一种神经网络模型训练方法、装置及计算机可读存储介质.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CN112183729A(43)申请公布日2021.01.05(21)申请号202011063849.5(22)申请日2020.09.30(71)申请人腾讯音乐娱乐科技（深圳）有限公司地址518052广东省深圳市前海深港合作区前湾一路1号A栋201室（入驻深圳市前海商务秘书有限公司）(72)发明人王征韬(74)专利代理机构深圳市深佳知识产权代理事务所(普通合伙)44285代理人张金香(51)Int.Cl.G06N3/04(2006.01)G06N3/08(2006.01)权利要求书3页说明书15页附图8页(54)发明名称一种神经网络模型训练方法、装置及计算机可读存储介质(57)摘要本申请公开了一种神经网络模型训练方法、装置、设备及介质，获取标注样本集；对标注样本集中的正样本进行扩散，得到扩散样本集；获取预测样本集；在预测样本集中，确定各个第一正样本对应的第一子样本集，第一子样本集中包含对应的第一正样本；在扩散样本集中，确定与第一正样本的样本位置相同的第二正样本，确定各个第二正样本对应的第二子样本集，第二子样本集中包含对应的第二正样本；基于正样本位置相同的第一子样本集及第二子样本集各自的正负样本信息，计算神经网络模型的目标损失函数值；基于目标损失函数值对神经网络模型进行训练，得到训练好的神经网络模型，以基于训练好的神经网络模型对目标样本进行正负样本检测识别效率高。CN112183729ACN112183729A权利要求书1/3页1.一种神经网络模型训练方法，其特征在于，包括：获取标注样本集，所述标注样本集包括对初始样本集中的正负样本进行标注后得到的样本集；对所述标注样本集中的正样本进行扩散，得到扩散样本集；获取神经网络模型对所述初始样本集进行正负样本预测后得到的预测样本集；在所述预测样本集中，确定各个第一正样本对应的第一子样本集，所述第一子样本集中包含对应的所述第一正样本；在所述扩散样本集中，将与所述第一正样本的样本位置相同的样本确定为第二正样本，确定各个第二正样本对应的第二子样本集，所述第二子样本集中包含对应的所述第二正样本；基于正样本位置相同的所述第一子样本集及所述第二子样本集各自的正负样本信息，计算所述神经网络模型的目标损失函数值；基于所述目标损失函数值对所述神经网络模型进行训练，得到训练好的神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述对所述标注样本集中的正样本进行扩散，得到扩散样本集，包括：获取截断窗口值；按照所述截断窗口值及指数衰减的衰减规则，对所述标注样本集中正样本周围的样本进行赋值，得到所述扩散样本集。3.根据权利要求1所述的方法，其特征在于，所述在所述预测样本集中，确定各个第一正样本对应的第一子样本集，包括：确定各个所述第一正样本对应的第一截断值；在所述预测样本集中，对于每个所述第一正样本，以所述第一正样本的样本位置为中心，以所述第一正样本对应的所述第一截断值为截断半径进行切片，得到所述第一正样本对应的所述第一子样本集。4.根据权利要求3所述的方法，其特征在于，所述确定各个第二正样本对应的第二子样本集，包括：确定各个所述第二正样本对应的第二截断值；对于每个所述第二正样本，将对应的所述第一截断值与所述第二截断值的和值作为第三截断值，将对应的所述第一截断值与所述第二截断值的差值作为第四截断值；从所述第四截断值到所述第三截断值遍历取值，得到所述第二正样本对应的一组截断值；在所述扩散样本集中，对于每个所述第二正样本，以所述第二正样本的样本位置为中心，以所述第二正样本对应的所述一组截断值中的每个截断值为截断半径进行切片，得到所述第二正样本对应的一组所述第二子样本集；其中，所述第二正样本对应的所述第一截断值包括：样本位置与所述第二正样本的样本位置相同的所述第一正样本对应的所述第一截断值。5.根据权利要求4所述的方法，其特征在于，所述基于正样本位置相同的所述第一子样本集及所述第二子样本集各自的正负样本信息，计算所述神经网络模型的目标损失函数值，包括：2CN112183729A权利要求书2/3页基于正样本位置相同的所述第一子样本集及所述第二子样本集各自的正负样本信息，通过logloss损失函数计算所述神经网络模型的所述目标损失函数值。6.根据权利要求5所述的方法，其特征在于，所述基于正样本位置相同的所述第一子样本集及所述第二子样本集各自的正负样本信息，通过logloss损失函数计算所述神经网络模型的所述目标损失函数值，包括：基于正样本位置相同的所述第一子样本集及所述第二子样本集各自的正负样本信息，通过logloss损失函数计算所述神经网络模型的正样本损失函数值；基于所述第一子样本集及所述第二子样本集之外的正负样本信息，通过预设损失函数计算所