[发明专利]模型训练方法及装置

说明书

技术领域

本申请属于数据识别技术领域，具体地说，涉及一种基于深度学习和K邻近的通用分类框架。

背景技术

在实际应用中，通常需要对图像、声音、文本等数据进行识别，以根据识别结果进行相应的操作。例如对图像数据进行图像识别，以识别图像类别，实现对图像分类；对声音数据进行声音识别，以确定用户年龄、性别等。

目前，对图像、声音、文本等数据进行识别通常是利用识别模型实现的，因此首先需要训练识别模型。

以图像识别为例，识别模型为图像分类器，在进行图像分类器训练时，需要获得样本图像，并提取样本图像的图像特征，然后利用图像特征对图像分类器进行识别。而为了提高图像特征表达的全面性和准确性，图像特征通常采用深度学习模型提取的图像特征，因此为了训练获得图像分类器，需要首先训练深度学习模型，但是深度学习模型的训练通常需要大量的训练数据，但是大量训练数据的采集通常是耗时和昂贵的，而如果采用较小数量的深度学习模型，又使得训练获得的深度学习模型不准确，导致图像分类器也不准确，且存在过拟合风险。

发明内容

有鉴于此，本申请所要解决的技术问题是提供了一种模型训练方法及装置，解决了现有技术中训练模型不准确，且存在过拟合风险的技术问题。

为了解决上述技术问题，本申请开了一种模型训练方法，包括：

获取源领域深度学习模型；

获取目标领域的训练数据；

利用所述目标领域的训练数据，调整所述源领域深度学习模型的权重参数，获得目标领域深度学习模型；

利用所述目标领域深度学习模型，提取所述训练数据的数据特征；

利用所述数据特征训练K最近邻分类模型，获得识别模型。

优选地，所述利用所述数据特征训练K最近邻分类模型，获得识别模型包括：

将所述数据特征进行特征降维，获得低维度特征；

利用所述低维度特征训练K最近邻分类模型，获得识别模型。

优选地，所述利用所述目标领域的训练数据，调整所述源领域深度学习模型的权重参数，获得目标领域深度学习模型包括：

将所述源领域深度学习模型的权重参数作为初始参数；

设定低于预设率的学习率；

利用所述目标领域的训练数据以及所述学习率，调整所述源领域深度学习模型的权重参数，获得目标领域深度学习模型。

优选地，所述利用所述目标领域的训练数据以及所述学习率，调整所述源领域深度学习模型的权重参数，获得目标领域深度学习模型包括：

利用所述目标领域的训练数据以及所述学习率，按照小于预设次数的调整次数，重复调整所述源领域深度学习模型的权重参数，获得目标领域深度学习模型。

优选地，所述获取源领域深度学习模型包括：

获取与目标领域类别匹配的源领域深度学习模型。

一种模型训练装置，包括：

获取模型模块，用于获取源领域深度学习模型；

获取数据模块，用于获取目标领域的训练数据；

学习模型训练模块，用于利用所述目标领域的训练数据，调整所述源领域深度学习模型的权重参数，获得目标领域深度学习模型；

特征提取模块。用于利用所述目标领域深度学习模型，提取所述训练数据的数据特征；

识别模型训练模块，用于利用所述数据特征训练K最近邻分类模型，获得识别模型。

优选地，所述识别模型训练模块包括：

降维单元，用于将所述数据特征进行特征降维，获得低维度特征；

识别模型训练单元，用于利用所述低维度特征训练K最近邻分类模型，获得识别模型。

优选地，所述学习模型训练模块包括：

参数设置单元，用于将所述源领域深度学习模型的权重参数作为初始参数，并设定低于预设率的学习率；

学习模型训练单元，用于利用所述目标领域的训练数据以及所述学习率，调整所述源领域深度学习模型的权重参数，获得目标领域深度学习模型。

优选地，所述学习模型训练单元具体用于利用所述目标领域的训练数据以及所述学习率，按照小于预设次数的调整次数，重复调整所述源领域深度学习模型的权重参数，获得目标领域深度学习模型。

优选地，所述获取模型模块具体用于获取与目标领域类别匹配的源领域深度学习模型。

与现有技术相比，本申请可以获得包括以下技术效果：