[发明专利]图形图像复制模型的训练方法、存储介质及计算设备

说明书

本发明实施例涉及深度学习技术领域，公开了一种图形图像复制模型的训练方法，包括：获取包含多个真实样本的样本集合；从样本集合中每次随机取出两个真实样本作为样本对，并将样本对输入待训练的神经网络模型中进行结伴学习。本发明实施方式提供了图形图像复制模型的训练方法、存储介质及计算设备，实现了少样本训练神经网络，降低了训练神经网络的样本收集成本。

技术领域

本发明实施例涉及深度学习技术领域，特别涉及图形图像复制模型的训练方法、存储介质及计算设备。

背景技术

在机器学习和相关领域，人工神经网络的计算模型灵感来自动物的中枢神经系统(尤其是脑)，并且被用于估计或可以依赖于大量的输入和一般的未知近似函数。人工神经网络通常呈现为相互连接的“神经元”，神经元即一个函数，它可以对一个或多个输入信号进行函数变换然后产生一个唯一的输出。多个神经元彼此连接，一个神经元的输出是另一个神经元的输入，由此构成的网络就是“神经元网络”。在训练一个神经元网络时，我们一般采用以下方法：输入一个样本，产生一个输出，然后根据输出和期望输出(即我们希望的输出结果)之间的差异，调整神经元网络的参数(即神经元所代表的函数的参数，如果有的话)，从而达到优化整个网络，促使网络的输出逐渐逼近期望值的目的。

然而，发明人发现现有技术中至少存在如下问题：神经网络训练的一个特点就是需要大量的真实样本，往往需要耗费大量的人力、物力以及财力，随着人工成本的增加，样本收集的成本也越来越高。

发明内容

本发明实施方式的目的在于提供一种图形图像复制模型的训练方法、存储介质及计算设备，实现了少样本训练神经网络，降低了训练神经网络的样本收集成本。

为解决上述技术问题，本发明的实施方式提供了一种图形图像复制模型的训练方法，包括：获取包含多个真实样本的样本集合；从样本集合中每次随机取出两个真实样本作为样本对，并将样本对输入待训练的神经网络模型中进行结伴学习。

本发明的实施方式还提供了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时实上述图形图像复制模型的训练方法。

本发明的实施方式还提供了一种电子设备，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行上述的图形图像复制模型的训练方法。

本发明实施方式相对于现有技术而言提供了一种模型训练的方法，包括：获取包含多个真实样本的样本集合；从样本集合中每次随机取出两个真实样本作为样本对，并将样本对同时输入待训练的神经网络模型中进行结伴学习。通过每次随机地从样本集合中取出两个真实样本作为样本对，根据排列组合原理可以得知在样本集合中真实样本数量足够多的情况下，实际的样本对数量远远多于样本集合中真实样本的数量。因此，在训练神经网络时，将每次取出的样本对输入待训练的神经网络模型中一起进行训练——结伴学习，大大减少了训练模型时对真实样本数量的依赖，无需大量真实样本也可以实现多样本对训练，实现了少样本训练，同时大大降低了训练神经网络时收集真实样本的成本。

另外，待训练的神经网络模型为复制模型；将样本对输入待训练的神经网络模型中进行结伴学习的步骤，具体包括：将每次取出的两个真实样本同时输入复制模型中，得到两个复制样本；将两个真实样本和两个复制样本输入损失函数中，得到损失函数值；以每次得到的损失函数值为依据训练复制模型。该方案提出了一种利用样本对训练复制模型的实现方式，两个样本结伴学习训练复制模型，不存在现有的利用对抗学习的方法训练生成器时出现的模型坍塌问题。且对抗学习在训练时需要生成器和辨别器达成一致，在实际中难以达成妥协，通用性不高，而两个样本结伴学习训练复制模型的训练方法较为简单，不存在难以达成妥协的情况，通用性较高。

另外，损失函数具体为：