[发明专利]稀少内容的分级深度学习模型检测方法、装置、计算机设备

说明书

本发明公开了一种稀少内容的分级深度学习模型检测方法、装置、计算机设备。其中，所述方法包括：采用分级深度学习模型方式，将推理模型配置为初筛模型和决策模型，其中，该初筛模型为满足预设性能阈值的模型，该决策模型为满足预设指标阈值的模型，和调节该初筛模型的初筛阈值为第一阈值，根据该第一阈值，从稀少内容中筛选出正常内容，以及调整该决策模型的决策阈值为第二阈值，根据该第二阈值，从该经筛选出正常内容后的稀少内容中决策出正常内容；其中，该第二阈值小于该第一阈值。通过上述方式，能够实现在维持足够的推理性能指标的同时，能够减少做推理计算所需的计算资源，降低机器成本。

技术领域

本发明涉及稀少内容技术领域，尤其涉及一种稀少内容的分级深度学习模型检测方法、装置、计算机设备。

背景技术

在模型检测领域，目前使用深度学习技术已经能把识别精度提升到超越人类的水平。得益于GPU(Graphics Processing Unit，图形处理器)的高速发展，通过分布式大规模训练已经能把模型训练时间的数量级从月甚至年缩小到天。

一旦模型训练完成就要做推理部署，工业化的推理通常需要具备延时低，并发量高的需求，为了维持足够的推理性能指标，通常需要大量的计算资源做推理计算，机器成本占了大部分的服务成本。

与训练样本分布不同，真实世界中大部分场景面临着的问题通常是类别不均衡问题，通常某些类别占了整体数据的绝大部分，这部分则是稀少内容。

然而，现有的稀少内容的检测方案，由于真实数据中正常内容占绝大部分，稀少内容占比很少，为了维持足够的推理性能指标，通常需要大量的计算资源做推理计算，机器成本占了大部分的服务成本。

发明内容

有鉴于此，本发明的目的在于提出一种稀少内容的分级深度学习模型检测方法、装置、计算机设备，能够实现在维持足够的推理性能指标的同时，能够减少做推理计算所需的计算资源，降低机器成本。

根据本发明的一个方面，提供一种稀少内容的分级深度学习模型检测方法，包括：采用分级深度学习模型方式，将推理模型配置为初筛模型和决策模型；其中，所述初筛模型为满足预设性能阈值的模型，所述决策模型为满足预设指标阈值的模型；调节所述初筛模型的初筛阈值为第一阈值，根据所述第一阈值，从稀少内容中筛选出正常内容；调整所述决策模型的决策阈值为第二阈值，根据所述第二阈值，从所述经筛选出正常内容后的稀少内容中决策出正常内容；其中，所述第二阈值小于所述第一阈值。

其中，所述采用分级深度学习模型方式，将推理模型配置为初筛模型和决策模型；其中，所述初筛模型为满足预设性能阈值的模型，所述决策模型为满足预设指标阈值的模型，包括：采用分级深度学习模型方式，根据推理模型的性能数据和指标数据，将推理模型配置为初筛模型和决策模型；其中，所述初筛模型为满足预设性能阈值的模型，所述决策模型为满足预设指标阈值的模型。

其中，所述调节所述初筛模型的初筛阈值为第一阈值，根据所述第一阈值，从稀少内容中筛选出正常内容，包括：调节所述初筛模型的初筛阈值为第一阈值，获取稀少内容中所有内容数据的正常置信度，从所述稀少内容中筛选出正常置信度高于所述第一阈值的内容数据为正常内容。

其中，所述调整所述决策模型的决策阈值为第二阈值，根据所述第一阈值，从所述经筛选出正常内容后的稀少内容中决策出正常内容；其中，所述第二阈值小于所述第一阈值，包括：调整所述决策模型的决策阈值为第二阈值，从所述经筛选出正常内容后的稀少内容中决策出正常置信度高于所述第二阈值的内容数据为正常内容。

其中，在所述调整所述决策模型的决策阈值为第二阈值，根据所述第二阈值，从所述经筛选出正常内容后的稀少内容中决策出正常内容；其中，所述第二阈值小于所述第一阈值之后，还包括：根据所述筛选出的正常内容和所述决策出的正常内容，对所述分级深度学习模型进行训练。