CN111126481A - 一种神经网络模型的训练方法及装置 - Google Patents

Abstract

本发明公开了一种神经网络模型的训练方法及装置，所述方法包括：获取步骤，获取第一训练样本集和第二训练样本集，所述第一训练样本集为未标注的图像样本集，所述第二训练样本集为已标注的图像样本集；预训练步骤，采用所述第一训练样本集对神经网络模型进行预训练，获得初始神经网络模型；微调步骤，采用所述第二训练样本集对所述初始神经网络模型进行进一步训练，获得微调后的神经网络模型；以及判断步骤。本发明能够在标注样本较少的情况下实现对神经网络的训练，有效提高了神经网络识别的准确性。

Description

一种神经网络模型的训练方法及装置

技术领域

本发明涉及人工智能领域，具体涉及一种神经网络模型的训练方法、装置、终端设备 及计算机可读介质。

背景技术

神经网络是一种大规模、多参数优化的工具，需要依靠大量的训练数据，才能完成复 杂任务。目前大量的训练数据都需要人工标注，利用标注的训练数据不断调整神经网络的 参数，直至获得满足训练结束条件的神经网络模型，以便在处理复杂任务的时候获得较为 满意的结果，但这种方法需要大量人工进行标注，人工成本高。为了减少大量训练数据人 工标注的成本，通常采用非监督训练的方法，采用未标注的训练数据直接训练神经网络， 然而采用这种方法获得的神经网络在实际应用中效果较差，不能满足实际应用的精准度。

发明内容

有鉴于此，本发明的目的在于提供一种神经网络模型的训练方法、装置、终端设备及 计算机可读介质，提高神经网络模型识别的准确性，有效解决了现有的有监督神经网络模 型训练方法因需要大量人工进行标注，人工成本高的问题，以及现有的非监督神经网络模 型训练方法因采用未标注的训练数据直接训练神经网络模型导致图像识别准确率低、实用 效果差的问题。

本发明实施例的第一方面提供了一种神经网络模型的训练方法，包括：

获取步骤，获取第一训练样本集和第二训练样本集，所述第一训练样本集为未标注的 图像样本集，所述第二训练样本集为已标注的图像样本集；

预训练步骤，采用所述第一训练样本集对神经网络模型进行预训练，获得初始神经网 络模型；

微调步骤，采用所述第二训练样本集对所述初始神经网络模型进行进一步训练，获得 微调后的神经网络模型；

判断步骤，判断所述微调后的神经网络模型是否满足训练结束条件，在满足训练结束 条件的情况下，结束所述训练方法；以及在不满足所述训练结束条件的情况下，重复执行 所述预训练步骤和所述微调步骤。

进一步地，在所述预训练步骤之前，所述方法还包括：

构建神经网络模型，所述神经网络模型为卷积神经网络模型，所述卷积神经网络模型 包括卷积模块、自编码模块和识别模块；

其中，所述卷积模块包括N个并联的子卷积模块，所述子卷积模块包括卷积层和最大 池化层，所述卷积模块用于将图像分别在N个子卷积模块中提取特征信息；所述自编码模 块包括2层卷积层，用于将N个子卷积模块提取的特征信息进行融合；所述识别模块用于根据提取的特征信息识别目标图像。

进一步地，所述预训练步骤，包括：

对所述第一训练样本集的原始特征采用稀疏特征表示；

将用稀疏特征表示后的第一训练样本集输入卷积神经网络模型进行预训练，所述预训 练的过程为不断优化稀疏编码目标函数L1和目标函数最小化重构损失L2的过程，直到L1、 L2最小化，获得初始神经网络模型；

其中，所述稀疏编码目标函数L1的表达式如下：

式中，xⁱ为原始特征，B为基向量，zⁱ是xⁱ的稀疏表示，λ为正则参数，γ为基向量 参数，ε为超参数；

所述目标函数最小化重构损失L2的表达式如下：

式中，V是本层的输入，

是下一层的输入。

进一步地，所述微调步骤，包括：

构建目标函数，所述目标函数表达式如下：

式中：W表示整个网络参数，m表示第二训练集样本大小，C表示图像类别数量，

表 示样本的概率向量，

表示第二训练集中图像的标注；

采用第二训练样本集对所述初始神经网络模型进行进一步训练，所述进一步训练的过 程为不断优化所述目标函数的过程，直到所述目标函数最小化，获得微调后的神经网络模 型。

本发明实施例的第二方面提供了一种神经网络模型的训练装置，其特征在于，包括：

获取模块，用于获取第一训练样本集和第二训练样本集，所述第一训练样本集为未标 注的图像样本集，所述第二训练样本集为已标注的图像样本集；

预训练模块，用于采用所述第一训练样本集对神经网络模型进行预训练，获得初始神 经网络模型；

微调模块，用于采用所述第二训练样本集对所述初始神经网络模型进行进一步训练， 获得微调后的神经网络模型；

判断模块，用于判断所述微调后的神经网络模型是否满足训练结束条件，在满足训练 结束条件的情况下，结束所述训练方法；以及在不满足所述训练结束条件的情况下，重复 执行所述预训练模块中的预训练步骤和所述微调模块中的微调步骤。

进一步地，所述装置还包括：

模型构建模块，用于构建神经网络模型，所述神经网络模型为卷积神经网络模型，所 述卷积神经网络模型包括卷积模块、自编码模块和识别模块；

其中，所述卷积模块包括N个并联的子卷积模块，所述子卷积模块包括卷积层和最大 池化层，所述卷积模块用于将图像分别在N个子卷积模块中提取特征信息；所述自编码模 块包括2层卷积层，用于将N个子卷积模块提取的特征信息进行融合；所述识别模块用于根据提取的特征信息识别目标图像。

进一步地，所述预训练模块包括：

稀疏模块，用于对所述第一训练样本集的原始特征采用稀疏特征表示；

第一训练模块，用于将用稀疏特征表示后的第一训练样本集输入卷积神经网络模型进 行预训练，所述预训练的过程为不断优化稀疏编码目标函数L1和目标函数最小化重构损失 L2的过程，直到L1、L2最小化，获得初始神经网络模型；

其中，所述稀疏编码目标函数L1的表达式如下：

式中，xⁱ为原始特征，B为基向量，zⁱ是xⁱ的稀疏表示，λ为正则参数，γ为基向量 参数，ε为超参数；

所述目标函数最小化重构损失L2的表达式如下：

式中，V是本层的输入，

是下一层的输入。

进一步地，所述微调模块包括：

目标函数模块，用于构建目标函数，所述目标函数表达式如下：

式中：W表示整个网络参数，m表示第二训练集样本大小，C表示图像类别数量，

表 示样本的概率向量，

表示第二训练集中图像的标注；

第二训练模块，用于采用第二训练样本集对所述初始神经网络模型进行进一步训练， 所述进一步训练的过程为不断优化所述目标函数的过程，直到所述目标函数最小化，获得 微调后的神经网络模型。

本发明实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述 存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现 上述神经网络模型的训练方法的步骤。

本发明实施例的第四方面提供了一种计算机可读介质，所述计算机可读介质存储有计 算机程序，所述计算机程序被处理执行时实现上述神经网络模型的训练方法的步骤。

在本发明实施例中，通过采用未标注的第一训练样本集预先训练神经网络，再采用少 量已标注的第二训练样本集对神经网络进行微调，可以在已标注样本较少的情况下实现神 经网络的训练，提高神经网络模型识别的准确性。有效解决了现有的有监督神经网络模型 训练方法因需要大量人工进行标注，人工成本高的问题，以及现有的非监督神经网络模型 训练方法因采用未标注的训练数据直接训练神经网络模型导致图像识别准确率低、实用效 果差的问题。同时，通过采用轻型识别神经网络，基于稀疏编码和自编码的模型可以实时 处理图像识别问题，解决了现有的神经网络模型复杂，计算复杂度高，计算成本大的问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所 需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施 例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附 图获得其他的附图。

图1是本发明实施例提供的一种神经网络模型的训练方法的流程图；

图2是本发明实施例提供的一种神经网络模型的训练方法的神经网络模型结构示意图；

图3是本发明实施例提供的神经网络模型的训练装置的结构示意图；

图4是图5中的预训练模块的细化结构图；

图5是图5中的微调模块的细化结构图；

图6是本发明实施例提供的终端设备的示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体 细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、 电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

请参阅图1，图1是本发明实施例提供的神经网络模型的训练方法的流程图。如图1所 示，本实施例的神经网络模型的训练方法包括以下步骤：

获取步骤S102，获取第一训练样本集和第二训练样本集，第一训练样本集为未标注的 图像样本集，第二训练样本集为已标注的图像样本集。

预训练步骤S104，采用第一训练样本集对神经网络模型进行预训练，获得初始神经网 络模型；

微调步骤S106，采用第二训练样本集对初始神经网络模型进行进一步训练，获得微调 后的神经网络模型；

判断步骤S108，判断微调后的神经网络模型是否满足训练结束条件，在满足训练结束 条件的情况下，结束训练方法；以及在不满足训练结束条件的情况下，重复执行预训练步 骤和微调步骤。

在本发明实施例中，预训练好的神经网络模型可以应用于监控图像处理，例如车辆的 位置确定及识别，确认车辆分类。第一训练样本集中的样本可以为未标记的汽车图像，第 二训练样本集中的样本可以为标记过的汽车图像，标记过的汽车图像是指在待处理图像中 标记车辆位置，并标明车辆类别信息，车辆的类别信息包括车辆种类、颜色等。利用未标 记的汽车样本图像预训练神经网络，再利用标记的样本微调神经网络模型，可以在标记样 本数量较少的情况下，训练神经网络，提高神经网络模型的准确性。

其中，如图2所示，神经网络模型可以以卷积神经网络模型(ConvolutionalNeural Networks,CNN)为基础，包括卷积模块、自编码模块和识别模块。

卷积模块包括N个并联的子卷积模块，子卷积模块包括卷积层和最大池化层，将图像 分别在N个子卷积模块中提取特征信息；

自编码模块包括2层卷积层，用于将N个子卷积模块提取的特征信息融合，减少因卷 积特征提取造成的信息丢失；

识别模块用于根据提取的特征信息识别车辆。

相比其他神经网络模型，本识别网络模型采用轻量化结构设计，图像分析时间可达到 20ms/每张，可以实现图像的实时处理。

所述预训练采用未标记的训练样本集基于稀疏编码和自编码的方法进行。在卷积模块 中，学习一组稀疏特征检测器初始化卷积核，稀疏内核可以显著提高分类性能。根据训练 样本学习字典，即将原始特征表示为在适当选取的一组基向量(字典)上的稀疏线性组合， 即特征的稀疏表示，可以表示为X＝Bz，X为原始特征，B为基向量(字典)，z为X的稀疏表示。稀疏编码过程的目标函数如下：

式中，xⁱ为原始特征，B为基向量(字典)，zⁱ是xⁱ的稀疏表示，λ为正则参数，γ 为基向量参数，ε为超参数；

然后通过自编码器对自编码模块中的卷积层逐层训练，并通过以下目标函数最小化重 构损失：

式中，v，

是分别是不同层的输入特征向量，V是本层的输入，

是下一层的输入。

预训练过程为不断优化L₁、L₂目标函数的过程，所述稀疏编码目标函数L₁的优化方法 可以采用共轭梯度法，即固定基向量B优化稀疏表示z，随后固定稀疏表示z优化基向量B， 依次交替优化，直至到达L₁、L₂的最小值。

进一步地，微调是在预训练优化参数后，通过监督学习采用标记的数据集再次优化， 其目标函数为

式中：W表示整个网络参数，m表示第二训练集样本大小，C表示图像类别数量，

表示样本的概率向量，

表示第二训练集中图像的标注。

在本发明实施例中，通过采用未标注的第一训练样本集预先训练神经网络，再采用少 量已标注的第二训练样本集对神经网络进行微调，可以在已标注样本较少的情况下实现神 经网络的训练，提高神经网络模型识别的准确性。有效解决了现有的有监督神经网络模型 训练方法因需要大量人工进行标注，人工成本高的问题，以及现有的非监督神经网络模型 训练方法因采用未标注的训练数据直接训练神经网络模型导致图像识别准确率低、实用效 果差的问题。同时，通过采用轻型识别神经网络，基于稀疏编码和自编码的模型可以实时 处理图像识别问题，解决了现有的神经网络模型复杂，计算复杂度高，计算成本大的问题。

请参阅图3，图3是本发明实施例提供的一种神经网络模型的训练装置的结构框图。如 图3所示，本实施例的神经网络模型的训练模型20包括获取模块202、预训练模块204、 微调模块206和判断模块208。获取模块202、预训练模块204、微调模块206和判断模块208分别用于执行图1中的S102、S104、S106和S108中的具体方法，详情可参见图1的 相关介绍，在此仅作简单描述：

获取模块202，用于获取第一训练样本集和第二训练样本集，第一训练样本集为未标注 的图像样本集，第二训练样本集为已标注的图像样本集；

预训练模块204，用于采用第一训练样本集对神经网络模型进行预训练，获得初始神经 网络模型；

微调模块206，用于采用第二训练样本集对初始神经网络模型进行进一步训练，获得微 调后的神经网络模型；

判断模块208，用于判断微调后的神经网络模型是否满足训练结束条件，在满足训练结 束条件的情况下，结束训练方法；以及在不满足训练结束条件的情况下，重复执行预训练 模块中的预训练步骤和微调模块中的微调步骤。

在本发明实施例中，预训练好的神经网络模型可以应用于监控图像处理，例如车辆的 位置确定及识别，确认车辆分类。第一训练样本集中的样本可以为未标记的汽车图像，第 二训练样本集中的样本可以为标记过的汽车图像，标记过的汽车图像是指在待处理图像中 标记车辆位置，并标明车辆类别信息，车辆的类别信息包括车辆种类、颜色等。利用未标 记的汽车样本图像预训练神经网络，再利用标记的样本微调神经网络模型，可以在标记样 本数量较少的情况下，训练神经网络，提高神经网络模型的准确性。

进一步地，所述装置还可以包括：

模型构建模块，用于构建神经网络模型，神经网络模型为卷积神经网络模型，卷积神 经网络模型包括卷积模块、自编码模块和识别模块；

其中，卷积模块包括N个并联的子卷积模块，子卷积模块包括卷积层和最大池化层， 卷积模块用于将图像分别在N个子卷积模块中提取特征信息；自编码模块包括2层卷积层， 用于将N个子卷积模块提取的特征信息进行融合；识别模块用于根据提取的特征信息识别 目标图像。

进一步地，可参见图4，预训练模块204还可以包括：

稀疏模块2042，用于对第一训练样本集的原始特征采用稀疏特征表示；

第一训练模块2044，用于将用稀疏特征表示后的第一训练样本集输入卷积神经网络模 型进行预训练，预训练的过程为不断优化稀疏编码目标函数L1和目标函数最小化重构损失 L2的过程，直到L1、L2最小化，获得初始神经网络模型；

在本发明实施例中，所述预训练采用未标记的训练样本集基于稀疏编码和自编码的方 法进行。在卷积模块中，学习一组稀疏特征检测器初始化卷积核，稀疏内核可以显著提高 分类性能。根据训练样本学习字典，即将原始特征表示为在适当选取的一组基向量(字典) 上的稀疏线性组合，即特征的稀疏表示，可以表示为X＝Bz，X为原始特征，B为基向量(字 典)，z为X的稀疏表示。稀疏编码过程的目标函数如下：

式中，xⁱ为原始特征，B为基向量，zⁱ是xⁱ的稀疏表示，λ为正则参数，γ为基向量 参数，ε为超参数；

然后通过自编码器对自编码模块中的卷积层逐层训练，并通过以下目标函数最小化重 构损失：

式中，V是本层的输入，

是下一层的输入。

预训练过程为不断优化L₁、L₂目标函数的过程，所述稀疏编码目标函数L₁的优化方法 可以采用共轭梯度法，即固定基向量B优化稀疏表示z，随后固定稀疏表示z优化基向量B， 依次交替优化，直至到达L₁、L₂的最小值。

进一步地，微调是在预训练优化参数后，通过监督学习采用标记的数据集再次优化， 可参见图5，微调模块206还可以包括：

目标函数模块2062，用于构建目标函数，所述目标函数表达式如下：

式中：W表示整个网络参数，m表示第二训练集样本大小，C表示图像类别数量，

表 示样本的概率向量，

表示第二训练集中图像的标注。

第二训练模块2064，用于采用第二训练样本集对所述初始神经网络模型进行进一步训 练，所述进一步训练的过程为不断优化所述目标函数的过程，直到所述目标函数最小化， 获得微调后的神经网络模型。

在本发明实施例中，通过采用获取模块202中未标注的第一训练样本集预先训练神经 网络，再采用少量已标注的第二训练样本集对神经网络进行微调，可以在已标注样本较少 的情况下实现神经网络的训练，提高神经网络模型识别的准确性。有效解决了现有的有监 督神经网络模型训练方法因需要大量人工进行标注，人工成本高的问题，以及现有的非监 督神经网络模型训练方法因采用未标注的训练数据直接训练神经网络模型导致图像识别准 确率低、实用效果差的问题。同时，通过模型构建模块所采用的轻型识别神经网络，基于 稀疏编码和自编码的模型可以实时处理图像识别问题，解决了现有的神经网络模型复杂， 计算复杂度高，计算成本大的问题。

图6是本发明一实施例提供的终端设备的示意图。如图6所示，该实施例的终端设备 10包括：处理器100、存储器101以及存储在所述存储器101中并可在所述处理器100上运行的计算机程序102，例如进行神经网络模型的训练的程序。所述处理器100执行所述计算机程序102时实现上述方法实施例中的步骤，例如，图1所示的S102、S104、S106和 S108的步骤。或者，所述处理器100执行所述计算机程序102时实现上述各装置实施例中 各模块/单元的功能，例如图3所示的获取模块202、预训练模块204、微调模块206和判断 模块208的功能。

示例性的，所述计算机程序102可以被分割成一个或多个模块/单元，所述一个或者多 个模块/单元被存储在所述存储器101中，并由所述处理器100执行，以完成本发明。所述 一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于 描述所述计算机程序102在终端设备10中的执行过程。例如，所述计算机程序102可以被 分割成获取模块202、预训练模块204、微调模块206和判断模块208(虚拟装置中的模块)， 各模块具体功能如下：

获取模块202，用于获取第一训练样本集和第二训练样本集，第一训练样本集为未标注 的图像样本集，第二训练样本集为已标注的图像样本集；

预训练模块204，用于采用第一训练样本集对神经网络模型进行预训练，获得初始神经 网络模型；

微调模块206，用于采用第二训练样本集对初始神经网络模型进行进一步训练，获得微 调后的神经网络模型；

判断模块208，用于判断微调后的神经网络模型是否满足训练结束条件，在满足训练结 束条件的情况下，结束训练方法；以及在不满足训练结束条件的情况下，重复执行预训练 模块中的预训练步骤和微调模块中的微调步骤。

所述终端设备10可以是桌上型计算机、笔记本、掌上电脑及云端服务器等 计算设备。终端设备10可包括，但不仅限于，处理器100、存储器101。本领域 技术人员可以理解，图6仅仅是终端设备10的示例，并不构成对终端设备10 的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部 件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所述处理器100可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通 用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可 以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器101可以是终端设备10的内部存储单元，例如终端设备10的硬盘或内存。 所述存储器101也可以是终端设备10的外部存储设备，例如所述终端设备10上配备的插 接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器101还可以既包括终端设备10的内部存储单元也包括外部存储设备。所述存储器101用于存储所述计算机程序以及终端设备10所需的其他程序和数据。所述存储器101还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单 元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功 能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上 描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也 可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成 的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能 单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述 系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘 述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的 部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及 算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以 硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可 以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本 发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过 其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述 模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如 多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。 另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装 置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的 部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络 单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各 个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既 可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时， 可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法 中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程 序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个 方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可 以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可 以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、 磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说 明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进 行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电 载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例 对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施 例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者 替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含 在本发明的保护范围之内。

Claims (10)

1.一种神经网络模型的训练方法，其特征在于，包括：

获取步骤，获取第一训练样本集和第二训练样本集，所述第一训练样本集为未标注的图像样本集，所述第二训练样本集为已标注的图像样本集；

预训练步骤，采用所述第一训练样本集对神经网络模型进行预训练，获得初始神经网络模型；

微调步骤，采用所述第二训练样本集对所述初始神经网络模型进行进一步训练，获得微调后的神经网络模型；

判断步骤，判断所述微调后的神经网络模型是否满足训练结束条件，在满足训练结束条件的情况下，结束所述训练方法；以及在不满足所述训练结束条件的情况下，重复执行所述预训练步骤和所述微调步骤。

2.根据权利要求1所述的神经网络模型的训练方法，其特征在于，在所述预训练步骤之前，所述方法还包括：

构建神经网络模型，所述神经网络模型为卷积神经网络模型，所述卷积神经网络模型包括卷积模块、自编码模块和识别模块；

其中，所述卷积模块包括N个并联的子卷积模块，所述子卷积模块包括卷积层和最大池化层，所述卷积模块用于将图像分别在N个子卷积模块中提取特征信息；所述自编码模块包括2层卷积层，用于将N个子卷积模块提取的特征信息进行融合；所述识别模块用于根据提取的特征信息识别目标图像。

3.根据权利要求2所述的神经网络模型的训练方法，其特征在于，所述预训练步骤，包括：

对所述第一训练样本集的原始特征采用稀疏特征表示；

将用稀疏特征表示后的第一训练样本集输入卷积神经网络模型进行预训练，所述预训练的过程为不断优化稀疏编码目标函数L1和目标函数最小化重构损失L2的过程，直到L1、L2最小化，获得初始神经网络模型；

其中，所述稀疏编码目标函数L1的表达式如下：

式中，xⁱ为原始特征，B为基向量，zⁱ是xⁱ的稀疏表示，λ为正则参数，γ为基向量参数，ε为超参数；

所述目标函数最小化重构损失L2的表达式如下：

式中，V是本层的输入，

是下一层的输入。

4.根据权利要求1所述的神经网络模型的训练方法，其特征在于，所述微调步骤，包括：

构建目标函数，所述目标函数表达式如下：

式中：W表示整个网络参数，m表示第二训练集样本大小，C表示图像类别数量，

表示样本的概率向量，

表示第二训练集中图像的标注；

采用第二训练样本集对所述初始神经网络模型进行进一步训练，所述进一步训练的过程为不断优化所述目标函数的过程，直到所述目标函数最小化，获得微调后的神经网络模型。

5.一种神经网络模型的训练装置，其特征在于，包括：

获取模块，用于获取第一训练样本集和第二训练样本集，所述第一训练样本集为未标注的图像样本集，所述第二训练样本集为已标注的图像样本集；

预训练模块，用于采用所述第一训练样本集对神经网络模型进行预训练，获得初始神经网络模型；

微调模块，用于采用所述第二训练样本集对所述初始神经网络模型进行进一步训练，获得微调后的神经网络模型；

判断模块，用于判断所述微调后的神经网络模型是否满足训练结束条件，在满足训练结束条件的情况下，结束所述训练方法；以及在不满足所述训练结束条件的情况下，重复执行所述预训练模块中的预训练步骤和所述微调模块中的微调步骤。

6.根据权利要求5所述的神经网络模型的训练装置，其特征在于，所述装置还包括：

模型构建模块，用于构建神经网络模型，所述神经网络模型为卷积神经网络模型，所述卷积神经网络模型包括卷积模块、自编码模块和识别模块；

其中，所述卷积模块包括N个并联的子卷积模块，所述子卷积模块包括卷积层和最大池化层，所述卷积模块用于将图像分别在N个子卷积模块中提取特征信息；所述自编码模块包括2层卷积层，用于将N个子卷积模块提取的特征信息进行融合；所述识别模块用于根据提取的特征信息识别目标图像。

7.根据权利要求5所述的神经网络模型的训练装置，其特征在于，所述预训练模块包括：

稀疏模块，用于对所述第一训练样本集的原始特征采用稀疏特征表示；

第一训练模块，用于将用稀疏特征表示后的第一训练样本集输入卷积神经网络模型进行预训练，所述预训练的过程为不断优化稀疏编码目标函数L1和目标函数最小化重构损失L2的过程，直到L1、L2最小化，获得初始神经网络模型；

其中，所述稀疏编码目标函数L1的表达式如下：

式中，xⁱ为原始特征，B为基向量，zⁱ是xⁱ的稀疏表示，λ为正则参数，γ为基向量参数，ε为超参数；

所述目标函数最小化重构损失L2的表达式如下：

式中，V是本层的输入，

是下一层的输入。

8.根据权利要求5所述的神经网络模型的训练装置，其特征在于，所述微调模块包括：

目标函数模块，用于构建目标函数，所述目标函数表达式如下：

式中：W表示整个网络参数，m表示第二训练集样本大小，C表示图像类别数量，

表示样本的概率向量，

表示第二训练集中图像的标注；

第二训练模块，用于采用第二训练样本集对所述初始神经网络模型进行进一步训练，所述进一步训练的过程为不断优化所述目标函数的过程，直到所述目标函数最小化，获得微调后的神经网络模型。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述方法的步骤。

10.一种计算机可读介质，所述计算机可读介质存储有计算机程序，其特征在于，所述计算机程序被处理执行时实现如权利要求1-4中任一项所述方法的步骤。

Images