[发明专利]机器学习中的迁移学习方法及装置、设备与可读介质在审
| 申请号： | 201910820648.6 | 申请日： | 2019-08-29 |
| 公开（公告）号： | CN110647920A | 公开（公告）日： | 2020-01-03 |
| 发明（设计）人： | 李兴建;熊昊一;浣军 | 申请（专利权）人： | 北京百度网讯科技有限公司 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N20/00 |
| 代理公司： | 11412 北京鸿德海业知识产权代理事务所(普通合伙) | 代理人： | 田宏宾 |
| 地址： | 100085 北京市*** | 国省代码： | 北京;11 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明提供一种机器学习中的迁移学习方法及装置、设备与可读介质。其方法包括：根据目标任务要实现的分类的数量以及已训练好的源模型，构造目标模型；基于所述目标任务的训练数据集中的各组训练数据，获取对应的所述目标模型的正则化损失函数的值和所述目标模型的交叉熵损失函数的值；根据所述各组训练数据对应的所述正则化损失函数的值和所述交叉熵损失函数的值，采用梯度下降法更新所述目标模型中的参数，实现对所述目标模型的训练。本发明通过采用上述技术方案，避免了现有技术中对参数的过度约束，从而不会损坏源模型在目标任务上的训练效果，进而能够有效地提高基于目标任务训练的目标模型的准确性和可靠性。 | ||
| 搜索关键词： | 目标模型 损失函数 训练数据 交叉熵 源模型 正则化 机器学习 可读介质 训练效果 下降法 有效地 迁移 分类 更新 学习 | ||
【主权项】：
1.一种机器学习中的迁移学习方法，其特征在于，所述方法包括：/n根据目标任务要实现的分类的数量以及已训练好的源模型，构造目标模型；/n基于所述目标任务的训练数据集中的各组训练数据，获取对应的所述目标模型的正则化损失函数的值和所述目标模型的交叉熵损失函数的值；/n根据所述各组训练数据对应的所述正则化损失函数的值和所述交叉熵损失函数的值，采用梯度下降法更新所述目标模型中的参数，实现对所述目标模型的训练。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于北京百度网讯科技有限公司，未经北京百度网讯科技有限公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910820648.6/，转载请声明来源钻瓜专利网。
