[发明专利]深度变分自编码器模型训练方法、装置、设备和存储介质

说明书

本申请涉及一种深度变分自编码器模型训练方法、装置、计算机设备和存储介质。本申请能够利用可视化图表训练样本对预先构建的深度变分自编码模型进行训练，不需要对图表进行事先标注就可以使得模型自动学习可视化图表训练样本中有价值的特征因子，提高了模型的泛化能力。该方法包括：获取可视化图表训练样本，以及预先构建的深度变分自编码器模型骨架；确定潜变量空间的维度和潜变量空间的因子先验分布；基于维度和因子先验分布，利用可视化图表训练样本对预先构建的深度变分自编码器模型骨架进行训练，以使深度变分自编码器模型骨架生成的重构图表概率分布与可视化图表训练样本的原始概率分布趋于一致，得到训练好的深度变分自编码器模型。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种深度变分自编码器模型训练方法、装置、计算机设备和存储介质。

背景技术

随着信息技术的发展，可视化软件创作技术逐渐成熟，例如Tableuau，MicrosoftPowerBI等软件极大地简化了可视化图表的创建，能够为新闻文章、商业报告、研究论文等提供直观且数据丰富的可视化图表。

机器学习技术能够从大量图表中识别出有价值的信息，例如图表模式，包括颜色、形状、位置等因子，基于这些因子能够对图表特征进行高效探索。例如目前采用的深度变分自编码器模型(Deep Variational AutoEncoder，VAE)，能够将大量的复杂的图表映射为低维空间，并从低维空间中解耦出多个具有独立语义特征的因子，例如解耦为颜色、形状、位置等因子，进而实现图表特征探索。

然而，在对深度变分自编码器模型进行训练时，往往需要大量样本数据，而对于图表数据库，例如城市的热力图数据，其数据量较小，会导致训练后的模型欠拟合，降低深度变分自编码器模型的泛化能力，难以探索有效特征。

发明内容

基于此，有必要针对上述技术问题，提供一种深度变分自编码器模型训练方法、装置、计算机设备和存储介质。

一种深度变分自编码器模型训练方法，应用于服务器，所述方法包括：

获取可视化图表训练样本，以及预先构建的深度变分自编码器模型骨架；其中，所述预先构建的深度变分自编码器模型骨架包含潜变量空间；

确定所述潜变量空间的维度和所述潜变量空间的因子先验分布；

基于所述维度和所述因子先验分布，利用所述可视化图表训练样本对所述预先构建的深度变分自编码器模型骨架进行训练，以使所述预先构建的深度变分自编码器模型骨架生成的重构图表概率分布与所述可视化图表训练样本的原始概率分布趋于一致，得到训练好的深度变分自编码器模型。

在其中一个实施例中，所述基于所述维度和所述因子先验分布，利用所述可视化图表训练样本对所述预先构建的深度变分自编码器模型骨架进行训练，以使所述预先构建的深度变分自编码器模型骨架生成的重构图表概率分布与所述可视化图表训练样本的原始概率分布趋于一致，得到训练好的深度变分自编码器模型，包括：

获取基于梯度下降法的深度学习优化器；

基于所述维度、因子先验分布和深度学习优化器，利用所述基于梯度下降法的深度学习优化器以及所述可视化图表训练样本更新所述预先构建的深度变分自编码器模型骨架的模型参数，以使所述基于梯度下降法的深度学习优化器的损失函数值最大化，得到所述训练好的深度变分自编码器模型。

在其中一个实施例中，所述获取可视化图表训练样本之后，所述方法还包括：

利用线性变换方法基于所述可视化图表训练样本构建增广样本；

所述基于所述维度和所述因子先验分布，利用所述可视化图表训练样本对所述预先构建的深度变分自编码器模型骨架进行训练，以使所述预先构建的深度变分自编码器模型骨架生成的重构图表概率分布与所述可视化图表训练样本的原始概率分布趋于一致，得到训练好的深度变分自编码器模型，包括：