[发明专利]深度学习模型训练方法、装置、计算机设备及存储介质

权利要求书

1.一种深度学习模型训练方法，其特征在于，所述方法包括：

构建初始深度学习模型，所述初始深度学习模型的损失函数包括多个子损失函数，所述多个子损失函数中的至少一个与图像噪声抑制、图像边界保持以及图像结构相似性保持三个参数中的一个参数相关；

将所述初始深度学习模型转化为具有多个同等结构的克隆模型，且每个所述克隆模型对应一个所述子损失函数；

分别对每一所述克隆模型进行训练，得到多个训练完备的克隆模型；

根据每一训练完备的所述克隆模型对应的权重系数，将多个训练完备的所述克隆模型的输出数据进行加权组合，得到训练完备的深度学习模型。

2.根据权利要求1所述的方法，其特征在于，所述分别对每一所述克隆模型进行训练，得到多个训练完备的克隆模型包括：

将训练样本分别输入至每一所述克隆模型；

通过误差反向传播更新每一所述克隆模型的参数，直至误差收敛，得到多个训练完备的克隆模型。

3.根据权利要求1所述的方法，其特征在于，多个训练完备的所述克隆模型对应的权重系数之和为1。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

根据所述子损失函数的类型，对至少一个训练完备的所述克隆模型对应的所述权重系数进行调整，改变训练完备的深度学习模型的输出结果。

5.根据权利要求4所述的方法，其特征在于，所述根据所述子损失函数的类型，对至少一个训练完备的所述克隆模型对应的权重系数进行调整，改变训练完备的深度学习模型的输出结果包括：

在预先存储的权重系数组合库中选择与目标处理结果对应的权重系数组合；所述权重系数组合库中包括多个权重系数组合以及所述权重系数组合对应的输出结果。

6.根据权利要求4所述的方法，其特征在于，所述根据所述子损失函数的类型，对至少一个训练完备的所述克隆模型对应的权重系数进行调整，改变训练完备的深度学习模型的输出结果包括：

根据所述子损失函数的类型，通过选择方式或数据输入方式调整训练完备的所述克隆模型对应的权重系数。

7.一种数据处理方法，其特征在于，所述方法包括：

获取待处理数据；

将所述待处理数据分别输入至权利要求1至6任一项所述的多个训练完备的克隆模型；

根据每一训练完备的所述克隆模型对应的权重系数，将多个训练完备的所述克隆模型的输出数据进行加权处理，得到处理结果。

8.一种深度学习模型训练装置，其特征在于，所述装置包括：

构建模块，用于构建初始深度学习模型，所述初始深度学习模型的损失函数包括多个子损失函数，所述多个子损失函数中的至少一个与图像噪声抑制、图像边界保持以及图像结构相似性保持三个参数中的一个参数相关；

转化模块，用于将所述初始深度学习模型转化为具有多个同等结构的克隆模型，且每个所述克隆模型对应一个所述子损失函数；

训练模块，用于分别对每一所述克隆模型进行训练，得到多个训练完备的克隆模型；

组合模块，用于将多个训练完备的所述克隆模型的输出端进行加权组合，得到训练完备的深度学习模型。

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。