预测模型的训练方法、装置、设备和存储介质.pdf
努力****幻翠
亲,该文档总共18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
预测模型的训练方法、装置、设备和存储介质.pdf
本发明提出一种预测模型的训练方法和装置、设备和存储介质,其中,方法包括:获取多个源域数据;其中,多个源域数据包括源标签;将多个源域数据输入神经网络进行训练,获取第一预测结果,根据第一预测结果和源标签调整神经网络的网络参数,以生成预训练模型;获取目标域数据,其中,目标域数据包括目标标签;将目标域数据输入预训练模型进行训练,获取第二预测结果,根据第二预测结果和目标标签调整预训练模型的网络参数,以生成目标域的预测模型。由此,通过源域的数据进行预训练获取预训练模型,并通过目标域的数据对预训练模型的参数进行微调,生
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
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
对象预测模型的训练方法、装置、电子设备及存储介质.pdf
本申请提出了一种对象预测模型的训练方法、装置、电子设备及存储介质,其中,方法包括:获取样本对象的描述信息和历史目标数量,其中,目标数量用于表征样本对象的热度;从描述信息中获取样本对象的图像的分类特征表示和文本信息的文本特征表示,以及历史目标数量的第一编码表示;根据分类特征表示、文本特征表示和第一编码表示,对待训练的对象预测模型进行训练,以生成目标对象预测模型。本申请中,通过融合图像信息和文本信息实现对象预测模型的训练,使得训练后的目标对象预测模型可以结合对象的图像和文本中的信息,实现对象的目标数量进行预测
预测模型的训练方法、兴趣度预测方法、装置和存储介质.pdf
本申请提供一种预测模型的训练方法、兴趣度预测方法、装置及存储介质,针对同一个课程,获取K个用户的样本数据;每个用户的样本数据包括:该用户在M个特征维度中的每个维度上对所述课程进行学习的历史学习记录和表征该用户是否继续购买了所述课程的相关课程的记录;针对课程满意度的预测模型中的每棵待生成的决策树,从K个用户的样本数据中随机选取L个用户的样本数据;生成不同的决策树所用的样本数据不完全相同;生成不同的决策树所需的L相同或不同;利用L个用户的样本数据生成待生成的决策树;每棵决策树,用于根据输入的待预测用户对所述课