[发明专利]基于训练数据相似度聚合的模型加速训练方法及装置

权利要求书

1.基于训练数据相似度聚合的模型加速训练方法，其特征在于，包括以下步骤：

步骤一、随机提取全部训练数据中第一预设比例的图像作为本轮训练数据；

步骤二、对所述本轮训练数据采用模型训练算法完成本轮次的训练和验证，更新图像分类模型的参数；

步骤三、采用参数更新后的所述图像分类模型对剩余训练数据中的图像进行前向推理，并提取推理结果中与标注不符的训练数据，当提取的推理结果中与标注不符的训练数据达到预设数量时停止前向推理；

步骤四、将步骤三中所述提取的推理结果中与标注不符的训练数据进行相似度聚合；对相似度聚合后的每个类别提取第二预设比例的训练数据图像作为下一个轮次的训练数据；

步骤五、将步骤四提取的第二预设比例的训练数据图像与上一训练轮次的图像组合，打乱次序后作为更新后的训练数据集。

2.根据权利要求1所述的基于训练数据相似度聚合的模型加速训练方法，其特征在于，将更新后的所述训练数据集作为下一训练轮次的训练数据；重复步骤二至步骤五，使每一轮次的训练数据逐次递增，直到训练完预设轮次得到最终图像分类模型。

3.根据权利要求2所述的基于训练数据相似度聚合的模型加速训练方法，其特征在于，当执行第二轮次的数据训练时，将步骤四提取的第二预设比例的训练数据图像与步骤一中的第一预设比例的图像组合形成第二轮次的训练数据集。

4.根据权利要求1所述的基于训练数据相似度聚合的模型加速训练方法，其特征在于，所述步骤一中，随机提取全部训练数据1/10的图像作为第一轮次的训练数据。

5.根据权利要求1所述的基于训练数据相似度聚合的模型加速训练方法，其特征在于，步骤二中的模型训练算法采用梯度下降法、牛顿算法、共轭梯度法、准牛顿法或Levenberg-Marquardt算法中的一种或多种。

6.根据权利要求1所述的基于训练数据相似度聚合的模型加速训练方法，其特征在于，步骤三中，采用参数更新后的所述图像分类模型对剩余训练数据中的图像进行前向推理，且剩余训练数据中的图像全部完成时停止前向推理。

7.根据权利要求1所述的基于训练数据相似度聚合的模型加速训练方法，其特征在于，步骤四中，相似度聚合采用K-均值聚类算法。

8.基于训练数据相似度聚合的模型加速训练装置，采用如权利要求1至7任一项的基于训练数据相似度聚合的模型加速训练方法，其特征在于，包括：

训练数据提取模块，用于随机提取全部训练数据中第一预设比例的图像作为本轮训练数据；

模型训练模块，用于对所述本轮训练数据采用模型训练算法完成本轮次的训练和验证，更新图像分类模型的参数；

前向推理模块，用于采用参数更新后的所述图像分类模型对剩余训练数据中的图像进行前向推理，并提取推理结果中与标注不符的训练数据，当提取的推理结果中与标注不符的训练数据达到预设数量时停止前向推理；

相似度聚合模块，用于将前向推理模块中所述提取的推理结果中与标注不符的训练数据进行相似度聚合；

训练数据再提取模块，用于对相似度聚合后的每个类别提取第二预设比例的训练数据图像作为下一个轮次的训练数据；

训练数据组合模块，用于将训练数据再提取模块中提取的第二预设比例的训练数据图像与上一训练轮次的图像组合，打乱次序后作为更新后的训练数据集。

9.根据权利要求8所述的基于训练数据相似度聚合的模型加速训练装置，其特征在于，训练数据提取模块随机提取全部训练数据1/10的图像作为第一轮次的训练数据；

模型训练模块中的模型训练算法采用梯度下降法、牛顿算法、共轭梯度法、准牛顿法或Levenberg-Marquardt算法中的一种或多种。

10.根据权利要求8所述的基于训练数据相似度聚合的模型加速训练装置，其特征在于，前向推理模块中，采用参数更新后的所述图像分类模型对剩余训练数据中的图像进行前向推理，且剩余训练数据中的图像全部完成时停止前向推理；

相似度聚合模块中，相似度聚合采用K-均值聚类算法。