[发明专利]一种图片识别模型训练系统及方法

说明书

本发明实施例涉及一种图片识别模型训练系统及方法，系统包括：第一服务器在获取待训练的图片数据后，对其进行批次划分；在第j次模型训练时，将第j批次待训练图片数据发送到第二服务器上；第二服务器从该待训练图片数据中提取一批完整的图片特征；将此图片特征分别发送至服务器群组中每一台服务器上；服务器群组中的第i台服务器接收第二服务器发送的一批完整的图片特征；对此批完整的图片特征进行预处理；根据处理结果分别对第二服务器和服务器群组中的第i台服务器的模型训练参数进行更新；再执行第j+1次模型训练。通过该种方式来解决由于单个GPU显存无法装载对待识别人物进行分类识别时所需要的参数，也就无法对图片进行识别的问题。

技术领域

本发明实施例涉及计算机技术领域，尤其涉及一种图片识别模型训练系统及方法。

背景技术

随着深度学习方法的广泛熟知和了解，其已经被应用到各个领域。例如采用深度学习方法对图片识别模型进行训练。在训练过程中，训练模型的全链接层中的参数与要识别的人物个数有关。当在训练过程中，需要识别人物的数量极大，例如几百万个时，单个图形处理器(Graphics Processing Unit，简称GPU)显存将无法装载对待识别人物进行识别时所需要的参数，进而导致无法进行模型训练，也就无法对图片进行识别。

那么，当待识别人物的数量极大的情况下，如何才能够解决由于单个GPU显存无法装载对待识别人物进行分类识别时所需要的参数，进而导致无法进行模型训练，成为本申请亟待解决的技术问题。

发明内容

鉴于此，为解决现有技术中在待识别人物数量极大的情况下，由于单个GPU显存无法装载对待识别人物进行分类识别时所需要的参数，进而导致无法进行模型训练，也就无法对图片进行识别的技术问题，本发明实施例提供一种图片识别模型训练系统及方法。

第一方面，本发明实施例提供一种图片识别模型训练系统，该系统包括：：第一服务器、第二服务器以及服务器群组；

第一服务器用于，在获取待训练的图片数据后，对待训练的图片数据进行批次划分；并在第j次模型训练时，将第j批次待训练图片数据发送到第二服务器上；

第二服务器，用于从第j批次待训练图片数据中提取一批完整的图片特征；并将此批完整的图片特征分别发送至服务器群组中每一台服务器上；

服务器群组中的第i台服务器，用于接收第二服务器发送的一批完整的图片特征；

对此批完整的图片特征进行预处理，获取处理结果；

根据处理结果分别对第二服务器和服务器群组中的第i台服务器的模型训练参数进行更新；再执行第j+1次模型训练，或者，当确定本批次参数更新后的训练模型为最优训练模型时，停止训练，其中，服务器群组中每一台服务器均存储有与自身待识别的人物对应的训练参数，j为大于或者等于1，且小于或者等于批次总数减1的正整数，j依次递进取值，初始取值为1，i为大于或者等于1，且小于或者等于服务器群组中服务器总数的数值。

在一个可能的实施方式中，服务器群组中的第i台服务器，具体用于：

利用损失函数，对此批完整的图片特征进行预处理，获取处理结果。

在一个可能的实施方式中，服务器群组中的第i台服务器，具体用于：

根据处理结果对服务器群组中的第i台服务器的模型训练参数进行更新；将处理结果发送至第二服务器上；

第二服务器具体用于，根据服务器群组中的所有服务器分别反馈的处理结果，对自身的模型训练参数进行更新。

在一个可能的实施方式中，当系统中第二服务器包括多个服务进程时，第一服务器具体用于，

在第j次模型训练时，将第j批次待训练图片数据分为与第二服务器中服务进程数量对等的份数；