[发明专利]一种识别模型训练方法及装置

说明书

本申请实施例提供了一种识别模型训练方法及装置，识别模型训练方法包括：获取序列样本；将序列样本输入识别模型，得到预设前向目标序列的第一概率及预设后向目标序列的第二概率；根据预设前向目标序列及预设后向目标序列，按照同一位置预设后向目标序列中的目标在前、预设前向目标序列中的目标在后的顺序，排列得到前后向目标序列，并计算前后向目标序列的第三概率；根据第一概率、第二概率及第三概率，计算目标函数；根据目标函数，利用预设训练算法，训练识别模型。通过本方案，可以实现识别模型的实时识别。

技术领域

本申请涉及机器学习技术领域，特别是涉及一种识别模型训练方法及装置。

背景技术

随着人工智能技术的发展，机器学习作为人工智能的核心技术，已在目标检测与跟踪、行为检测与识别、语音识别等方面得到了广泛应用。DNN(Deep Neural Network，深度神经网络)作为机器学习研究中的一个新兴领域，通过模仿人脑的机制来解析数据，是一种通过建立和模拟人脑进行分析学习的智能模型。

传统的DNN中，如CNN(Convolutional Neural Network，卷积神经网络)，网络模型建立输入数据与输出结果之间的映射关系，通过将输入数据输入网络模型，得到输出结果，不同时刻的输入数据所得到的输出结果之间相互独立。然而在一些特殊的应用场景中，例如语音识别、视频目标跟踪等场景中，每一时刻的数据与其他时刻的数据之间具有较大关联。RNN(Recurrent Neural Network，循环神经网络)是一种实现循环序列运算的DNN，RNN对每一个输入数据的运算都依赖于对其他时刻的输入数据的运算结果。

在对基于RNN建立的识别模型进行训练时，多采用前向计算的方式，前向计算的过程是将过去时刻的运算结果引入当前时刻的运算中。训练获得的模型会倾向于利用尽可能多的未来信息，使得每一时刻的运算结果往往具有延迟性，导致识别模型无法满足实时识别的要求。

发明内容

本申请实施例的目的在于提供一种识别模型训练方法及装置，以实现识别模型的实时识别。具体技术方案如下：

第一方面，本申请实施例提供了一种识别模型训练方法，所述方法包括：

获取序列样本；

将所述序列样本输入识别模型，得到预设前向目标序列的第一概率及预设后向目标序列的第二概率；

根据所述预设前向目标序列及所述预设后向目标序列，按照同一位置所述预设后向目标序列中的目标在前、所述预设前向目标序列中的目标在后的顺序，排列得到前后向目标序列，并计算所述前后向目标序列的第三概率；

根据所述第一概率、所述第二概率及所述第三概率，计算目标函数；

根据所述目标函数，利用预设训练算法，训练所述识别模型。

可选的，所述识别模型包括循环神经网络及联结主义时序分类算法；

所述将所述序列样本输入识别模型，得到预设前向目标序列的第一概率及预设后向目标序列的第二概率，包括：

将所述序列样本输入所述循环神经网络，通过所述循环神经网络的前向计算，得到所述序列样本中各特征的输出概率组成的第一概率序列，并根据所述第一概率序列，利用所述联结主义时序分类算法，计算预设前向目标序列的第一概率；

通过所述循环神经网络的后向计算，得到所述序列样本中各特征的输出概率组成的第二概率序列，并根据所述第二概率序列，利用所述联结主义时序分类算法，计算预设后向目标序列的第二概率。

可选的，所述计算所述前后向目标序列的第三概率，包括：

根据所述第一概率序列及所述第二概率序列，计算所述第一概率序列中的各输出概率与所述第二概率序列中相同时刻的输出概率的均值，得到第三概率序列；