资源发放模型的训练方法、装置、设备、存储介质及产品.pdf
St****36
亲,该文档总共29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
资源发放模型的训练方法、装置、设备、存储介质及产品.pdf
本申请提供了一种资源发放模型的训练方法、装置、设备、存储介质及产品,属于互联网技术领域。方法包括:获取发放环节序列包括的多个发放环节的样本数据,发放环节的样本数据包括样本账号的参考特征信息、需求信息和第一回报信息;基于发放环节序列包括的多个发放环节的顺序,依次执行如下步骤,直到资源发放模型满足收敛条件为止,得到目标资源发放模型:基于当前发放环节的样本数据,确定当前发放环节的第二回报信息,第二回报信息用于表示样本账号在第一个环节至当前发放环节基于互联网平台发放的虚拟资源,对互联网平台产生的总回报,基于当前发
语音识别模型训练方法、装置、设备、存储介质及产品.pdf
本申请公开了一种语音识别模型训练方法、装置、设备、存储介质及产品,属于互联网技术领域。该方法先获取多个非人声音频,通过第一语音识别模型对多个非人声音频进行识别,得到每个非人声音频对应的识别结果,基于该识别结果,确定被识别为人声音频的多个第一非人声音频,从多个第一非人声音频中,确定目标非人声音频,将目标非人声音频与不包含唤醒词的人声音频作为负样本,将包含唤醒词的人声音频作为正样本,基于负样本和正样本进行模型训练,得到用于识别唤醒词的第二语音识别模型。该第二语音识别模型在识别唤醒词时,可以消除与唤醒词相似的非
模型训练方法、装置、设备、存储介质以及程序产品.pdf
本公开提供了一种模型训练方法、装置、设备、存储介质以及程序产品,涉及人工智能技术领域,尤其涉及深度学习技术领域。该方法的一具体实施方式包括:获取训练样本,其中,训练样本包括样本数据和真值标签;将样本数据作为输入,将真值标签作为输出,对集成特征工程的机器学习模型进行训练,得到目标模型,其中,特征工程用于对输入进行特征选择、特征提取和特征构建。该实施方式将特征工程集成至模型训练内部,仅需维护集成特征工程的模型训练部分,极大地提高了模型的迭代效率,促进业务快速发展。
模型训练方法、装置、设备及存储介质.pdf
本公开实施例公开了一种模型训练方法、装置、设备及存储介质,其中,所述方法包括:损失函数缩放器创建接口基于缩放器构造参数,创建损失函数缩放器;在对深度学习模型进行的每一轮次混合精度训练的前向传播过程中,损失函数缩放器缩放接口基于所述损失函数缩放器,对所述深度学习模型在当前轮次混合精度训练中输出的损失值进行放大处理,得到放大后的所述损失值;在每一所述轮次混合精度训练的反向传播过程中,损失函数优化器迭代接口利用设定的优化器和所述损失函数缩放器,基于放大后的所述损失值,对所述深度学习模型中的网络参数进行更新,得到
模型训练方法、装置、设备及存储介质.pdf
本申请公开了模型训练方法和装置,具体实现方案为:获取用户行为序列样本集;将样本集中的用户行为序列输入至第一模型,得到第一预选条目的概率分布和第一目标条目,其中,第一模型为预先训练的教师模型;将样本集中的用户行为序列作为输入,将第二预选条目的概率分布和第二目标条目作为输出,对第二模型进行训练,得到用户行为预测模型,其中,第二模型为待训练的学生模型,用户行为预测模型的训练目标包括第一目标,第一目标为使第二目标条目对应向量和第一目标条目对应向量保持一致,第一模型和/或第二模型的训练任务包括辅助任务,辅助任务包括