“迭代训练”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396437个，建议您升级VIP下载更多相关专利

[发明专利]一种模型迭代方法、系统及计算机设备-CN202010686152.7在审
发明人：李鹏;汪明浩 -专利权人：北京思图场景数据科技服务有限公司
申请日： 2020-07-16 - 公布日： 2020-09-11 - 主分类号： G06K9/62 文献下载
摘要：本发明涉及深度学习技术领域，具体涉及一种模型迭代方法、系统及计算机设备。包括获取使模型推导结果出现偏差的测试数据，形成新的待训练数据集；对待训练数据集进行数据分布评估，获得待训练数据集的分布特征；根据待训练数据集的分布特征将待训练数据集与模型的原始训练数据集进行融合，获得融合后的训练数据集；利用融合后的训练数据集对模型进行迭代训练，得到迭代后的模型。本发明不需要通过专业人员训练新模型就可以自动完成模型的迭代，有效提高模型迭代的效率。
一种模型方法系统计算机设备

[发明专利]模型参数选择、图像分类、信息识别方法及装置、设备-CN201911415591.8在审
发明人：侯广健 -专利权人：东软集团股份有限公司
申请日： 2019-12-31 - 公布日： 2020-05-19 - 主分类号： G06K9/62 文献下载
摘要：本申请实施例公开了一种模型参数选择方法、图像分类、信息识别方法及装置、设备，模型参数选择方法迭代执行以下步骤：获得目标模型，目标模型是将上一次迭代后的融合模型与当前待训练残差模型融合得到的；以当前待训练残差模型对训练数据的输出结果与上一次迭代后的训练数据的残差标签值相差最小为训练目标，求解当前待训练残差模型的一组目标参数；利用目标参数生成当前最优残差模型，将上一次迭代后的融合模型与当前最优残差模型融合得到本次迭代后的融合模型；计算训练数据的结果标签值与本次迭代后的融合模型对训练数据的输出结果之差，生成本次迭代后的训练数据的残差标签值。将达到第一预设停止条件时迭代后的融合模型作为最终输出模型。
模型参数选择图像分类信息识别方法装置设备

[发明专利]基于增量式差异学习网络的多源异质影像变化检测方法-CN202210577166.4在审
发明人：侍佼;谭春晖;雷雨;周德云;张圆 -专利权人：西北工业大学
申请日： 2022-05-25 - 公布日： 2022-09-20 - 主分类号： G06V20/10 文献下载
摘要：本发明公开了一种基于增量式差异学习网络的多源异质影像变化检测方法，包括：构建两幅多源异质遥感影像的原始训练样本；利用两组原始训练样本分别训练SDAE，构建差异学习网络；根据两组原始训练样本和差异学习网络在当前次迭代中的目标函数训练差异学习网络，得到当前次迭代中的预分类结果图；利用其和预设的样本筛选策略确定当前次迭代中的分类器训练集，并训练分类器得到当前次迭代中的分类器的训练损失；判断是否达到迭代停止条件；若否利用当前次迭代中的分类器的训练损失更新差异学习网络的目标函数并返回差异学习网络训练；若是利用当前次迭代中训练完成的分类器得到两幅多源异质遥感影像的变化检测结果图。
基于增量差异学习网络多源异质影像变化检测方法

[发明专利]一种时间序列异常检测系统及方法-CN202211201476.2在审
发明人：侯策;张振领;陈子昂;刘尚秋 -专利权人：中国农业银行股份有限公司
申请日： 2022-09-29 - 公布日： 2022-12-09 - 主分类号： G06K9/62 文献下载
摘要：本申请提供一种时间序列异常检测系统及方法，初始化伪标签生成单元对无标签的时序数据集中的部分数据自动标注伪标签，将携带有伪标签的部分数据确定为初始化伪标签数据集，迭代自训练单元利用伪标签数据集对迭代自训练单元进行训练，将时序数据集输入至训练后的迭代自训练单元，得到更新后的伪标签数据集，利用更新后的伪标签数据集继续对迭代自训练单元进行训练，继续将时序数据集输入至训练后的迭代自训练单元，重复得到更新后的伪标签数据集的过程，将迭代自训练单元最后一次输出结果作为时间序列异常检测结果，本申请实施例无需人工标注标签，利用自动标注的伪标签指导迭代自训练单元进行无监督学习，有效进行时间序列异常检测。
一种时间序列异常检测系统方法

[发明专利]一种迭代训练方法、设备、系统及介质-CN201910389954.9在审
发明人：周旭智 -专利权人：深圳市网心科技有限公司
申请日： 2019-05-10 - 公布日： 2019-08-02 - 主分类号： G06N20/00 文献下载
摘要：本发明公开了一种迭代训练方法、设备、系统及介质。该方法的步骤包括：在迭代训练的各个当前轮次中，通过经权重参数配置的训练模型对样本数据进行梯度运算，生成梯度参数；根据包含梯度参数在内的参数调整权重参数，生成新权重参数；通过新权重参数重新配置训练模型，并执行下一轮次的迭代训练；当最后一轮次的迭代训练结束时，将最终权重参数发送至参数服务器，以通过参数服务器汇总各迭代训练设备相应的最终权重参数，并根据各最终权重参数的计算结果权重参数，并根据结果权重参数生成结果模型。本方法相对确保了迭代训练的整体可靠性。此外，本发明还提供一种迭代训练设备、系统及介质，有益效果同上所述。
权重参数迭代训练参数服务器梯度参数训练模型整体可靠性参数调整结果模型梯度运算样本数据重新配置配置的发送

[发明专利]一种图像处理模型的训练方法、装置及电子设备-CN202111340104.3在审
发明人：李坡;王原原;郑佳 -专利权人：浙江大华技术股份有限公司
申请日： 2021-11-12 - 公布日： 2022-03-08 - 主分类号： G06V40/20 文献下载
摘要：一种图像处理模型的训练方法、装置及电子设备，该方法包括：对第一图像处理模型进行多次迭代训练，基于多次迭代训练中每次迭代训练得到的图像处理模型和每次迭代训练对应的损失占比，确定所述第一图像处理模型对应的目标图像处理模型通过上述的方法，获得第一图像处理模型之后对第一图像处理模型进行多次迭代训练，从多次迭代的图像处理模型中筛选出预测结果最准确的图像处理模型并将该图像处理模型作为目标图像处理模型，确保了目标图像处理模型的准确率
一种图像处理模型训练方法装置电子设备

[发明专利]模型迭代训练方法及装置-CN201811324203.0在审
发明人：张敏 -专利权人：建湖云飞数据科技有限公司
申请日： 2018-11-08 - 公布日： 2019-04-23 - 主分类号： G06F16/2458 文献下载
摘要：本发明公开了一种模型迭代训练方法，包括：在第一样本库中选取第一迭代负面样本，所述第一迭代负面样本为第一样本库中除第一迭代正例样本之外的其余样本；在所述第一迭代正面样本中随机选取第一数量的第一测试样本，在所述第一迭代负面样本中随机选取第二数量的第二测试样本，根据所述第一数量的第一测试样本以及第二数量的第二测试样本对待训练模型进行模型训练，得到第一迭代训练模型，如此迭代训练，通过不断增加正样本数量提升了负样本的清洁度，如此而训练得到的分类模型稳定性较好。
迭代测试样本迭代训练样本随机选取样本库清洁度分类模型模型训练训练模型正例样本负样本正样本

[发明专利]一种外观缺陷检测模型建模方法和装置-CN201811203637.5有效
发明人：廉迎战;郑富豪;李刘明;蔡二梦;郭杰鹏 -专利权人：广东工业大学
申请日： 2018-10-16 - 公布日： 2021-09-17 - 主分类号： G06K9/62 文献下载
摘要：本申请实施例公开了一种外观缺陷检测模型建模方法和装置，通过训练样本集的批次数和训练轮回数，利用最大迭代次数计算公式得到卷积神经网络模型训练的最大迭代次数，由于卷积神经网络模型的训练阶段涉及参数过多，迭代次数也比较多，而卷积神经网络模型的训练速度主要受迭代次数的影响，本申请提供的方法采用轮回的次数决定前馈和反向传播过程在训练中进行的次数，批次数确定训练样本数据的迭代次数在每个轮回内被处理的次数，能够得到较好的迭代次数，加快卷积神经网络的训练速度，避免了训练模型的过拟合和欠拟合，能够提高训练效率，解决了现有的基于卷积神经网络算法的训练模型效率低的技术问题。
一种外观缺陷检测模型建模方法装置

[发明专利]一种模型训练方法、装置及设备-CN201811654086.4在审
发明人：贺语 -专利权人：东软集团股份有限公司
申请日： 2018-12-27 - 公布日： 2019-05-24 - 主分类号： G06K9/62 文献下载
摘要：本申请公开了一种模型训练方法、装置及设备，利用辅助数据样本和携带有标签的源数据样本训练待训练模型。其中，所述训练过程包括多次迭代，在第i次迭代的过程中(i大于1)，第i次迭代使用的源数据样本，除了第i‑1次迭代使用的源数据样本之外，还包括通过第i‑1次迭代使用的辅助数据样本转化得到的源数据样本。也就是说，第i次迭代使用的源数据样本的数据量，大于第i‑1次迭代使用的源数据样本的数据量。随着训练过程中迭代次数的增加，携带有标签的源数据样本的数据量也越来越多。故而可以在迭代的过程中获得足够的源数据样本，当满足迁移算法对源数据的数据量的要求时，即可训练得到可靠的模型。从而提升了利用迁移算法训练模型的效率。
源数据样本迭代数据量装置及设备辅助数据模型训练训练过程标签迁移多次迭代算法训练训练模型样本训练携带算法申请转化

[发明专利]模型训练方法、意图识别方法及相关装置-CN202211550765.3在审
发明人：丁隆耀;蒋宁;夏粉;肖冰;李宽;吕乐宾 -专利权人：马上消费金融股份有限公司
申请日： 2022-12-05 - 公布日： 2023-05-16 - 主分类号： G06F40/35 文献下载
摘要：本申请公开了一种模型训练方法、意图识别方法及相关装置，所述方法包括：获取目标样本数据集和意图识别模型，目标样本数据集用于对意图识别模型进行预训练；为意图识别模型添加随机噪声，并基于目标样本数据集对添加随机噪声后的意图识别模型进行迭代训练；在对添加随机噪声后的意图识别模型进行迭代训练过程中，在确定当前迭代满足加噪条件的情况下，获取当前迭代对应的目标强度的噪声，并为当前迭代对应的意图识别模型添加目标强度的噪声并继续迭代训练；在确定存在迭代训练结束条件的情况下，获取训练完成的意图识别模型，训练完成的意图识别模型用于识别输入的文本数据的意图类型，可以提升意图识别模型的鲁棒性或稳定性。
模型训练方法意图识别相关装置

[发明专利]神经网络压缩-CN201980090684.X在审
发明人： X·徐;M·S·朴;C·M·布里克 -专利权人：莫维迪厄斯有限公司
申请日： 2019-12-17 - 公布日： 2021-09-10 - 主分类号： G06N3/08 文献下载
摘要：训练神经网络模型，其中训练包括多个训练迭代。在训练迭代中的一个特定训练迭代的前向轮次期间，对神经网络的特定层的权重进行修剪。在特定训练迭代的相同前向轮次期间，对特定层的权重值进行量化以确定用于特定层的经量化‑稀疏化的权重子集。至少部分地基于经量化‑稀疏化的权重子集通过训练来生成神经网络模型的压缩版本。
神经网络压缩

[发明专利]网络模型的训练方法及装置，电子设备及存储介质-CN202010789650.4在审
发明人：简伟健;赵朝炜;王瑜;李新阳;陈宽;王少康 -专利权人：北京推想科技有限公司
申请日： 2020-08-07 - 公布日： 2020-11-13 - 主分类号： G06N3/04 文献下载
摘要：本申请公开了一种网络模型的训练方法及装置，电子设备及存储介质。该训练方法包括：根据第i‑1次迭代的训练样本集，通过不同的多个第i‑1网络模型，预测第i‑1次迭代的训练样本集中的每个负样本为负样本的多个第i概率值，当i‑1＝0时，第i‑1次迭代的训练样本集为初始训练样本集，多个第i‑1网络模型为初始网络模型；根据多个第i概率值与第i预设阈值，获得第i次迭代的不确定样本；根据滤除第i次迭代的不确定样本的第i次迭代的训练样本集，更新多个第i‑1网络模型的网络参数，获得多个第i网络模型；迭代执行上述步骤至第n次迭代，获得训练完成的网络模型，i为大于或等于1且小于或等于n的整数，n为大于或等于2的整数，训练样本集包括多个医学图像样本。
网络模型训练方法装置电子设备存储介质

[发明专利]一种水稻病害识别方法、系统、设备及存储介质-CN202211333351.5在审
发明人：田冰川;郭玉立;周海东;龙晓波;清毅 -专利权人：华智生物技术有限公司
申请日： 2022-10-28 - 公布日： 2023-01-31 - 主分类号： G06V10/44 文献下载
摘要：本发明公开了一种水稻病害识别方法、系统、设备及存储介质，其方法包括：创建Densenet网络，将训练集中的水稻病状图像输入Densenet网络进行迭代训练，并在每次迭代训练中调整Densenet网络的训练权重；将测试集中的水稻病状图像输入每次迭代训练的Densenet网络，得到测试集的测试结果，若测试结果的准确度超过准确度阈值或者Densenet网络迭代训练次数达到迭代训练次数阈值，则通过Pytorch框架保存Densenet网络的最优训练权重；将待识别水稻病状图像输入至已保存最优训练权重的Densenet网络。
一种水稻病害识别方法系统设备存储介质

[发明专利]神经网络的训练方法和装置-CN202011322834.6在审
发明人：刘大勇;黄泽毅 -专利权人：华为技术有限公司
申请日： 2020-11-23 - 公布日： 2022-05-24 - 主分类号： G06N3/04 文献下载
摘要：本申请涉及人工智能领域，提供了一种神经网络的训练方法和装置，可以实现在迭代步维度对神经网络的参数组进行细粒度控制，在训练加速的同时提升了训练精度。该方法包括：获取待训练的神经网络；对待训练的神经网络的参数进行分组，以得到M组参数，M为大于或等于1的正整数；获取采样概率分布和训练迭代步排布方式，采样概率分布用于表征在每个训练迭代步中M组参数中的每组参数被采样的概率，训练迭代步排布方式包括间隔排布和周期排布；根据采样概率分布和训练迭代步排布方式，对被采样的参数组冻结或停更；根据被冻结的参数组或被停更的参数组对待训练的神经网络进行训练。
神经网络训练方法装置

[发明专利]联邦学习模型的训练方法、装置、电子设备和存储介质-CN202110939079.4在审
发明人：韩雨锦;杨恺;王虎;黄志翔;彭南博 -专利权人：京东科技控股股份有限公司
申请日： 2021-08-16 - 公布日： 2021-11-30 - 主分类号： G06F30/27 文献下载
摘要：本申请提出一种联邦学习模型的训练方法、装置、电子设备和存储介质，其中，训练方法包括：与数据提供方服务器进行样本对齐；生成特征编码集，以及将数据提供方服务器的特征编号和公钥发送至数据提供方服务器；将当前样本划分为训练集和验证集，并获取联邦学习模型的参数集；根据训练集、验证集、参数集和特征编码集，对联邦学习模型进行M次迭代训练；在M次迭代训练中每次迭代训练的过程中，若判断联邦学习模型满足早停条件，则控制M次迭代训练早停，并获取M次迭代训练中最后一次迭代训练得到的联邦学习模型的目标参数。由此，能够使训练更加高效，同时提升了建模效果，并且采用了早停策略避免模型出现过拟合的同时减少了复杂度。
联邦学习模型训练方法装置电子设备存储介质