[发明专利]神经网络模型训练的方法和装置

权利要求书

1.一种神经网络模型训练的方法，其特征在于，包括：

获取神经网络模型、第一训练数据和所述第一训练数据的类别，所述神经网络模型是根据第二训练数据训练得到的，所述第一训练数据包括支持数据和查询数据，所述支持数据包括所述第一训练数据中的每一类的全部或部分数据，所述查询数据包括所述第一训练数据中每一类的全部或部分数据；

利用所述神经网络模型对于所述第一训练数据进行特征提取，以得到所述第一训练数据的特征；

根据每一类的类中心特征与所述查询数据特征的特征距离，调整所述神经网络模型中部分层的参数，以得到调整后的神经网络模型，所述每一类的类中心特征中的每一位为所述每一类的所述支持数据的特征对应位的平均值。

2.根据权利要求1所述的方法，其特征在于，所述根据每一类的类中心特征与所述查询数据特征的特征距离，调整所述神经网络模型中部分层的参数，包括：

根据所述每一类的类中心特征与所述查询数据特征的特征距离，以及每一类的第一训练数据的特征之间的特征距离的平均值，调整所述部分层的参数。

3.根据权利要求1或2所述的方法，其特征在于，所述利用所述神经网络模型对于所述第一训练数据进行特征提取，以得到所述第一训练数据的特征，包括：

将所述第一训练数据输入所述神经网络模型；

对所述神经网络模型提取的特征进行深度哈希，以得到所述第一训练数据的特征。

4.根据权利要求1-3中任一项所述的方法，其特征在于，所述根据每一类的类中心特征与所述查询数据特征的特征距离，调整所述神经网络模型中部分层的参数，包括：

当所述第一训练数据的数据量小于预设值时，通过贝叶斯优化方案调整超参数，根据所述每一类的类中心特征与所述查询数据特征的特征距离，调整所述部分层的参数；

当所述第一训练数据的数据量大于或等于所述预设值时，根据所述神经网络模型对应的预设超参数以及所述每一类的类中心特征与所述查询数据特征的特征距离，调整所述部分层的参数。

5.根据权利要求4所述的方法，其特征在于，所述超参数包括学习率、学习率衰减速率、学习率衰减周期、迭代周期数量、批尺寸、神经网络模型的网络结构参数中的一种或多种。

6.一种神经网络模型训练的方法，其特征在于，包括：

获取神经网络模型、第一训练数据和所述第一训练数据的类别；

当所述第一训练数据的数据量小于预设值时，通过贝叶斯优化方案调整超参数，根据所述第一训练数据和所述第一训练数据的类别，训练所述神经网络模型；

当所述第一训练数据的数据量大于或等于所述预设值时，根据所述神经网络模型对应的预设超参数、所述第一训练数据和所述第一训练数据的类别，训练所述神经网络模型。

7.根据权利要求6所述的方法，其特征在于，所述神经网络模型是根据第二训练数据训练得到的；

所述根据所述第一训练数据和所述第一训练数据的类别，训练神经网络模型，包括：

利用所述神经网络模型对于所述第一训练数据进行特征提取，以得到所述第一训练数据的特征，所述第一训练数据包括支持数据和查询数据，所述支持数据包括所述第一训练数据中的每一类的全部或部分数据，所述查询数据包括所述第一训练数据中每一类的全部或部分数据；

根据每一类的类中心特征与所述查询数据特征的特征距离，调整所述神经网络模型中部分层的参数，以得到调整后的神经网络模型，所述每一类的类中心特征中的每一位为所述每一类的所述支持数据的特征对应位的平均值。

8.根据权利要求7所述的方法，其特征在于，所述根据每一类的类中心特征与所述查询数据特征的特征距离，调整所述神经网络模型中部分层的参数，包括：

根据所述每一类的类中心特征与所述查询数据特征的特征距离，以及每一类的第一训练数据的特征之间的特征距离的平均值，调整所述部分层的参数。