方法、训练装置及计算机可读存储介质，涉及人工智能技术领域。其中的机器学习模型的训练方法包括：将训练图像输入机器学习模型，获得训练图像的预测置信度；将训练图像的预测置信度和标签真实值输入评价指标损失函数，获得损失函数值，其中，评价指标损失函数的损失函数值随机器学习模型的评价指标单调递减，评价指标由训练图像的预测置信度和标签真实值表示；根据损失函数值调整机器学习模型中的各个参数变量。本公开能够有效提升机器学习模型的评价指标。CN112101488ACN112101488A权利要求书1/4页1.一种机器学习模型的训练方法，包括：将训练图像输入机器学习模型，获得训练图像的预测置信度；将训练图像的预测置信度和标签真实值输入评价指标损失函数，获得损失函数值，其中，所述评价指标损失函数的损失函数值随机器学习模型的评价指标单调递减，所述评价指标由训练图像的预测置信度和标签真实值表示；根据损失函数值调整机器学习模型中的各个参数变量。2.根据权利要求1所述的训练方法，还包括：以训练图像的预测置信度和标签真实值为自变量，构建可导的评价指标损失函数。3.根据权利要求2所述的训练方法，其中，所述以训练图像的预测置信度和标签真实值为自变量，构建可导的评价指标损失函数包括：利用训练图像的预测置信度和标签真实值，表示不同种图像标记情况对应的量化值，其中，每种图像标记情况包括不同的图像标记组合，图像标记组合包括训练图像的标签真实值和预测标记值；利用不同种图像标记情况对应的量化值，表示所述评价指标；利用所述评价指标，构造可导的所述评价指标损失函数。4.根据权利要求3所述的训练方法，其中，所述不同种图像标记情况包括：在二分类图像标记场景下，训练图像的标签真实值为正且预测标记值为正、训练图像的标签真实值为负而预测标记值为正、训练图像的标签真实值为正且预测标记值为负、训练图像的标签真实值为负且预测标记值为负。5.根据权利要求4所述的训练方法，其中，所述利用训练图像的预测置信度和标签真实值，表示不同种图像标记情况对应的量化值包括：其中，表示训练图像的标签真实值为正且预测标记值为正对应的量化值；x表示一批训练图像中的各个样本训练图像；表示单个训练图像的预测置信度，取值区间为[0,1]；表示单个训练图像的标签真实值，取值为0或1。6.根据权利要求4所述的训练方法，其中，所述利用训练图像的预测置信度和标签真实值，表示不同种图像标记情况对应的量化值包括：其中，表示训练图像的标签真实值为正而预测标记值为负对应的量化值；x表示一批训练图像中的各个样本训练图像；表示单个训练图像的预测置信度，取值区间为[0,1]；表示单个训练图像的标签真实值，取值为0或1。7.根据权利要求4所述的训练方法，其中，所述利用训练图像的预测置信度和标签真实2CN112101488A权利要求书2/4页值，表示不同种图像标记情况对应的量化值包括：其中，表示训练图像的标签真实值为负而预测标记值为正对应的量化值；x表示一批训练图像中的各个样本训练图像；表示单个训练图像的预测置信度，取值区间为[0,1]；表示单个训练图像的标签真实值，取值为0或1。8.根据权利要求4所述的训练方法，其中，所述利用训练图像的预测置信度和标签真实值，表示不同种图像标记情况对应的量化值包括：其中，表示训练图像的标签真实值为负且预测标记值为负对应的量化值；x表示一批训练图像中的各个样本训练图像；表示单个训练图像的预测置信度，取值区间为[0,1]；表示单个训练图像的标签真实值，取值为0或1。9.根据权利要求1所述的训练方法，其中，所述根据损失函数值调整机器学习模型中的各个参数变量包括：采用交叉熵损失函数训练机器学习模型，以使机器学习模型收敛；采用所述评价指标损失函数训练收敛后的机器学习模型，以根据所述评价指标损失函数的损失函数值对机器学习模型中的各个参数变量进行调整。10.根据权利要求1至9任一项所述的训练方法，其中，所述评价指标包括准确率、精确率、