“训练样本集”专利关键词查询_检索下载_查询列表_检索列表_行业专利分布_钻瓜专利网

钻瓜专利网为您找到相关结果478497个，建议您升级VIP下载更多相关专利

[发明专利]训练样本集的生成方法和存储介质-CN202310099497.6在审
发明人：黄殿文;张冲;马煜坤;阮成孝;倪崇嘉;叶家祺;马斌 -专利权人：阿里巴巴达摩院（杭州）科技有限公司
申请日： 2023-01-30 - 公布日： 2023-03-28 - 主分类号： G10L15/06 文献下载
摘要：本申请公开了一种训练样本集的生成方法和存储介质。其中，该方法包括：获取待处理的原始训练样本集，其中，原始训练样本集用于训练得到语音处理模型；对原始训练样本进行混合增强，得到第一目标训练样本集；对第一目标训练样本集和原始训练样本集进行对比学习，得到对比损失，其中，对比损失用于表征原始训练样本集相对于第一目标训练样本集的相似度；至少基于对比损失对第一目标训练样本集进行调整，得到第二目标训练样本集，其中，原始训练样本集相对于第二目标训练样本集的相似度大于相似度阈值，且第二目标训练样本集用于训练得到语音处理模型。本申请解决了无法有效处理训练样本集的技术问题。
训练样本生成方法存储介质

[发明专利]训练样本集生成方法、深度生成模型的训练方法和装置-CN202110073852.3在审
发明人：朱军;任勇 -专利权人：清华大学
申请日： 2021-01-20 - 公布日： 2021-05-11 - 主分类号： G06N3/08 文献下载
摘要：提供了一种训练样本集生成方法、深度生成模型的训练方法和装置。训练样本集生成时将原始样本集划分为多个随机性较弱的聚合样本集，并基于所述聚合样本集构建训练样本集。模型训练时采用所述训练样本集作为第一训练样本集；基于所述训练样本集和预设方式对所述深度生成模型进行迭代训练，直到达到预设条件，在每个迭代轮次中：从所述训练样本集中采样一个聚合训练样本集；基于所述聚合训练样本集中的每一个训练样本从所述深度生成模型采样生成对应的第三样本集；将所述聚合训练样本集和所述第三样本集的最大均值差异作为损失函数进行优化，以更新深度生成模型的参数。由此，在训练模型时，对样本集采取了先划分，后匹配的方法，模型生成效果更佳。
训练样本生成方法深度模型装置

[发明专利]文本语料的处理方法、装置、设备及存储介质-CN202010951127.7在审
发明人：王子丰;文瑞;陈曦 -专利权人：腾讯科技（深圳）有限公司
申请日： 2020-09-11 - 公布日： 2020-12-11 - 主分类号： G06F16/36 文献下载
摘要：所述方法包括：采用设定召回参数获取初始的训练样本集，所述初始的训练样本集中包括至少一个训练样本；基于初始的训练样本集中目标训练样本的影响函数，确定目标训练样本的重要性指标；根据初始的训练样本集中各个训练样本的重要性指标，从初始的训练样本集中选取重要性指标满足条件的训练样本，得到关系抽取模型的采样后的训练样本集，采样后的训练样本集用于对关系抽取模型进行训练。本申请中，能够快速准确地从初始的训练样本集中获取采样后的训练样本集，保证采样后的训练样本集的可信度，提高训练出的关系抽取模型的准确性。
文本语料处理方法装置设备存储介质

[发明专利]模型训练方法及装置-CN202310244801.1在审
发明人：陈子祺 -专利权人：北京银行股份有限公司
申请日： 2023-03-14 - 公布日： 2023-05-26 - 主分类号： G06F18/214 文献下载
摘要：本申请公开了一种模型训练方法及装置。其中，该方法包括：获取初始训练样本集，其中，初始训练样本集中包括多组初始训练样本，每组初始训练样本中包括：目标对象的银行个人信息；采用虚拟样本生成算法对初始训练样本集进行模拟，生成初始训练样本集的第一虚拟样本集，并将第一虚拟样本集添加至初始训练样本集中，得到目标训练样本集；基于预设的分类器对目标训练样本集进行划分，得到用于训练目标模型的正类样本集和负类样本集；通过正类样本集和负类样本集对目标模型进行训练，得到训练后的目标模型本申请解决了相关技术在进行模型训练过程中难以有效提升模型输出结果的准确度的技术问题。
模型训练方法装置

[发明专利]训练样本集清洗方法、装置-CN202210960705.2有效
发明人：葛标;王辉;郭宝松;柳进军;张聪聪;马圣;赵祥;孙冬雪;张昆鹏;王远航 -专利权人：中关村科学城城市大脑股份有限公司
申请日： 2022-08-11 - 公布日： 2023-04-14 - 主分类号： G06V20/54 文献下载
摘要：本公开的实施例公开了训练样本集清洗方法、装置。该方法的一具体实施方式包括：初始训练样本集中的训练样本包括样本图像和样本图像的标注；确定初始训练样本集对应的多种聚类算法；利用多种聚类算法，对各个训练样本进行聚类以生成聚类结果；对于聚类结果中的每个簇，将簇中所包含的、标注与簇对应的标签不一致的训练样本确定为异常样本；将异常样本从训练样本集中删除，得到更新后训练样本集；对于更新后训练样本集中的每个训练样本，确定训练样本包括的样本图像中目标对象的遮挡率和大小是否满足预设条件，若满足，将更新后训练样本集确定为清洗后训练样本集。实现了异常训练样本的剔除。
训练样本清洗方法装置

[发明专利]一种分类器的构建方法-CN201510213464.5在审
发明人：余翔湛;叶麟;张伟哲;何慧;张宏莉;丛小亮;王岳 -专利权人：哈尔滨工业大学
申请日： 2015-04-30 - 公布日： 2015-07-08 - 主分类号： G06K9/62 文献下载
摘要：本申请涉及一种分类器的构建方法，该构建方法包括：利用欠采样方法来去除训练样本集中的部分多数类训练样本，并用欠采样处理后的训练样本集更新当前的训练样本集，其中训练样本集包括多数类训练样本和少数类训练样本，且训练样本集中的每个训练样本均已知类别；以及对训练样本集中的少数类训练样本进行过采样，以利用经过过采样处理后的训练样本集构建分类器。本发明的一种分类器的构建方法，有效去除训练样本中的噪声，能够有效地改善数据不平衡的问题，大大提高对训练样本数据分类的准确率，而且计算量较小、方法简单。
一种分类构建方法

[发明专利]深度神经网络模型的保护方法、装置、电子设备和介质-CN202210595796.4有效
发明人：邓富城;罗韵;陈振杰 -专利权人：山东极视角科技有限公司
申请日： 2022-05-30 - 公布日： 2022-08-30 - 主分类号： G06F21/12 文献下载
摘要：本申请方法包括：获取深度神经网络模型；获取原始训练样本集，所述原始训练样本集中至少包含两张原始训练样本；根据所述原始训练样本集的图像类型获取加密变换函数；根据加密变换函数对所述原始训练样本集中的原始训练样本进行加密转换处理，生成加密训练样本集，所述加密训练样本集中的加密训练样本与所述训练样本集的原始训练样本像素点参数不同；将所述加密训练样本集中的加密训练样本输入所述深度神经网络模型中训练，直到所述深度神经网络模型训练完成
深度神经网络模型保护方法装置电子设备介质

[发明专利]一种图像处理模型、机器学习模型的训练方法及装置-CN202011279492.4在审
发明人：孟强;徐霞清;周峰 -专利权人：北京爱笔科技有限公司
申请日： 2020-11-16 - 公布日： 2021-01-22 - 主分类号： G06K9/00 文献下载
摘要：本发明公开的一种图像处理模型、机器学习模型的训练方法及装置，可以根据第一训练样本集中第一类别的训练样本的样本特征与第二训练样本集中至少部分训练样本的样本特征的相似度，为目标训练样本设置相应的样本关系标识，之后可以至少使用带有样本关系标识的目标训练样本对模型进行训练。本发明可以增加在使用第一训练样本集对模型进行训练时的训练样本数量，提高对模型的训练效果，并可以使得模型在学习第一训练样本集中训练样本的样本特征时，可以学习到来自第二训练样本集的训练样本的样本特征，从而使模型可以具备在第一训练样本集对应的场景和第二训练样本集对应的场景中的通用性
一种图像处理模型机器学习训练方法装置

[发明专利]模型训练方法、装置、电子设备及计算机可读存储介质-CN202010357153.7在审
发明人：王森 -专利权人：北京金山云网络技术有限公司
申请日： 2020-04-29 - 公布日： 2021-10-29 - 主分类号： G06K9/62 文献下载
摘要：本申请实施例提供了一种模型训练方法、装置、电子设备及计算机可读存储介质，可以获取多个训练样本；基于多个训练样本，生成多个训练样本集，其中，每一训练样本集包含多个训练样本，且各训练样本集中多个训练样本的顺序随机；在生成多个训练样本集的过程中，根据已生成的训练样本集对预设模型进行训练；输出训练好的预设模型。基于上述处理，能够缩短模型训练的时长，提高模型训练的效率。
模型训练方法装置电子设备计算机可读存储介质

[发明专利]训练样本筛选方法、装置、电子设备及存储介质-CN202010568902.0在审
发明人：王峰;邓锦君;李磊;罗恒亮;张庆 -专利权人：北京三快在线科技有限公司
申请日： 2020-06-19 - 公布日： 2020-11-03 - 主分类号： G06K9/62 文献下载
摘要：本公开提供了一种训练样本筛选方法、装置、电子设备及计算机可读存储介质。所述方法包括：根据训练样本集中任意两个训练样本的样本特征之间的关联性，确定待筛选样本集；根据待筛选样本集中每个训练样本与每个训练样本的邻接训练样本之间的连接关系，从待筛选样本集中筛选出预设个数的训练样本，生成候选样本集；每个训练样本的邻接训练样本是指与训练样本具有连接关系的训练样本；根据候选样本集中每个训练样本与每个训练样本的邻接训练样本，确定每个训练样本对应的标签融合信息熵；根据各标签融合信息熵，从候选样本集中筛选出用于训练图卷积神经网络的目标训练样本本公开能够使用较少的样本数量达到全量数据所获得的性能，减少计算耗时。
训练样本筛选方法装置电子设备存储介质

[发明专利]一种情感分析模型训练方法、装置和存储介质-CN202111125058.5在审
发明人：李明超;张寿明 -专利权人：昆明理工大学
申请日： 2021-09-25 - 公布日： 2022-06-07 - 主分类号： G06F40/30 文献下载
摘要：本申请涉及一种情感分析模型训练方法，包括：获取原始训练样本集；将所述原始训练样本集输入BT文本增强模块，得到第一训练样本集；将所述原始训练样本集输入EDA文本增强模块，得到第二训练样本集；将所述第一训练样本集和所述第二训练样本集输入到筛选融合模块，得到第三训练样本；将所述第三训练样本集输入到卷积神经网络模块，对所述卷积神经网络模块进行训练，得到所述情感分析模型。本申请实施例可以利用较小数据对模型进行训练，能达到大数据集对模型的训练效果。
一种情感分析模型训练方法装置存储介质

[发明专利]一种语义分割模型的训练方法、语义分割方法及装置-CN202211202858.7在审
发明人：周倍同 -专利权人：上海高德威智能交通系统有限公司
申请日： 2022-09-29 - 公布日： 2022-12-23 - 主分类号： G06T7/10 文献下载
摘要：本申请实施例提供了一种语义分割模型的训练方法、语义分割方法及装置，涉及人工智能技术领域，用于提升语义分割的准确度。该训练方法具体为：获取第一训练样本集与第二训练样本集；其中，第一训练样本集包括多个样本以及对每个样本人工标注的图像标签；对第一训练样本集中的训练样本作第一扩增处理，并对第二训练样本集中的训练样本作第二扩增处理；其中，第二扩增处理的扩增强度高于第一扩增处理；将第二训练样本集输入语义分割模型中的教师模型中，得到第二预测结果；其中，第二预测结果包括第二训练样本集中每个样本的预测标签；根据第一训练样本集、第二训练样本集以及第二预测结果，训练语义分割模型中的学生模型。
一种语义分割模型训练方法装置

[发明专利]翻译模型训练的方法、语句翻译的方法、设备及存储介质-CN201810445783.2有效
发明人：程勇;涂兆鹏;孟凡东;翟俊杰;刘洋 -专利权人：腾讯科技（深圳）有限公司
申请日： 2018-05-10 - 公布日： 2023-05-30 - 主分类号： G06F40/58 文献下载
摘要：本申请公开了一种翻译模型训练的方法，包括：获取训练样本集合，训练样本集合中包括多个训练样本；确定训练样本集合中每个训练样本各自对应的扰动样本集合，扰动样本集合包括至少一个扰动样本，扰动样本与对应训练样本的语义相似度高于第一预设值；使用多个训练样本和每个训练样本各自对应的扰动样本集合训练初始翻译模型，以得到目标翻译模型。本申请实施例提供的方案在模型训练是引入了扰动样本，所以可以提高机器翻译的鲁棒性，以及翻译质量。
翻译模型训练方法语句设备存储介质

[发明专利]用于生成模型的方法和装置-CN201910312916.3有效
发明人：陈飞标 -专利权人：阿波罗智联（北京）科技有限公司
申请日： 2019-04-18 - 公布日： 2022-03-08 - 主分类号： G06F16/35 文献下载
摘要：该方法的一具体实施方式包括：获取第一训练样本集合，第一训练样本集合中的训练样本包括样本文本；统计第一训练样本集合中不同长度的样本文本在第一训练样本集合中所占的比例；根据统计出的比例，从第一训练样本集合中抽取训练样本得到第二训练样本集合；利用机器学习算法，将第二训练样本集合包括的样本文本作为输入，将与输入的样本文本对应的标注信息作为期望输出，训练得到针对目标文本的文本处理模型，目标文本与第一训练样本集合中的样本文本来源相同。该实施方式提供了一种基于具体场景抽取训练样本的模型训练机制，提高了模型输出结果的准确度。
用于生成模型方法装置

[发明专利]基于核局部线性表示的分类方法-CN201410026849.6在审
发明人：刘茜 -专利权人：南京信息工程大学
申请日： 2014-01-21 - 公布日： 2014-05-07 - 主分类号： G06K9/62 文献下载
摘要：本发明公开了基于核局部线性表示的分类方法，利用训练样本集识别测试样本所属的类别。首先对训练样本集和测试样本中的所有样本分别进行预处理，得到新的训练样本集和新的测试样本，然后从新的训练样本集中选取一部分距离新的测试样本最近的训练样本构成近邻训练样本集，各个样本类别的近邻训练样本构成子近邻训练样本集，再使用近邻训练样本集中的样本去线性表示新的测试样本，得到一组线性表示系数，并计算新的测试样本在各个子近邻训练样本集中的重构误差，最后将测试样本归为重构误差最小的子近邻训练样本集所对应的那一类。
基于局部线性表示分类方法

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
下一页»
尾页
共 100000 条