[发明专利]一种模型训练方法、数据识别方法、装置及设备

说明书

本说明书实施例提供了一种模型训练方法、数据识别方法、装置及设备，包括：获取多个训练样本，将多个训练样本输入至第一模型中，确定训练样本对应的字符序列中的每个字符位的字符为预设字符的第一预测概率；并将多个训练样本输入至第二模型中，确定训练样本对应的字符序列中的每个字符位的字符为预设字符的第二预测概率；基于第一预测概率和训练样本的标签信息，从多个训练样本中选取第一数量的训练样本；并基于第二预测概率和训练样本的标签信息，从多个训练样本中选取第二数量的训练样本；基于第一数量的训练样本对第二模型进行训练，并基于第二数量的训练样本对第一模型进行训练，直到训练后的第一模型和/或训练后的第二模型满足相应的收敛条件。

技术领域

本文件涉及计算机技术领域，尤其涉及一种模型训练方法、数据识别方法、装置及设备。

背景技术

在有监督学习过程中，往往需要大量的准确标注的样本。然而，在实际应用过程中，标记样本往往需要大量的人力，物力和财力。标注样本的质量在某种程度上还会受到人为主观因素的影响，导致实际获取的标注样本中可能含有一定比例的标签噪声(例如，某验证码正确的标签信息为657I,而人为在对该验证码进行标注的过程中很可能误将上述标签信息最后一位英文字母I标注成数字1，即将上述验证码标注成6571等)。如果在对神经网络进行训练的过程中，用于训练神经网络的样本中携带有标签噪声将会导致神经网络学习到标签噪声中的信息，给所训练的神经网络的性能带来干扰，并影响所训练神经网络识别的准确性。为此，需要提供一种有效提高模型训练准确度和模型性能的技术方案。

发明内容

本说明书实施例的目的是提供一种模型训练方法、数据识别方法、装置及设备，以提供一种能够有效提高模型训练准确度和模型性能的技术方案。

为了解决上述技术问题，本说明书实施例是这样实现的：

第一方面，本说明书实施例提供了一种模型训练方法，包括：获取多个训练样本，其中，所述训练样本中包括由多个字符构成的字符序列。将所述多个训练样本输入至第一模型中，对所述训练样本对应的字符序列中的每个字符位的字符进行预测，确定所述训练样本对应的字符序列中的每个字符位的字符为预设字符的第一预测概率。并将所述多个训练样本输入至第二模型中，对所述训练样本对应的字符序列中的每个字符位的字符进行预测，确定所述训练样本对应的字符序列中的每个字符位的字符为预设字符的第二预测概率，所述第一模型和所述第二模型是由同一个基准模型确定。基于所述第一预测概率和所述训练样本的标签信息，从所述多个训练样本中选取第一数量的训练样本。并基于所述第二预测概率和所述训练样本的标签信息，从所述多个训练样本中选取第二数量的训练样本。基于所述第一数量的训练样本对所述第二模型进行训练，并基于所述第二数量的训练样本对所述第一模型进行训练。如果训练后的所述第一模型和/或训练后的所述第二模型不满足相应的收敛条件，则重新执行获取多个训练样本，以及对所述第一模型和所述第二模型进行训练的步骤，直到训练后的所述第一模型和/或训练后的所述第二模型满足相应的收敛条件。

第二方面，本说明书实施例提供了一种模型训练方法，包括：获取多个训练样本，其中，所述训练样本中包括由多个字符构成的字符序列。将所述多个训练样本输入至第一模型中，对所述训练样本对应的字符序列中的每个字符位的字符进行预测，确定所述训练样本对应的字符序列中的每个字符位的字符为预设字符的第一预测概率。基于所述第一预测概率和所述训练样本的标签信息，从所述多个训练样本中选取第一数量的训练样本。基于所述第一数量的训练样本对所述第一模型进行训练，如果训练后的所述第一模型不满足相应的收敛条件，则重新执行获取多个训练样本，以及对所述第一模型进行训练的步骤，直到训练后的所述第一模型满足相应的收敛条件。