[发明专利]神经网络模型调整方法、装置、设备及存储介质

说明书

本申请实施例公开了一种神经网络模型调整方法、装置、设备及存储介质，涉及神经网络技术领域，其包括：将目标数量的样本数据输入至神经网络模型，并根据神经网络模型的第一输出结果更新神经网络模型的模型参数，更新前模型参数为第一参数，更新后模型参数为第二参数；将目标数量的应用数据输入至更新后的神经网络模型，并根据所更新后的神经网络模型的第二输出结果和第二参数修正神经网络模型的模型参数，修正前模型参数为第一参数，修正后模型参数为第三参数。采用上述方法可以解决现有技术中，将深度学习模型应用在不同场景时无法保证深度学习模型的性能的技术问题。

技术领域

本申请实施例涉及神经网络技术领域，尤其涉及一种神经网络模型调整方法、装置、设备及存储介质。

背景技术

深度学习作为机器学习中的一个重要领域，已经被广泛应用于人们的工作和生活中，例如，在人脸识别领域中，基于深度学习的人脸识别技术已经被广泛应用于终端人脸解锁、人脸签到、人脸支付等场景。通常，为了实现基于深度学习的人脸识别技术，需要构建深度学习模型，并通过大量的训练数据来训练深度学习模型，以由训练好的深度学习模型进行人脸识别。

发明人在实现本发明的过程中，发现现有技术存在如下缺陷：在训练深度学习模型时，由于训练数据的采集和标注需要高昂的成本，因此，现有技术中采用开源数据集作为训练数据集，这样使得训练好的深度学习模型无法适用于开源数据集未涵盖的场景。例如，人脸识别技术中，通常使用开源数据集MS1M作为训练数据集，但是，MS1M中亚洲人脸图片的比例较小，因此，将训练好的深度学习模型应用在亚洲人脸识别场景下时，深度学习模型的精确度不高。

综上，将深度学习模型应用在不同场景(尤其是开源数据集未涵盖的场景)时，如何保证深度学习模型的性能成为了一种亟需解决的技术问题。

发明内容

本申请实施例提供了一种神经网络模型调整方法、装置、设备及存储介质，以解决现有技术中，将深度学习模型应用在不同场景时无法保证深度学习模型的性能的技术问题。

第一方面，本申请实施例提供了一种神经网络模型调整方法，包括：

将目标数量的样本数据输入至神经网络模型，并根据所述神经网络模型的第一输出结果更新所述神经网络模型的模型参数，更新前所述模型参数为第一参数，更新后所述模型参数为第二参数；

将目标数量的应用数据输入至更新后的神经网络模型，并根据所述更新后的神经网络模型的第二输出结果和所述第二参数修正所述神经网络模型的模型参数，修正前所述模型参数为第一参数，修正后所述模型参数为第三参数。

进一步的，所述神经网络模型包括主干网络模型和头部网络模型，所述主干网络模型用于提取所述神经网络模型输入数据的特征向量；所述头部网络模型用于根据所述特征向量得到所述神经网络模型的输出结果。

进一步的，所述主干网络模型包括第一主干网络模型，所述头部网络模型包括第一头部网络模型和第二头部网络模型，

所述目标数量的样本数据输入至所述第一主干网络模型时，所述第一主干网络模型用于输出第一特征向量，所述目标数量的应用数据输入至所述第一主干网络模型时，所述第一主干网络模型用于输出第二特征向量；

所述第一头部网络模型用于根据所述第一特征向量得到所述第一输出结果；

所述第二头部网络模型用于根据所述第二特征向量得到所述第二输出结果。

进一步的，所述第一参数包括所述第一主干网络模型的第一初始参数和所述第一头部网络模型的第二初始参数，所述第二参数包括所述第一主干网络模型的第一假更新参数和所述第一头部网络模型的第一真更新参数；

所述将目标数量的样本数据输入至神经网络模型，并根据所述神经网络模型的第一输出结果更新所述神经网络模型的模型参数包括：