[发明专利]机器学习方法、电子设备及相关产品

说明书

本申请实施例公开了一种机器学习方法、电子设备及相关产品，方法包括：获取第一输入数据以及其对应的实际标签、以及N个神经网络模型；将第一输入数据分别输入到N个神经网络模型，得到N个输出数据；基于N个输出数据确定N个神经网络模型中每一神经网络模型相对于除了该每一神经网络模型之外的神经网络模型对该每一神经网络模型的KL散度，基于N个神经网络模型中至少一个神经网络模型的原始损失函数及其对应的KL散度构造第一损失函数，得到至少一个第一损失函数，基于至少一个第一损失函数、实际标签对相应的神经网络模型进行运算，得到运算后的至少一个神经网络模型。采用本申请实施例可以提升神经网络模型的表述能力。

技术领域

本申请涉及图像处理技术领域，具体涉及一种机器学习方法、电子设备及相关产品。

背景技术

现有技术中，深度神经网络表达能力非常强，效果非常好，但是这个是基于你有庞大的数据为依托，当不能够获得足够数据，或者，获得的数据不均衡时，深度学习的效果是十分有限的，甚至有可能没有传统的机器学习方法好。或者当任务非常复杂时，神经网络也很难学习到比较令人满意的效果，因此，如何提升神经网络模型的表述能力的问题亟待解决。

发明内容

本申请实施例提供了一种机器学习方法、电子设备及相关产品，能够提升模型的表述能力。

第一方面，本申请实施例提供一种机器学习方法，应用于电子设备，所述方法包括：

获取第一输入数据、所述第一输入数据对应的实际标签以及N个神经网络模型，每一神经网络模型对应一个原始损失函数，所述N为大于1的整数；

将所述第一输入数据分别输入到所述N个神经网络模型，得到N个输出数据；

基于所述N个输出数据确定所述N个神经网络模型中每一神经网络模型相对于除了该每一神经网络模型之外的神经网络模型对该每一神经网络模型的KL散度，基于所述N个神经网络模型中至少一个神经网络模型的原始损失函数及其对应的KL散度构造第一损失函数，得到至少一个第一损失函数；

基于所述至少一个第一损失函数、所述实际标签对所述N个神经网络模型中相应的神经网络模型进行运算，得到运算后的至少一个神经网络模型。

第二方面，本申请实施例提供一种机器学习装置，应用于电子设备，所述装置包括：获取单元、输入单元、确定单元和运算单元，其中，

所述获取单元，用于获取第一输入数据、所述第一输入数据对应的实际标签以及N个神经网络模型，每一神经网络模型对应一个原始损失函数，所述N为大于1的整数；

所述输入单元，用于将所述第一输入数据分别输入到所述N个神经网络模型，得到N个输出数据；

所述确定单元，用于基于所述N个输出数据确定所述N个神经网络模型中每一神经网络模型相对于除了该每一神经网络模型之外的神经网络模型对该每一神经网络模型的KL散度，基于所述N个神经网络模型中至少一个神经网络模型的原始损失函数及其对应的KL散度构造第一损失函数，得到至少一个第一损失函数；

所述运算单元，用于基于所述至少一个第一损失函数、所述实际标签对所述N个神经网络模型中相应的神经网络模型进行运算，得到运算后的至少一个神经网络模型。

第三方面，本申请实施例提供了一种电子设备，包括处理器、存储器、通信接口以及一个或多个程序，其中，上述一个或多个程序被存储在上述存储器中，并且被配置由上述处理器执行，上述程序包括用于执行本申请实施例第一方面中的步骤的指令。

第四方面，本申请实施例提供了一种计算机可读存储介质，其中，上述计算机可读存储介质存储用于电子数据交换的计算机程序，其中，上述计算机程序使得计算机执行如本申请实施例第一方面中所描述的部分或全部步骤。