“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]一种问答模型的训练方法、装置、设备及存储介质-CN202110523567.7在审
发明人：杨韬 -专利权人：腾讯科技（深圳）有限公司
申请日： 2021-05-13 - 公布日： 2021-12-07 - 主分类号： G06F16/332 文献下载
摘要：本申请公开一种问答模型的训练方法、装置、设备及存储介质，在训练问答模型时，构建包括初始检索模块和初始阅读模块的初始问答模型。获取包括第一目标文档的训练语料，根据第一目标文档对初始检索模块和初始阅读模块进行联合训练。在联合训练过程中，利用第i次迭代训练后得到的初始检索模块对第i次迭代训练使用的第一目标文档进行更新，以根据更新后的第一目标文档对第i次迭代训练后得到的初始检索模块和初始阅读模块分别进行第i+1次迭代训练，直到满足迭代训练条件。根据满足迭代训练条件时的模型参数和初始问答模型的网络结构，确定目标问答模型。这种方式使得这两个模块相互促进，显著的提升问答模型的效果，提高开放域问答的准确性。
一种问答模型训练方法装置设备存储介质

[发明专利]一种数据处理方法及装置-CN202010530028.1在审
发明人：朱标;章鹏;崔阳 -专利权人：支付宝（杭州）信息技术有限公司
申请日： 2020-06-11 - 公布日： 2020-09-01 - 主分类号： G06F16/35 文献下载
摘要：一种数据处理方法及装置，所述方法包括：迭代执行以下过程，直到达到迭代终止条件：对特征词集合中的特征词进行近似词扩展，并将得到的扩展特征词添加至所述特征词集合；基于添加了扩展特征词后的所述特征词集合中的特征词构建若干训练样本；其中，所述若干训练样本中的部分训练样本被标记了样本标签；基于主动学习的方式，对所述若干训练样本，进行迭代训练，得到用于对目标对象进行分类的分类模型；其中，迭代终止条件包括：本轮迭代训练得到的分类模型，相对于上一轮迭代训练得到的分类模型的性能增益小于预设增益阈值。
一种数据处理方法装置

[发明专利]多模态模型构建方法、装置和计算机设备-CN202210024221.7在审
发明人：刘刚 -专利权人：腾讯科技（深圳）有限公司
申请日： 2022-01-06 - 公布日： 2022-04-19 - 主分类号： G06F30/27 文献下载
摘要：本申请涉及一种多模态模型构建方法、装置、计算机设备、存储介质和计算机程序产品，本发明实施例可应用于地图领域，其中方法设置迭代周期来进行多模态模型的构建，可以从当前迭代周期内的至少一个信息流任务中获取大规模预训练数据，从而基于这些预训练数据来完成当前迭代周期中多模态预训练模型的自监督预训练，同时，在当前迭代周期中，还可以根据当前迭代周期内的至少一个信息流任务，来对当前迭代周期前形成的多模态预训练模型进行微调，得到信息流任务所需要的目标多模态模型，从而有效地减少模型训练的真空期，提高模型训练的效率。
多模态模型构建方法装置计算机设备

[发明专利]人脸识别模型的训练和识别方法、存储介质及相关设备-CN202011500234.4在审
发明人：石海林;杜航;王军;梅涛 -专利权人：北京京东尚科信息技术有限公司;北京京东世纪贸易有限公司
申请日： 2020-12-18 - 公布日： 2021-01-22 - 主分类号： G06K9/00 文献下载
摘要：本申请实施例公开了一种人脸识别模型的训练和识别方法、存储介质及相关设备，所述训练方法包括：获得在第N次迭代下的至少两组图像；依据至少两组图像，获得在第N次迭代下的两组训练数据集；由第N次迭代下的副模型对第一组训练数据集进行处理，得到人脸在第N次迭代下的第一特征组；由第N次迭代下的主模型对第二组训练数据集进行处理，得到人脸在第N次迭代下的第二特征组；依据第一特征组和第二特征组，计算第N次迭代下的损失函数值；依据在第N次迭代下的损失函数值，至少确定是否对第N次迭代下的主模型进行相应次更新。
识别模型训练方法存储介质相关设备

[发明专利]深度学习分类算法中动态调节训练样本的方法及终端设备-CN201811624786.9有效
发明人：熊友军;罗沛鹏;廖洪涛 -专利权人：深圳市优必选科技有限公司
申请日： 2018-12-28 - 公布日： 2023-09-08 - 主分类号： G06V10/774 文献下载
摘要：本发明提供了一种深度学习分类算法中动态调节训练样本的方法及终端设备：获取第一训练集、验证集和测试集；通过第一训练集对模型进行训练，每完成一次迭代，通过验证集获取模型的精度，若完成第一预设次数的迭代且模型的精度大于等于第一预设精度，或若完成第二预设次数的迭代，则将验证集中的语料添加至第一训练集，得到第二训练集；通过第二训练集对模型进行训练，每完成一次迭代，通过训练集获取模型的精度，若模型的精度在连续第三预设次数的迭代过程中都高于第二预设精度，或若通过第二训练集完成第四预设次数的迭代，则通过测试集获得模型所对应的评价指数。
深度学习分类算法动态调节训练样本方法终端设备

[发明专利]一种像素增强的神经网络的改进难例挖掘训练方法及系统-CN202010355997.8有效
发明人：梁栋荣 -专利权人：杭州火烧云科技有限公司
申请日： 2020-04-29 - 公布日： 2023-06-30 - 主分类号： G06V10/764 文献下载
摘要：本发明公开了一种像素增强的神经网络的改进难例挖掘训练方法，包括步骤：A.确定样本集；B.训练迭代；C.每一个迭代训练结束后得到当前迭代的累加损失值，记为当前迭代损失值，与历史迭代损失值的最小值比较；D.C步骤循环迭代直到达到收敛条件，即得能自动对原图进行图像增强的最优神经网络。本发明还公开了一种像素增强的神经网络的改进难例挖掘训练系统。本发明针对千万像素级别的图像进行图像增强神经网络的训练，图像输入不受限制，解决了大尺寸数据集的数据不均衡问题，训练方法准确。
一种像素增强神经网络改进挖掘训练方法系统

[发明专利]一种高分辨率模拟波束快速训练方法及装置-CN201610235698.4有效
发明人：何世文;薛春林;黄永明;王海明;杨绿溪;洪伟 -专利权人：东南大学
申请日： 2016-04-15 - 公布日： 2018-09-21 - 主分类号： H04B7/0413 文献下载
摘要：本发明公开了一种高分辨率模拟波束快速训练方法及装置，首先，设定波束训练的相关参数，然后初始化第一次迭代，接着进行多次迭代，每次迭代都从码本中选择部分码字训练，与上次迭代结果进行比较，根据评价指标确定每个天线子阵列的模拟波束矢量，一层层迭代计算，满足迭代终止条件时完成一个天线子阵列的波束训练。与现有波束训练方法相比，本发明复杂度低，通过对码本合理的分区搜索，仅选择码本中的部分码字训练，大大减少了波束训练次数，节省了训练成本。
一种高分辨率模拟波束快速训练方法装置

[发明专利]模型训练方法、装置、存储介质及电子设备-CN202110788040.7在审
发明人：齐子豪;李德财 -专利权人： TCL科技集团股份有限公司
申请日： 2021-07-13 - 公布日： 2023-01-17 - 主分类号： G06F18/214 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、存储介质及电子设备。本申请实施例首先获取历史样本数据对应的损失值；然后根据损失值确定当次用于对目标模型进行迭代训练的目标样本类别；进而根据目标样本类别确定目标样本数据；根据目标样本数据对目标模型进行迭代训练；若满足预设条件，则停止迭代训练。本申请实施例能够根据历史样本数据反馈的损失值，决定用什么样本类别的样本数据对模型进行迭代训练，从而，适应性地调整模型迭代训练的样本投喂策略，解决样本数据不均衡的问题，从而提高模型训练的准确度。
模型训练方法装置存储介质电子设备

[发明专利]一种神经网络模型训练方法、装置、芯片和系统-CN201611073994.5有效
发明人：张长征;白小龙;涂丹丹 -专利权人：华为技术有限公司
申请日： 2016-11-29 - 公布日： 2020-02-14 - 主分类号： G06N3/08 文献下载
摘要：本发明实施例涉及机器学习领域，尤其涉及一种神经网络模型训练方法、装置、芯片和系统，用以缩短模型参数的训练时延。本发明实施例每个训练周期包括K次迭代，针对N个工作模块中的一个工作模块在每个训练周期内的第i次迭代，各个工作模块并行执行：根据第i次迭代的局部梯度和第i次迭代的模型参数计算第i+1次迭代的模型参数，且在i小于K的情况下，根据第i+1次迭代的模型参数以及第i+1次迭代的样本数据，计算第i+1次迭代的局部梯度；工作模块从所述服务器模块下拉第r次迭代的全局梯度和/或向所述服务器模块上推第f次迭代的局部梯度。从而使计算进程与通讯进程的时间窗口重叠，缩短模型参数的训练时延。
迭代工作模块模型参数局部梯度神经网络模型服务器模块训练周期时延机器学习领域模型参数计算芯片并行执行时间窗口通讯进程样本数据下拉全局进程

[发明专利]光学临近效应修正方法及系统和掩膜版-CN202011611624.9在审
发明人：孙鹏飞;王谨恒;陈洁;朱斌;张剑;曹楠 -专利权人：无锡华润上华科技有限公司
申请日： 2020-12-30 - 公布日： 2022-07-01 - 主分类号： G03F1/36 文献下载
摘要：本发明提供了一种光学临近效应修正方法及系统和掩膜版，该方法包括：获取多个测试图形，并设定各个测试图形的预定迭代次数；将多个测试图形分为训练集和测试集；基于机器学习算法和训练集，建立迭代次数模型；将测试集输入到迭代次数模型，以获得测试集中各个测试图形的测试迭代次数，并将各个测试图形的测试迭代次数和对应的预定迭代次数进行比较；根据比较结果，确定迭代次数模型是否为已训练好的迭代次数模型；将待处理的版图文件输入已训练好的迭代次数模型，以获得版图文件中所包括的不同原始设计图形对应的目标迭代次数；基于不同原始设计图形对应的目标迭代次数，对版图文件中所包括的原始设计图形进行修正，以获得修正后的图形。
光学临近效应修正方法系统掩膜版

[发明专利]一种基于信道空间稀疏特性的快速迭代波束成形方法-CN201510204418.9有效
发明人：成先涛;付自刚 -专利权人：电子科技大学
申请日： 2015-04-27 - 公布日： 2018-03-02 - 主分类号： H04B7/0413 文献下载
摘要：本发明属于无线通信技术领域，尤其涉及一种在无线MIMO通信系统中利用信道的空间稀疏性降低迭代波束成形的天线训练开销方法。一种基于信道空间稀疏特性的快速迭代波束成形方法，包括初始化，进行LANCZOS迭代，循环迭代控制等步骤。在时分双工MIMO系统中，本发明利用上下行信道的互易性，引入LANCZOS算法进行迭代天线训练的基础上，利用信道的空间稀疏性，将迭代过程中接收向量的估计问题建模为稀疏重建问题，从而利用压缩感知的相关理论进一步减少迭代训练开销，以极快的速度完成天线训练。
一种基于信道空间稀疏特性快速波束成形方法

[发明专利]目标检测模型生成方法、装置、设备及存储介质-CN202010778791.6在审
发明人：刘业鹏;曾钰胜;程骏;顾景;王玥;庞建新 -专利权人：深圳市优必选科技股份有限公司
申请日： 2020-08-05 - 公布日： 2020-12-15 - 主分类号： G06K9/62 文献下载
摘要：该方法包括：对待训练的目标监测模型在迭代训练过程中，按照节点顺序依次确定目标检测模型的迭代节点的检测准确率，并针对监测准确率小于或等于预设的准确率阈值的任意迭代节点，对目标检测模型在该迭代节点的检错负样本进行增加处理，得到增强负样本之后，根据增强负样本和第一预设数量的训练样本对目标检测模型，在迭代节点进行训练；在完成迭代节点的训练后，返回节点顺序依次确定目标检测模型的迭代节点的检测准确率的步骤以及后续步骤，直至完成对目标检测模型的训练
目标检测模型生成方法装置设备存储介质

[发明专利]图像增强模型的生成方法及装置、应用方法及装置-CN201910769010.4在审
发明人：黄峰 -专利权人：东软医疗系统股份有限公司
申请日： 2019-08-20 - 公布日： 2019-12-03 - 主分类号： G06T5/00 文献下载
摘要：本发明实施例中，通过设置深度学习网络模型，深度学习网络模型由主体网络的N次迭代组成；对于深度学习网络模型的每个输入，该输入为首次迭代中主体网络的输入，第i次迭代中主体网络的输出为第i+1次迭代中主体网络的输入，所有迭代中的主体网络具有相同的参数；以及设置迭代次数N的值以及主体网络的初始参数值，获得若干组训练数据，利用训练数据对深度学习网络模型进行训练，得到训练完毕的深度学习网络模型，作为图像增强模型，利用迭代的网络结构共享网络参数，减少了整体网络参数的数量，降低了对于训练数据的数量要求，防止了过拟合，有效降低了模型训练难度。
迭代主体网络网络模型训练数据图像增强学习共享网络模型训练数量要求网络结构整体网络拟合输出应用

[发明专利]一种联合学习的训练方法、装置、可读介质及电子设备-CN202110051633.5在审
发明人：张敏;高庆 -专利权人：新智数字科技有限公司
申请日： 2021-01-13 - 公布日： 2022-07-19 - 主分类号： G06N20/00 文献下载
摘要：本发明公开了一种联合学习的训练方法、装置、可读介质及电子设备，该方法包括：基于联合学习引擎发送的启动本地训练代理的信息，向目标用户请求联合学习数据；若获取的当前监控数据符合预设条件，则基于联合学习数据和原始数据模型，确定当前迭代模型；将当前迭代模型发送至联合学习引擎，以使得联合学习引擎基于多个本地训练代理发送的当前迭代模型，确定当前集成迭代模型；判断获取的当前集成迭代模型是否符合终止条件，若是，则停止训练；否则获取当前监控数据并更新原始数据模型本发明提供的技术方案通过开展本地训练代理，保证当前迭代模型的模型质量，以使得利用联合学习引擎确定出的当前集成迭代模型的准确度更高。
一种联合学习训练方法装置可读介质电子设备

[发明专利]分布式机器学习模型的训练方法、装置、设备及介质-CN202111503776.1在审
发明人：沈力;孙昊;陶大程 -专利权人：京东科技信息技术有限公司
申请日： 2021-12-09 - 公布日： 2022-03-11 - 主分类号： G06N20/00 文献下载
摘要：本发明实施例提供一种分布式机器学习模型的训练方法、装置、设备及介质。该方法包括：获取对预设机器学习模型进行训练时计算节点设备对应的多个训练样本数据；采用本地自适应随机梯度下降算法和训练样本数据对预设机器学习模型进行本轮多次迭代训练，以获得本轮迭代训练后的模型参数及自适应学习率关联参数；将本轮迭代训练后的模型参数及自适应学习率关联参数发送给参数服务器，以指示参数服务器根据本轮迭代训练后的模型参数及自适应学习率关联参数计算下一轮迭代训练时的模型参数及自适应学习率关联参数。该方法能够有效减少计算节点设备与参数服务器之间的通信交互次数，进而有效提高机器学习模型的训练效率。
分布式机器学习模型训练方法装置设备介质