[发明专利]AI模型训练方法、模型使用方法、计算机设备及存储介质

权利要求书

1.一种AI模型训练方法，其特征在于，包括：

获取多个样本生成模型，并根据多个所述样本生成模型进行对弈，得到第一对弈数据；

获取第二对弈数据，并根据所述第二对弈数据和所述第一对弈数据对待训练模型进行训练，并计算所述待训练模型的第一损失值、第二损失值、第三损失值和第四损失值；

根据所述第一损失值、第二损失值、第三损失值和第四损失值，确定所述待训练模型是否收敛；

当所述待训练模型收敛时，将所述待训练模型作为待评测模型，与对比模型进行多次对弈，并得到对弈结果；

当所述对弈结果达到预设指标时，确定所述待评测模型为AI模型，完成AI模型训练；

其中，所述第二对弈数据为真实对弈数据，且所述第二对弈数据包括平均动作次数，所述第三损失值为根据所述平均动作次数和环境反馈得到目标得分，并基于所述目标得分和预测得分计算得到的，所述预测得分为所述待训练模型输出的得分。

2.根据权利要求1所述的AI模型训练方法，其特征在于，所述待训练模型包括第一全连接层、残差网络层、拼接层和第二全连接层；所述根据所述第二对弈数据和所述第一对弈数据对待训练模型进行训练，包括：

根据所述第二对弈数据和所述第一对弈数据构建样本数据，并对所述样本数据进行特征提取得到样本向量特征和样本类图像特征，所述样本数据包括环境反馈；

通过所述第一全连接层对所述样本向量特征进行处理，得到第一目标向量；

通过所述残差网络层对所述样本类图像特征进行处理，得到第二目标向量；

通过所述拼接层对所述第一目标向量和第二目标向量进行拼接，得到拼接向量；

通过所述第二全连接层基于所述拼接向量，确定主策略标签的概率分布、从策略标签的概率分布以及预测得分；

根据所述主策略标签的概率分布、从策略标签的概率分布、预测得分和环境反馈，对所述待训练模型的神经网络参数进行训练。

3.根据权利要求2所述的AI模型训练方法，其特征在于，所述计算所述待训练模型的第一损失值、第二损失值、第三损失值和第四损失值，包括：

根据所述主策略标签的概率分布计算对应的第一损失值；

根据所述从策略标签的概率分布计算对应的第二损失值；

根据所述预测得分和所述环境反馈计算对应的第三损失值；

根据所述第二对弈数据以及所述待训练模型输出的所述主策略标签的概率分布和从策略标签的概率分布，计算第四损失值。

4.根据权利要求3所述的AI模型训练方法，其特征在于，所述根据所述第一损失值、第二损失值、第三损失值和第四损失值，确定所述待训练模型是否收敛，包括：

计算所述第一损失值、第二损失值、第三损失值和第四损失值的和，将所述第一损失值、第二损失值、第三损失值和第四损失值的和作为总损失值；

若所述总损失值小于或等于预设的损失值阈值，则确定所述待训练模型收敛。

5.根据权利要求1所述的AI模型训练方法，其特征在于，所述样本生成模型包括监督学习模型，所述监督学习模型为根据所述第二对弈数据训练得到的；所述方法包括：

将多个所述监督学习模型进行循环对弈，确定每个所述监督学习模型的选择概率；

根据所述选择概率，从多个所述监督学习模型中确定目标模型并作为样本生成模型。

6.根据权利要求5所述的AI模型训练方法，其特征在于，所述确定每个所述监督学习模型的选择概率，包括：

获取每个所述监督学习模型在所述循环对弈中的平均胜率；

基于每个所述监督学习模型的平均胜率计算每个所述监督学习模型的选择概率。

7.根据权利要求1所述的AI模型训练方法，其特征在于，所述对弈结果包括所述待评测模型与所述对比模型进行多次对弈的平均得分和/或胜率；所述当所述对弈结果达到预设指标时，确定所述待评测模型为AI模型，包括：

当所述平均得分和/或胜率达到预设阈值时，确定所述待评测模型为AI模型。