[发明专利]模型训练方法、文本去噪方法、装置、设备及存储介质

权利要求书

1.一种模型训练方法，其特征在于，包括：

确定文本去噪神经网络模型中的当前目标训练层，其中，所述当前目标训练层中包括至少一个神经网络层；

将图像训练样本输入至所述文本去噪神经网络模型，并计算对应的第一损失函数，基于所述第一损失函数对所述文本去噪神经网络模型进行训练，以对所述当前目标训练层中的权重参数进行调整，直到所述文本去噪神经网络模型满足预设收敛条件；

若训练后的当前目标训练层中未包括所述文本去噪神经网络模型中的所有神经网络层，返回执行所述确定文本去噪神经网络模型中的当前目标训练层的步骤。

2.根据权利要求1所述的方法，其特征在于，所述确定文本去噪神经网络模型中的当前目标训练层，包括：

若文本去噪神经网络模型为首次训练，将所述文本去噪神经网络模型中的第一个神经网络层确定为所述当前目标训练层；

若文本去噪神经网络模型不是首次训练，则在上一当前目标训练层的基础上依次序增加一个所述文本去噪神经网络模型中的神经网络层，并将增加一个神经网络层后的上一当前目标训练层确定为新的当前目标训练层。

3.根据权利要求1所述的方法，其特征在于，所述图像训练样本的确定方法，包括：

获取真实图像样本；

根据预设噪声添加函数对所述真实图像样本进行噪声添加；

将添加噪声后的真实图像样本确定为图像训练样本。

4.根据权利要求1所述的方法，其特征在于，所述将图像训练样本输入至所述文本去噪神经网络模型，并计算对应的第一损失函数，包括：

将图像训练样本输入至所述文本去噪神经网络模型，得到所述文本去噪神经网络模型输出的生成图像；

根据预设噪声添加函数对所述生成图像进行噪声添加；

将添加噪声后的生成图像与所述图像训练样本进行比对，根据比对结果确定所述文本去噪神经网络模型对应的第一损失函数。

5.根据权利要求4所述的方法，其特征在于，所述将添加噪声后的生成图像与所述图像训练样本进行比对，根据比对结果确定所述文本去噪神经网络模型对应的第一损失函数，包括：

确定与所述添加噪声后的生成图像的第一特征图像相对应的所述图像训练样本的第二特征图像，其中，所述第一特征图像与所述第二特征图像具有相同的属性特征；

确定所述第一特征图像与所述第二特征图像间的特征向量距离；

根据所述特征向量距离确定所述文本去噪神经网络模型对应的第一损失函数。

6.一种文本去噪方法，其特征在于，包括：

获取待去噪的文本图像；

将所述待去噪的文本图像输入至预设文本去噪神经网络模型中，其中，所述预设文本去噪神经网络模型采用权利要求1-5任一项所述的方法训练得到；

根据所述预设文本去噪神经网络模型的输出结果，确定去噪后的目标文本图像。

7.一种模型训练装置，其特征在于，包括：

训练层确定模块，用于确定文本去噪神经网络模型中的当前目标训练层，其中，所述当前目标训练层中包括至少一个神经网络层；

模型训练模块，用于将图像训练样本输入至所述文本去噪神经网络模型，并计算对应的第一损失函数，基于所述第一损失函数对所述文本去噪神经网络模型进行训练，以对所述当前目标训练层中的权重参数进行调整，直到所述文本去噪神经网络模型满足预设收敛条件；

返回确定模块，用于若训练后的当前目标训练层中未包括所述文本去噪神经网络模型中的所有神经网络层，返回执行所述确定文本去噪神经网络模型中的当前目标训练层的步骤。

8.一种文本去噪装置，其特征在于，包括：

文本图像获取模块，用于获取待去噪的文本图像；

文本图像输入模块，用于将所述待去噪的文本图像输入至预设文本去噪神经网络模型中，其中，所述预设文本去噪神经网络模型采用权利要求1-5任一项所述的方法训练得到；

去噪文本确定模块，用于根据所述预设文本去噪神经网络模型的输出结果，确定去噪后的目标文本图像。