[发明专利]深度学习模型的训练方法、装置和计算机可读存储介质

权利要求书

1.一种深度学习模型的训练方法，包括：

将训练样本输入待训练的深度学习模型，所述训练样本包括：锚样本、正样本和负样本；

根据输出的训练样本的特征与对应的类中心的特征的距离，锚样本的特征与对应的正样本的特征的距离，以及锚样本的特征与对应的负样本的特征的距离，确定损失函数值；

根据所述损失函数值对所述待训练的深度学习模型的参数进行调整，以便完成对所述待训练的深度学习模型的训练。

2.根据权利要求1所述的深度学习模型的训练方法，其中，

确定损失函数值的方法包括：

根据输出的训练样本的特征与对应的类中心的特征的距离确定第一损失函数值；

根据输出的锚样本的特征与对应的正样本的特征的距离，以及锚样本的特征与对应的负样本的特征的距离，确定第二损失函数值；

将所述第一损失函数值与所述第二损失函数值的加权和确定为损失函数值。

3.根据权利要求2所述的深度学习模型的训练方法，其中，

确定损失函数值的方法还包括：

计算当前训练周期的第一损失函数值与上一训练周期的第一损失函数值的差值；

在所述差值超过预设范围内的情况下，将所述第一损失函数值与所述第二损失函数值的加权和确定为当前训练周期的损失函数值；

或者，在所述差值在预设范围内的情况下，将所述第二损失函数值确定为当前训练周期的损失函数值。

4.根据权利要求1所述的深度学习模型的训练方法，其中，

确定损失函数值的方法包括：

根据输出的训练样本的特征与对应的类中心的特征的距离确定第一损失函数值；

根据输出的锚样本的特征与对应的正样本的特征的距离，以及锚样本的特征与对应的负样本的特征的距离，确定第二损失函数值；

根据输出的类中心的特征与训练样本中心的特征的距离，确定第三损失函数值；

将所述第一损失函数值、所述第二损失函数值与所述第三损失函数值的加权和确定为损失函数值。

5.根据权利要求4所述的深度学习模型的训练方法，其中，

确定损失函数值的方法还包括：

计算当前训练周期的第一损失函数值与上一训练周期的第一损失函数值的差值；

在所述差值超过预设范围内的情况下，将所述第一损失函数值、所述第二损失函数值与所述第三损失函数值的加权和确定为当前训练周期的损失函数值；

或者，在所述差值在预设范围内的情况下，将所述第二损失函数值确定为当前训练周期的损失函数值。

6.根据权利要求4所述的深度学习模型的训练方法，其中，

所述第一损失函数值采用以下公式确定：

其中，m表示输入的训练样本的数量，i表示训练样本的编号，1≤i≤m，i为正整数，g(x_i)表示第i个训练样本x_i的特征，表示第i个训练样本x_i对应的类别y_i的类中心的特征；

或者，所述第二损失函数值采用以下公式确定：

其中，j表示训练样本三元组的编号，每个三元组中包含一个锚样本，一个正样本和一个负样本，表示第j个三元组中锚样本的特征，第j个三元组中正样本的特征，表示第j个三元组中负样本的特征，α为常数；

或者，所述第三损失函数值采用以下公式确定：

其中，c_bc表示训练样本中心的特征。

7.根据权利要求4所述的深度学习模型的训练方法，其中，

所述第一损失函数值对应的权重随着训练周期数量的增加而减小；或者

所述第三损失函数值对应的权重随着训练周期数量的增加而减小。