[发明专利]一种神经网络模型的训练方法及装置

权利要求书

1.一种神经网络模型的训练方法，其特征在于，包括：

使用第一神经网络模型对业务的第一输入数据进行推理，得到推理结果；

在接收到用户对所述推理结果的有效反馈之后，根据所述第一输入数据和所述用户对所述推理结果的有效反馈生成所述业务的标注数据；

使用所述业务的标注数据对第二神经网络模型进行训练，得到训练后的第二神经网络模型；

根据所述训练后的第二神经网络模型对所述第一神经网络模型进行更新。

2.根据权利要求1所述的训练方法，其特征在于，所述第一神经网络模型的精度小于所述第二神经网络模型的精度。

3.根据权利要求1或2所述的训练方法，其特征在于，所述第一神经网络模型和所述第二神经网络模型均为终端设备上部署的神经网络模型。

4.根据权利要求1-3任一所述的训练方法，其特征在于，所述第一神经网络模型为所述第二神经网络模型经过转换后生成的网络模型。

5.根据权利要求1-4任一所述的训练方法，其特征在于，所述根据所述训练后的第二神经网络模型对所述第一神经网络模型进行更新包括：

根据所述训练后的第二神经网络模型的参数值对第一神经网络模型的参数值进行更新。

6.根据权利要求1-5任一所述的方法，其特征在于，还包括：

接收云端服务器发送的第二版本软件包，所述第二版本软件包中包括第二版本对应的第一神经网络模型；

使用所述第二版本对应的第一神经网络模型进行推理。

7.一种神经网络模型的训练方法，其特征在于，包括：

使用第一神经网络模型对业务的第一输入数据进行推理，得到推理结果；

确定所述推理结果的可信度；

根据所述推理结果的可信度、所述第一输入数据和所述推理结果生成所述业务的标注数据；

使用所述业务的标注数据对第二神经网络模型进行训练，得到训练后的第二神经网络模型；

根据所述训练后的第二神经网络模型对所述第一神经网络模型进行更新。

8.根据权利要求7所述的训练方法，其特征在于，所述第一神经网络模型的精度小于所述第二神经网络模型的精度。

9.根据权利要求7或8所述的训练方法，其特征在于，所述第一神经网络模型和所述第二神经网络模型均为终端设备上部署的神经网络模型。

10.根据权利要求7-9任一所述的训练方法，其特征在于，所述第一神经网络模型为所述第二神经网络模型经过转换后生成的网络模型。

11.根据权利要求7-10任一所述的方法，其特征在于，所述根据所述推理结果的可信度、所述第一输入数据和所述推理结果生成所述业务的标注数据包括：

在所述推理结果的可信度大于第一阈值时，根据所述第一输入数据和所述推理结果生成所述业务的标注数据。

12.根据权利要求7-11任一所述的方法，其特征在于，所述方法应用于终端设备，所述使用所述业务的标注数据对所述第二神经网络模型进行训练，包括：

在所述终端设备处于充电状态时，使用所述业务的标注数据对所述第二神经网络模型进行训练。

13.一种神经网络模型的训练装置，其特征在于，包括：

处理模块，用于使用第一神经网络模型对业务的第一输入数据进行推理，得到推理结果；

获取模块，用于在接收到用户对所述推理结果的有效反馈之后，根据所述第一输入数据和所述用户对所述推理结果的有效反馈生成所述业务的标注数据；

所述处理模块，还用于使用所述业务的标注数据对第二神经网络模型进行训练，得到训练后的第二神经网络模型；以及，根据所述训练后的第二神经网络模型对所述第一神经网络模型进行更新。