[发明专利]神经网络模型的训练方法、装置和系统

权利要求书

1.一种神经网络模型的训练方法，其特征在于，所述神经网络模型包括：源域模型和目标域模型，所述方法包括：

分别将第一类样本数据输入至所述源域模型以及将第二类样本数据输入至所述目标域模型，其中，所述第一类样本数据为带标签的源域样本数据，所述第二类样本数据为不带标签的目标域样本数据，所述源域模型和所述目标域模型共享相同的网络参数；

利用预设损失函数对所述第一类样本数据和所述第二类样本数据进行损失处理，得到处理结果；

根据所述处理结果对所述网络参数进行更新，训练得到所述神经网络模型。

2.根据权利要求1所述的方法，其特征在于，在分别将所述第一类样本数据输入至所述源域模型以及将所述第二类样本数据输入至所述目标域模型之前，还包括：

采用由图像数据集预训练成的模型对所述神经网络模型进行初始化。

3.根据权利要求1所述的方法，其特征在于，所述预设损失函数包括：源域分类损失函数，利用所述预设损失函数对所述第一类样本数据进行损失处理包括：

将第一参数、第二参数输入至所述源域分类损失函数，得到所述源域样本数据对应的分类损失结果，其中，所述第一参数是将所述源域样本数据输入至所述源域模型后得到的输出结果，所述第二参数为所述源域样本数据的标签；

计算所述源域样本数据对应的分类损失结果的均值，得到源域分类损失结果。

4.根据权利要求1所述的方法，其特征在于，所述预设损失函数包括：源域和目标域的一致性约束损失函数，利用所述预设损失函数对所述第一类样本数据和所述第二类样本数据进行损失处理包括：

获取第一相似性矩阵和第二相似性矩阵，其中，所述第一相似性矩阵为源域中不同特征之间的相似性矩阵，所述第二相似性矩阵为目标域中不同特征之间的相似性矩阵，所述第一相似性矩阵中的矩阵元素表示源域中自适应层的两个不同特征之间的相似性，所述第二相似性矩阵中的矩阵元素表示目标域中自适应层的两个不同特征之间的相似性；

计算所述第一相似性矩阵与所述第二相似性矩阵之间的欧氏距离，得到源域和目标域的一致性约束损失结果。

5.根据权利要求1所述的方法，其特征在于，所述预设损失函数包括：源域和目标域同时施加特征鉴别性损失函数，利用所述预设损失函数对所述第一类样本数据和所述第二类样本数据进行损失处理包括：

利用目标范数值和所述源域样本数据在自适应层输出的多维特征计算得到第一中间结果，其中，所述目标范数值大于源域和目标域的样本特征范数；

利用所述目标范数值和所述目标域样本数据在所述自适应层输出的多维特征计算得到第二中间结果；

采用所述第一中间结果和所述第二中间结果计算得到源域和目标域同时施加特征鉴别性损失结果。

6.根据权利要求1所述的方法，其特征在于，在根据所述处理结果对所述网络参数进行更新，训练得到所述神经网络模型之后，还包括：

采用自适应矩估计优化器对所述网络参数进行更新，得到优化后的神经网络模型。

7.一种数据处理方法，其特征在于，包括：

获取待识别对象；

采用神经网络模型对所述待识别对象进行识别，输出识别结果；

其中，所述神经网络模型包括：第一粒度机器学习模型和第二粒度机器学习模型，所述第一粒度机器学习模型采用第一类样本数据进行训练，所述第二粒度机器学习模型采用第二类样本数据进行训练，所述第一类样本数据为带标签的样本数据，所述第二类样本数据为不带标签的样本数据，所述第一粒度机器学习模型和所述第二粒度机器学习模型至少共享一部分相同的网络参数。

8.根据权利要求7所述的方法，其特征在于，通过预设损失函数对所述第一类样本数据和所述第二类样本数据进行损失处理，对所述神经网络模型中与输出层相邻的卷积层参数进行更新。