[发明专利]模型训练方法、装置、服务器及存储介质

说明书

本发明公开了一种模型训练方法、装置、服务器及存储介质。一种模型训练方法，包括：将样本集IP_k输入训练模型集AP_k进行训练以得到第k次训练结果，所述第k次训练结果包括训练模型集AP_k+1和第k次样本标注，所述第k次样本标注为训练误差标注；根据所述第k次样本标注确认所述样本集IP_k中的目标样本集IP_n；根据所述目标样本集IP_n生成样本集IP_k+1；将所述样本集IP_k+1输入所述训练模型集AP_k+1进行训练以得第k+1次训练结果，所述第k+1次训练结果包括训练模型集AP_k+2；其中，k＝n，且k和n均为大于或等于1的正整数。本发明解决模型训练对样本的依赖度高的问题，实现缓解了模型训练对真实采样数据的依赖，加速人工智能技术的应用落地的效果。

技术领域

本发明实施例涉及模型训练技术，尤其涉及一种模型训练方法、装置、服务器及存储介质。

背景技术

近年来，人工智能取得了突破性的进展，已经广泛深入现实生活中，为各行各业提供了高效的、比肩甚至超越人类能力的解决方案。人工智能方法的核心，就是模型训练。目前的主流人工智能模型的训练如：生成式对抗网络(Generative Adversarial Networks，GANs)，通常需要大量的已标注数据作为训练过程的输入。如果没有足够的数据，算法模型的泛化性能可能较差。但是，获取大量数据已经比较困难和昂贵，要求这些数据是已标注的就更加困难。因此，急需一种可以对已有少量已标注数据进行数据增广，同时利用增广数据对模型进行高效训练的方法。

发明内容

本发明提供一种模型训练方法、装置、服务器及存储介质，以实现缓解了模型训练对真实采样数据的依赖，加速人工智能技术的应用落地的效果。

第一方面，本发明实施例提供了一种模型训练方法，包括：

将样本集IP_k输入训练模型集AP_k进行训练以得到第k次训练结果，所述第k次训练结果包括训练模型集AP_k+1和第k次样本标注，所述第k次样本标注为训练误差标注；

根据所述第k次样本标注确认所述样本集IP_k中的目标样本集IP_n；

根据所述目标样本集IP_n生成样本集IP_k+1；

将所述样本集IP_k+1输入所述训练模型集AP_k+1进行训练以得第k+1次训练结果，所述第k+1次训练结果包括训练模型集AP_k+2；

其中，k＝n，且k和n均为大于或等于1的正整数。

可选的，所述根据所述第k次样本标注确认所述样本集IP_k中的目标样本集IP_n包括：

根据所述第k次样本标注将所述样本集IP_k中训练误差大于预设阈值的样本作为目标样本集IP_n。

可选的，所述第k+1次训练结果还包括第k+1次样本标注，所述第k+1次样本标注为训练误差标注。

可选的，当所述k＝1时，所述样本集IP_k为先验知的初始样本，所述训练模型集AP_k为先验知的初始训练模型。

可选的，将所述样本集IP_k+1输入所述训练模型集AP_k+1进行训练以得第k+1次训练结果之后，还包括：

判断所述训练模型集AP_k+1的性能是否达到预设指标。