[发明专利]模型的训练方法、处理器和存储装置

权利要求书

1.一种模型的训练方法，其特征在于，包括：

获取初始样本作为当前样本，并获取预设的初始深度网络模型作为第一深度网络模型；

利用所述第一深度网络模型对所述当前样本进行数据清洗，得到数据清洗后的样本；

利用所述数据清洗后的样本，对所述第一深度网络模型进行训练得到第二深度网络模型；

计算所述第一深度网络模型的识别精度和所述第二深度网络模型的识别精度；

判断所述第一深度网络模型的识别精度是否高于所述第二深度网络模型的识别精度；

若所述第一深度网络模型的识别精度高于所述第二深度网络模型的识别精度，则输出所述第一深度网络模型。

2.根据权利要求1所述的训练方法，其特征在于，当所述判断所述第一深度网络模型的识别精度中，若所述第一深度网络模型的识别精度等于或者低于所述第二深度网络模型的识别精度，将所述第二深度网络模型赋值于所述第一深度网络模型，并将所述数据清洗后的样本作为当前样本，返回执行所述利用所述第一深度网络模型对所述当前样本进行数据清洗，得到数据清洗后的样本。

3.根据权利要求1所述的训练方法，其特征在于，所述利用所述第一深度网络模型对所述当前样本进行数据清洗，得到数据清洗后的样本之前，还包括：

将所述当前样本划分成N份数据，所述N是预设的正整数；

其中，所述利用所述第一深度网络模型对所述当前样本进行数据清洗，得到数据清洗后的样本，包括：

选择所述当前样本的待清洗数据；其中，所述待清洗数据为所述当前样本的N份数据中未进行数据清洗的任意一份数据；

对所述待清洗数据进行数据清洗，得到清洗后的数据；

将所述清洗后的数据和所述当前样本的其他数据，组合所述数据清洗后的样本；其中，所述当前样本的其他数据为所述当前样本中除所述待清洗数据之外的数据。

4.根据权利要求3所述的训练方法，其特征在于，所述利用所述数据清洗后的样本，对所述第一深度网络模型进行训练得到第二深度网络模型，包括：

基于所述数据清洗后的样本中的已清洗数据对所述第一深度网络模型进行训练，得到第二深度网络模型；其中，所述已清洗数据包括所述数据清洗后的样本中，每一份已经进行数据清洗的数据。

5.根据权利要求1所述的训练方法，其特征在于，所述初始样本包括多个图像；

其中，所述利用所述第一深度网络模型对所述当前样本进行数据清洗，得到数据清洗后的样本，包括：

对于所述当前样本的每一个图像，判断所述图像是否是受损图像；

对于所述当前样本的每一个图像，若所述图像是受损图像，则从所述当前样本中删除所述图像；

对于所述当前样本的每一个图像，若所述图像不是受损图像，则将所述图像保留在所述当前样本中；

其中，删除所有受损图像后的当前样本为所述数据清洗后的样本。

6.根据权利要求1所述的训练方法，其特征在于，所述初始样本包括多个图像；

其中，所述利用所述第一深度网络模型对所述当前样本进行数据清洗，得到数据清洗后的样本，包括：

对于所述当前样本的每一个图像，判断所述图像是否清晰图像；

对于所述当前样本的每一个图像，若所述图像是清晰图像，将所述图像保留在所述当前样本中；

对于所述当前样本的每一个图像，若所述图像不是清晰图像，从所述当前样本中删除所述图像；

其中，所述当前样本中的所有清晰图像组成数据清洗后的样本。

7.根据权利要求1所述的训练方法，其特征在于，所述初始样本包括多个图像；

其中，所述利用所述第一深度网络模型对所述当前样本进行数据清洗，得到数据清洗后的样本，包括：

对于所述当前样本的每一个图像，判断所述图像是否是彩色图像；

对于所述当前样本的每一个图像，若所述图像是彩色图像，将所述图像保留在所述当前样本中；

对于所述当前样本的每一个图像，若所述图像不是彩色图像，从所述当前样本中删除所述图像；

其中，所述当前样本中的所有彩色图像组成数据清洗后的样本。