[发明专利]深度学习模型的训练方法、装置和计算机可读存储介质

说明书

本公开涉及一种深度学习模型的训练方法、装置和计算机可读存储介质，涉及计算机技术领域。本公开的方法包括：将训练样本输入待训练的深度学习模型，训练样本包括：锚样本、正样本和负样本；根据输出的训练样本的特征与对应的类中心的特征的距离，锚样本的特征与对应的正样本的特征的距离，以及锚样本的特征与对应的负样本的特征的距离，确定损失函数值；根据损失函数值对待训练的深度学习模型的参数进行调整，以便完成对待训练的深度学习模型的训练。本公开的方案加快了训练的收敛速度，提高训练效率。

技术领域

本公开涉及计算机技术领域，特别涉及一种深度学习模型的训练方法、装置和计算机可读存储介质。

背景技术

近几年深度学习在安防、教育、医疗健康、金融等领域取得了突破性的进展，例如语音识别、图像识别等等。可以说到目前为止，深度学习是最接近人类大脑的智能学习方法。但是深度学习模型参数多，计算量大，训练数据的规模也更大，在一些项目中，往往需要训练几个月甚至更长，这大大降低了训练的效率，因此如何加快训练速度也是深度学习中一个亟待解决的问题。

图像识别、人脸识别等是目前研究热度很高的领域，大多图像识别、人脸识别模型都应用了深度学习技术。在深度学习模型的训练过程中，常用的损失函数有Triplet Loss(三元组损失)。将训练样本输入深度学习模型，通过计算Triplet Loss调整模型的参数，完成模型的训练。

发明内容

发明人发现：采用Triplet Loss对深度学习模型进行实际训练时，收敛速度不快，训练效率较低。

本公开所要解决的一个技术问题是：提高深度学习模型的训练效率。

根据本公开的一些实施例，提供的一种深度学习模型的训练方法，包括：将训练样本输入待训练的深度学习模型，训练样本包括：锚样本、正样本和负样本；根据输出的训练样本的特征与对应的类中心的特征的距离，锚样本的特征与对应的正样本的特征的距离，以及锚样本的特征与对应的负样本的特征的距离，确定损失函数值；根据损失函数值对待训练的深度学习模型的参数进行调整，以便完成对待训练的深度学习模型的训练。

在一些实施例中，确定损失函数值的方法包括：根据输出的训练样本的特征与对应的类中心的特征的距离确定第一损失函数值；根据输出的锚样本的特征与对应的正样本的特征的距离，以及锚样本的特征与对应的负样本的特征的距离，确定第二损失函数值；将第一损失函数值与第二损失函数值的加权和确定为损失函数值。

在一些实施例中，确定损失函数值的方法还包括：计算当前训练周期的第一损失函数值与上一训练周期的第一损失函数值的差值；在差值超过预设范围内的情况下，将第一损失函数值与第二损失函数值的加权和确定为当前训练周期的损失函数值；或者，在差值在预设范围内的情况下，将第二损失函数值确定为当前训练周期的损失函数值。

在一些实施例中，确定损失函数值的方法包括：根据输出的训练样本的特征与对应的类中心的特征的距离确定第一损失函数值；根据输出的锚样本的特征与对应的正样本的特征的距离，以及锚样本的特征与对应的负样本的特征的距离，确定第二损失函数值；根据输出的类中心的特征与训练样本中心的特征的距离，确定第三损失函数值；将第一损失函数值、第二损失函数值与第三损失函数值的加权和确定为损失函数值。

在一些实施例中，确定损失函数值的方法还包括：计算当前训练周期的第一损失函数值与上一训练周期的第一损失函数值的差值；在差值超过预设范围内的情况下，将第一损失函数值、第二损失函数值与第三损失函数值的加权和确定为当前训练周期的损失函数值；或者，在差值在预设范围内的情况下，将第二损失函数值确定为当前训练周期的损失函数值。

在一些实施例中，第一损失函数值采用以下公式确定：