[发明专利]语音分类网络训练方法、装置、计算设备及存储介质

说明书

本发明涉及人工智能技术领域，尤其涉及一种语音分类网络训练方法、装置、设备及存储介质。该语音分类网络训练方法包括获取小样本数据集；将同一类别的训练音频样本作为对比模型学习的训练集，以基于训练集预训练对比模型，计算对比模型的模型损失；通过模型损失迭代训练对比模型，以得到训练好的对比模型；其中，训练好的对比模型包括目标特征提取器；将目标特征提取器与一分类器连接，以构建语音分类网络；采用小样本学习方式基于小样本数据集对语音分类网络进行微调，得到训练好的语音分类网络。该方法通过引入有监督学习方式预训练对比模型保证新任务的数据表达能力的稳定性，从而保证模型对于新任务的预测准确性。

技术领域

本发明涉及人工智能技术领域，尤其涉及一种语音分类网络训练方法、装置、计算设备及存储介质。

背景技术

目前，随着人工智能的飞速发展，语音识别作为人工智能的重要部分在不同领域有着广阔的应用前景，例如语音情感识别在人机交互、情绪监测或个性化推荐等领域有着广阔的应用前景。语音情感识别的主要过程包括数据预处理、特征提取以及情感分类。但目前的语音情感识别，往往需要大量的训练数据，才可保证情感分类的准确性，而在实践训练中，大量的标签数据难以获得，因此常使用元学习方法解决小样本语音情感识别的问题。

一般地，常用的元学习方法在训练数据和测试数据存在领域差距时，仍然无法满足泛化性要求，目前的元学习方法主要通过对比学习的方式实现，即在自监督学习环境下，通过为原始数据创建正样本学习，以学习两个事物的相似或不相似进行编码构建表征。而自监督学习的方式针对新的预测任务的数据表达能力不够稳定，导致传统的元学习无法保证新任务的预测准确性。

发明内容

本发明实施例提供一种语音分类网络训练方法、装置、计算设备及存储介质，以解决传统的小样本的自监督的元学习方式对新的预测任务的数据表达能力不够稳定，无法保证预测准确性的问题。

一种语音分类网络训练方法，包括：

获取小样本数据集；其中，所述小样本数据集包括多个标注好类别的训练音频样本；

将同一类别的训练音频样本作为对比模型学习的训练集，以基于所述训练集预训练所述对比模型，计算所述对比模型的模型损失；

通过所述模型损失迭代训练所述对比模型，以得到训练好的对比模型；其中，所述训练好的对比模型包括目标特征提取器；

将所述目标特征提取器与一分类器连接，以构建语音分类网络；

采用小样本学习方式，基于所述小样本数据集对所述语音分类网络进行微调，得到训练好的语音分类网络。

一种语音分类网络训练装置，包括：

小样本数据集获取模块，用于获取小样本数据集；其中，所述小样本数据集包括多个标注好类别的训练音频样本；

预训练模块，用于将同一类别的训练音频样本作为对比模型学习的训练集，以基于所述训练集预训练所述对比模型，计算所述对比模型的模型损失；

迭代训练模块，用于通过所述模型损失迭代训练所述对比模型，以得到训练好的对比模型；其中，所述训练好的对比模型包括目标特征提取器；

分类网络构建模块，用于将所述目标特征提取器与一分类器连接，以构建语音分类网络；

模型微调模块，用于采用小样本学习方式，基于所述小样本数据集对所述语音分类网络进行微调，得到训练好的语音分类网络。

一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述语音分类网络训练方法的步骤。

一种计算机存储介质，所述计算机存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述语音分类网络训练方法的步骤。