[发明专利]用于融合模型的方法和装置

说明书

本申请公开了用于融合模型的方法和装置，涉及人工智能深度学习和图像处理领域。具体实现方案为：获取至少2个模型；获取预设的样本集；对样本集进行随机删除，得到至少2种不同的候选样本集；对于至少2个模型中的每个模型，使用至少2种不同的候选样本集中的一种候选样本集进行模型训练，得到训练完成的模型；将通过不同候选样本集训练出的模型进行融合得到融合后的模型。该实施方式能够加快模型训练速度，并提升了图像识别的精度。

技术领域

本公开的实施例涉及计算机技术领域，具体涉及人工智能深度学习和图像处理领域。

背景技术

图像识别技术是通过机器学习的手段提取图像的特征、通过提取的特征来区分不同图像的技术。图像识别技术广泛应用于各类视觉任务中，如植物分类、菜品识别、地标识别等。在图像识别领域中，如何提高已有模型的精度，一直是学术界和工业界最值得探索点之一。

现有技术通过模型融合来提高模型的精度。模型融合的方式是多个模型在统一的数据集上训练得到的，而数据本身会决定模型的好坏和趋向性，所以多个模型在统一的数据集上训练会导致多个模型保持了一致的趋向性，融合后的结果也会有一定的趋向性，所以这种融合对结果的提升有限。

发明内容

本公开提供了一种用于融合模型的装置、装置、设备以及存储介质。

根据本公开的第一方面，提供了一种用于融合模型的方法，包括：获取至少2个模型；获取预设的样本集；对样本集进行随机删除，得到至少2种不同的候选样本集；对于至少2个模型中的每个模型，使用至少2种不同的候选样本集中的一种候选样本集进行模型训练，得到训练完成的模型；将通过不同候选样本集训练出的模型进行融合得到融合后的模型

根据本公开的第二方面，提供了一种用于融合模型的装置，包括：模型获取单元，被配置成获取至少2个模型；样本获取单元，被配置成获取预设的样本集；删除单元，被配置成对样本集进行随机删除，得到至少2种不同的候选样本集；训练单元，被配置成对于至少2个模型中的每个模型，使用至少2种不同的候选样本集中的一种候选样本集进行模型训练，得到训练完成的模型；融合单元，被配置成将通过不同候选样本集训练出的模型进行融合得到融合后的模型。

根据本公开的第三方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面中任一项的装置。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其特征在于，计算机指令用于使计算机执行第一方面中任一项的装置。

根据本申请的技术解决了多个模型在统一的数据集上训练会导致多个模型保持了一致的趋向性的问题，以及融合后的结果也会有一定的趋向性的问题，提升了融合结果。因此可以使用较少的硬件设备就能达到较高的识别准确性，从而在提高了图像处理的准确性和速度的同时，减少GPU等硬件设备的使用，降低成本。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本申请的限定。其中：

图1是本公开的一个实施例可以应用于其中的示例性系统架构图；

图2是根据本公开的用于融合模型的方法的一个实施例的流程图；

图3是根据本公开的用于融合模型的方法的一个应用场景的示意图；

图4是根据本公开的用于融合模型的方法的又一个实施例的流程图；

图5是根据本公开的用于融合模型的装置的一个实施例的结构示意图；