分类网络模型的训练方法、装置以及电子设备.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CN113971459A(43)申请公布日2022.01.25(21)申请号202010723231.0(22)申请日2020.07.24(71)申请人阿里巴巴集团控股有限公司地址英属开曼群岛大开曼资本大厦一座四层847号邮箱(72)发明人耿瑞莹黎槟华李永彬孙健(74)专利代理机构北京清源汇知识产权代理事务所(特殊普通合伙)11644代理人冯德魁张艳梅(51)Int.Cl.G06N3/08(2006.01)G06F16/35(2019.01)权利要求书3页说明书13页附图3页(54)发明名称分类网络模型的训练方法、装置以及电子设备(57)摘要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络模型进行训练，获得目标分类网络模型。从而使获得的目标分类网络模型增强了分类泛化能力。CN113971459ACN113971459A权利要求书1/3页1.一种分类网络模型的训练方法，其特征在于，包括：获得客户端提供的用于监督训练的第一样本数据；基于所述第一样本数据，获得监督训练参数；其中，所述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，所述第二样本数据为用于训练所述初始分类网络模型的小样本数据；利用所述监督训练参数与所述第二样本数据训练所述初始分类网络模型，获得目标分类网络模型。2.根据权利要求1所述的方法，其特征在于，所述基于所述第一样本数据，获得监督训练参数，包括：在所述第一样本数据中选择一部分数据，作为第一基本数据集；基于所述第一基本数据集，获得监督训练参数。3.根据权利要求2所述的方法，其特征在于，所述基于所述第一基本数据集，获得监督训练参数，包括：将所述第一基本数据集进行编码，获得所述第一基本数据集对应的编码信息；根据所述第一基本数据集对应的编码信息，获得监督训练参数。4.根据权利要求3所述的方法，其特征在于，所述根据所述第一基本数据集对应的编码信息，获得监督训练参数，包括：根据所述第一基本数据集对应的编码信息与第一基本数据集对应的类别信息，获得监督训练参数。5.根据权利要求3所述的方法，其特征在于，所述将所述第一基本数据集进行编码，获得所述第一基本数据集对应的编码信息，包括：将所述第一基本数据集提供给所述初始分类网络模型的编码器，获得所述编码器输出的第一基本数据集对应的向量信息，将所述第一基本数据集对应的向量信息作为所述第一基本数据集对应的编码信息。6.根据权利要求1所述的方法，其特征在于，所述利用所述监督训练参数与所述第二样本数据训练所述初始分类网络模型，包括：采用动态存储机制将所述第二样本数据与所述监督训练参数进行融合，获得第二样本数据的融合数据；利用所述第二样本数据的融合数据训练所述初始分类网络模型。7.根据权利要求6所述的方法，其特征在于，所述采用动态存储机制将所述第二样本数据与所述监督训练参数进行融合，获得第二样本数据的融合数据，包括：在所述第二样本数据中选择一部分数据，作为第二基本数据集；将所述第二基本数据集进行编码，获得所述第二基本数据集对应的编码信息；采用动态存储机制将所述第二基本数据集对应的编码信息与所述监督训练参数进行融合，获得第二样本数据的融合数据。8.根据权利要求7所述的方法，其特征在于，所述将所述第二基本数据集进行编码，获得所述第二基本数据集对应的编码信息，包括：将所述第二基本数据集提供给所述编码器，获得所述编码器输出的第二基本数据集对应的向量信息，将所述第二基本数据集对应的向量信息作为所述第二基本数据集对应的编码信息。2CN113971459A权利要求书2/3页9.根据权利要求7所述的方法，其特征在于，所述第二基本数据集为所述第二样本数据中的指定数量类别的样本数据；其中，所述第二基本数据集的每个类别中的样本数据的数量相同。10.根据权利要求7所述的方法，其特征在于，所述采用动态存储机制将所述第二基本数据集对应的编码信息与所述监督训练参数进行融合，获得第二样本数据的融合数据，包括：将所述第二基本数据集对应的编码信息与所述监督训练参数提供给所述初始分类网络模型中的动态存储机制模块，获得所述动态存储机制模块的第一输出结果；将所述动态存储机制模块的第