[发明专利]数据处理方法，装置及存储介质

说明书

本申请实施例提供了一种数据处理方法，包括：获取目标对象的至少一个样本；利用第一神经网络对至少一个样本进行特征提取得到至少一个第一特征数据，第一特征数据用于指示至少一个样本的特征；利用第二神经网络对至少一个第一特征数据进行特征提取得到至少一个第二特征数据，第二特征数据用于指示对应的第一特征数据的变化特征；根据至少一个第二特征数据进行决策得到决策数据。本申请实施例的数据处理方法，通过第一神经网络和第二神经网络对样本进行两次特征提取，从而得到能够表征样本所代表的事件的数据以及决策数据，从而减少了深度学习模型使用的训练数据量和训练时间，提高了深度学习模型的训练效率。

技术领域

本申请实施例涉及神经网络领域，尤其涉及一种数据处理方法，装置及存储介质。

背景技术

随着计算机科学技术的不断发展，深度学习技术对各个领域有着越来越深入的影响。深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字，图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。然而现有的深度学习模型的训练方法需要大量的训练数据或时间，例如，alphastar需要等效于4500的游戏时长才能学会策略游戏星际争霸，openai需要等效于1万年的训练才能掌握单手解魔方。并且传统的深度学习模型无法记忆过去发生的事件的缺点，有些模型还需要从人类标记的数据中学习概念，这些都使得深度学习模型的训练效率较低。

发明内容

有鉴于此，本发明实施例提供了一种数据处理方法及装置，用以克服现有技术的问题。

第一方面，本申请实施例提供了一种数据处理方法，其特征在于，包括：

获取目标对象的至少一个样本；

利用第一神经网络对至少一个样本进行特征提取得到至少一个第一特征数据，第一特征数据用于指示至少一个样本的特征；

利用第二神经网络对至少一个第一特征数据进行特征提取得到至少一个第二特征数据，第二特征数据用于指示对应的第一特征数据的变化特征；

根据至少一个第二特征数据进行决策得到决策数据。

可选地，在本申请的一种实施例中，利用第一神经网络对至少一个样本进行特征提取得到至少一个第一特征数据，包括：

将至少一个图像按照至少一个对象分割为至少一个片段，并将目标对象的至少一个片段作为目标对象的至少一个样本。

可选地，在本申请的一种实施例中，第二神经网络包括预测模型和特征编码模型；利用第二神经网络对至少一个第一特征数据进行特征提取得到至少一个第二特征数据，包括：

利用预测模型对至少一个第一特征数据进行预测得到至少一个预测数据；

利用特征编码模型对至少一个预测数据进行特征提取和编码得到至少一个第二特征数据。

可选地，在本申请的一种实施例中，方法还包括：

将至少一个第一特征数据按照时间排序得到特征节点序列；

利用特征节点序列对预测模型进行训练。

可选地，在本申请的一种实施例中，利用特征编码模型对至少一个预测数据进行特征提取和编码得到至少一个第二特征数据，包括：

利用特征编码模型对至少一个第一特征数据进行卷积运算和池化得到至少一个第二特征数据。

第二方面，本申请实施例提供了一种数据处理装置，其特征在于，包括：样本获取模块，第一神经网络模块，第二神经网络模块和决策模块；

样本获取模块用于获取目标对象的至少一个样本；