[发明专利]一种增量学习方法、装置、存储介质及电子设备

权利要求书

1.一种增量学习方法，其特征在于，所述方法包括：

将多个类别的第一样本进行分类均值计算，获得第一特征样本，混合所述第一特征样本与候选样本，获得第二样本，其中，所述候选样本用于第一神经网络模型的增量学习；

冻结所述第一神经网络模型中的至少一个网络层，获得第一特征神经网络模型；

使用所述第二样本对所述第一特征神经网络模型进行训练，获得第二神经网络模型。

2.根据权利要求1所述的增量学习方法，其特征在于，所述将多个类别的第一样本进行分类均值计算，获得第一特征样本，包括：

获得所述第一样本的类别数及所述第一样本中的每个类别所对应的样本数量；

根据所述每个类别所对应的样本数量，对所述第一样本中的每个类别进行求平均值计算，获得与所述第一样本的类别数相等个数的中心向量；

集合与所述第一样本的类别数相等个数的中心向量，获得所述第一特征样本。

3.根据权利要求1所述的增量学习方法，其特征在于，所述混合所述第一特征样本与候选样本，获得第二样本，包括：

判断所述候选样本的样本数量与所述第一特征样本的样本数量的比值是否大于1；

若是，确定所述第一特征样本中的每个样本的重复次数为N，其中，N=（候选样本的样本数量/第一特征样本的样本数量）+1;

混合重复N次的所述第一特征样本与所述候选样本，获得所述第二样本。

4.根据权利要求3所述的增量学习方法，其特征在于，所述判断所述候选样本的样本数量与所述第一特征样本的样本数量的比值是否大于1，包括：

若否，混合所述第一特征样本与所述候选样本，获得所述第二样本。

5.根据权利要求1所述的增量学习方法，其特征在于，所述冻结所述第一神经网络模型中的至少一个网络层，包括：

获得所述第一神经网络模型的网络层层数；

根据对所述第一神经网络模型中的权重参数的保留程度，确定冻结所述第一神经网络模型的网络层层数；其中，被冻结的所述第一神经网络模型的网络层层数小于所述第一神经网络模型的网络层总层数；

根据确定的被冻结的所述第一神经网络模型的网络层层数，冻结所述第一神经网络模型，获得第一特征神经网络模型。

6.根据权利要求5所述的增量学习方法，其特征在于，所述根据确定的被冻结的所述第一神经网络模型的网络层层数，冻结所述第一神经网络模型，获得第一特征神经网络模型，包括：

获得所述第一神经网络模型的网络层结构；

根据确定的被冻结的所述第一神经网络模型的网络层层数，按照从顶层到底层的网络层结构关系，依次连续冻结所述第一神经网络模型，获得第一特征神经网络模型。

7.根据权利要求1所述的增量学习方法，其特征在于，在所述冻结所述第一神经网络模型中的至少一个网络层，获得第一特征神经网络模型之前，所述方法还包括：

对第一网络原模型进行模型复制和参数复制，生成一个与所述第一网络原模型相同的所述第一神经网络模型，其中，所述第一网络原模型为基于所述多个类别的第一样本训练的模型。

8.一种增量学习装置，其特征在于，所述装置包括：

第一处理模块，用于将多个类别的第一样本进行分类均值计算，获得第一特征样本，混合所述第一特征样本与候选样本，获得第二样本；

第二处理模块，用于冻结所述第一神经网络模型中的至少一个网络层，获得第一特征神经网络模型；

第三处理模块，用于使用所述第二样本对所述第一特征神经网络模型进行训练，获得第二神经网络模型。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被计算机运行时执行如权利要求1-7任一项所述的增量学习方法。

10.一种电子设备，其特征在于，所述电子设备包括：处理器、通信总线、通信接口以及存储器；

所述通信总线分别连接所述处理器、所述通信接口和所述存储器；

所述存储器存储有计算机可读取指令，当所述处理器执行可读取指令时，运行如权利要求1-7中任一权项所述的增量学习方法。