训练神经网络模型的方法和装置.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CN114065901A(43)申请公布日2022.02.18(21)申请号202010755919.7(22)申请日2020.07.31(71)申请人华为技术有限公司地址518129广东省深圳市龙岗区坂田华为总部办公楼(72)发明人魏可鑫(74)专利代理机构北京龙双利达知识产权代理有限公司11329代理人王龙华王君(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书16页附图4页(54)发明名称训练神经网络模型的方法和装置(57)摘要本申请涉及终端人工智能，提供了一种训练神经网络模型的方法和装置，联合迁移学习的方法和深度学习的方法，在样本数量、算力、训练时间一定的条件下可以训练得到精度更高的神经网络模型。该方法包括：获取第一训练样本；根据第一训练样本获取第一训练样本的第一特征向量；根据第一特征向量获取第一深度神经网络模型；根据第一训练样本获取预训练模型；将第一深度神经网络模型和预训练模型组合，以得到组合神经网络模型；根据第一训练样本训练组合神经网络模型，以得到目标神经网络模型。CN114065901ACN114065901A权利要求书1/3页1.一种训练神经网络模型的方法，其特征在于，包括：获取第一训练样本；根据所述第一训练样本获取所述第一训练样本的第一特征向量；根据所述第一特征向量获取第一深度神经网络模型；根据第一训练样本获取预训练模型；将所述第一深度神经网络模型和所述预训练模型组合，以得到组合神经网络模型；根据所述第一训练样本训练所述组合神经网络模型，以得到目标神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述根据所述第一特征向量获取第一神经网络模型，包括：获取网络结构存储表，所述网络结构存储表包括多个深度神经网络模型和多个特征向量，所述多个深度神经网络模型和多个特征向量一一对应；根据所述第一特征向量确定第二特征向量，所述第二特征向量为所述网络结构存储表中所述多个特征向量中的一个；根据所述第二特征向量获取与所述第二特征向量对应的深度神经网络模型。3.根据权利要求2所述的方法，其特征在于，所述根据所述第一特征向量确定第二特征向量，包括：所述第二特征向量与所述第一特征向量的距离小于第一阈值。4.一种对象分类方法，其特征在于，所述对象包括图像和/或文本，包括：获取对象分类数据；根据对象分类神经网络模型对所述对象分类数据进行处理，以得到对象分类结果，其中所述对象分类神经网络模型的训练包括：获取第一训练样本；根据所述第一训练样本获取所述第一训练样本的第一特征向量；根据所述第一特征向量获取第一深度神经网络模型；根据第一训练样本获取预训练模型；将所述第一深度神经网络模型和所述预训练模型组合，以得到组合神经网络模型；根据所述第一训练样本训练所述组合神经网络模型，以得到对象分类神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述根据所述第一特征向量获取第一神经网络模型，包括：获取网络结构存储表，所述网络结构存储表包括多个深度神经网络模型和多个特征向量，所述多个深度神经网络模型和多个特征向量一一对应；根据所述第一特征向量确定第二特征向量，所述第二特征向量为所述网络结构存储表中所述多个特征向量中的一个；根据所述第二特征向量获取与所述第二特征向量对应的深度神经网络模型。6.根据权利要求5所述的方法，其特征在于，所述根据所述第一特征向量确定第二特征向量，包括：所述第二特征向量与所述第一特征向量的距离小于第一阈值。7.一种训练神经网络模型的装置，其特征在于，包括：获取单元，用于获取第一训练样本；2CN114065901A权利要求书2/3页处理单元，用于根据所述第一训练样本获取所述第一训练样本的第一特征向量；所述处理单元，还用于根据所述第一特征向量获取第一深度神经网络模型；所述处理单元，还用于根据第一训练样本获取预训练模型；所述处理单元，还用于将所述第一深度神经网络模型和所述预训练模型组合，以得到组合神经网络模型；所述处理单元，还用于根据所述第一训练样本训练所述组合神经网络模型，以得到目标神经网络模型。8.根据权利要求7所述的装置，其特征在于，所述处理单元根据所述第一特征向量获取第一神经网络模型，包括：获取网络结构存储表，所述网络结构存储表包括多个深度神经网络模型和多个特征向量，所述多个深度神经网络模型和多个特征向量一一对应；根据所述第一特征向量确定第二特征向量，所述第二特征向量为所述网络结构存储表中所述多个特征向量中的一个；根据所述第二特征向量获取与所述第二特征向量对应的深度神经网络模型。9.根据权利要求8所述的装置，其特征在于，所述处理单元根据所述第一特征向量确定第二特征向量，包括：所述第二特征向量