[发明专利]神经网络模型训练方法、装置及电子设备

说明书

本申请实施例提供了神经网络模型训练方法、装置及电子设备，该方法包括获取训练集；在训练集中选取样本图像输入到神经网络模型中进行训练；获取神经网络模型的训练状态信息，其中，训练状态信息表示神经网络模型的性能；按照训练状态信息，确定当前的性能模式；按照当前的性能模式对应的训练方式，对神经网络模型进行训练。获取神经网络模型的训练状态信息，以确定性能模式，并按照性能模式对应的训练方式，对神经网络模型进行训练，能够按照性能模式对应的训练方式，对神经网络模型进行训练，以提高各阶段训练的准确度，从而提高了神经网络模型的准确度，并且能够有效减少用户等待时间。

技术领域

本申请涉及计算机技术领域，特别是涉及神经网络模型训练方法、装置及电子设备。

背景技术

随着人工智能技术的不断发展，人工智能应用正在以场景化、碎片化的形式涌现,为了帮助深度学习零基础用户开发自己的AI(人工智能)算法，可以将深度学习训练系统经过一定封装提供给用户简单易用的接口，从而赋予用户AI开发能力。在这种情况下，用户往往只需要提交训练素材并标定，即可一键训练得到自己的深度学习算法模型。

相关技术中，上述一键训练功能是由底层的训练系统完成，一般的训练系统采用一固定的学习策略，在训练初始阶段生成学习策略，学习策略在整个训练过程中不会改变，按照这种方式可以执行完流程，但是固定的学习策略无法有效适用于多种训练任务，训练得到的神经网络模型准确度低。

发明内容

本申请实施例的目的在于提供一种神经网络模型训练方法、装置及电子设备，以实现增加神经网络模型的准确度。具体技术方案如下：

第一方面，本申请实施例提供了一种神经网络模型训练方法，所述方法包括：

获取训练集，其中，所述训练集包括多个样本图像；

在所述训练集中选取样本图像输入到神经网络模型中进行训练；

获取所述神经网络模型的训练状态信息，其中，所述训练状态信息表示所述神经网络模型的性能；

按照所述训练状态信息，确定当前的性能模式；

按照所述当前的性能模式对应的训练方式，对所述神经网络模型进行训练。

在一种可能的实施方式中，所述方法还包括：

将待分析图像输入到训练后的所述神经网络模型中进行分析，得到所述待分析图像的分析结果，所述分析结果包括目标检测结果、目标分类结果或目标分割结果中的至少一种。

在一种可能的实施方式中，在所述获取训练集之前，所述方法还包括：

获取多个包括标注信息的样本图像，并将所述多个样本图像划分为训练集、验证集及测试集。

在一种可能的实施方式中，所述按照所述训练状态信息，确定当前的性能模式，包括：

将所述训练状态信息进行量化，得到量化指标；

根据所述量化指标的变化情况，确定当前的性能模式。

在一种可能的实施方式中，所述根据所述量化指标的变化情况，确定当前的性能模式，包括：

在所述量化指标的变化情况表示所述神经网络模型的性能上升时，确定当前的性能模式为性能上升；

在所述量化指标的变化情况表示所述神经网络模型的性能不收敛时，确定当前的性能模式为不收敛；

在所述量化指标的变化情况表示所述神经网络模型的性能稳定时，确定当前的性能模式为性能稳定；

在所述量化指标的变化情况表示所述神经网络模型的性能下降时，确定当前的性能模式为性能下降。