[发明专利]人工智能任务处理方法、装置、电子设备及可读存储介质

说明书

本申请公开了一种人工智能任务处理方法、装置、电子设备及可读存储介质。其中，方法包括获取待处理人工智能任务对应的AI数据集和AI任务执行模型；AI数据集包括AI训练集和AI验证集。根据AI任务执行模型，基于AI训练集在每个滑窗训练过程中的损失值，生成任务损失信息；根据AI任务执行模型，基于AI验证集在每个滑窗训练过程中的正向性能指标的期望值，生成任务精度期望信息。根据任务损失信息、任务精度期望信息和待处理人工智能任务的任务精度需求信息确定是否停止AI任务执行模型的训练，基于训练好的AI任务执行模型执行待处理人工智能任务。本申请可提升人工智能任务处理性能，降低人工智能任务处理过程中消耗的计算资源。

技术领域

本申请涉及人工智能技术领域，特别是涉及一种人工智能任务处理方法、装置、电子设备及可读存储介质。

背景技术

随着人工智能技术的快速发展，机器视觉、自然语言处理作为人工智能的一个分支，也得到相应的发展。简单来说，机器视觉就是用机器代替人眼进行测量和判断，其通过机器视觉产品即图像摄取装置如CMOS（Complementary Metal Oxide Semiconductor，互补金属氧化物半导体）和CCD（Charge-coupled Device，电荷耦合元件）等，将被摄目标转换成图像信号，然后传送给专用图像处理系统，得到被摄目标的形态信息，根据像素分布、亮度、颜色等信息，转变成数字化信号；图像处理系统对这些信号进行各种运算来抽取目标的特征，进而根据判别的结果来控制现场的设备动作。可见，机器视觉在实现过程中很大一部分工作就是图像处理，对图像摄取装置所采集图像的识别准确程度和识别效率，会影响机器视觉性能。自然语言处理是实现人与计算机之间用自然语言进行有效通信的各种理论和方法，通过对文本信息或者是语音信号进行处理得到可使计算机理解的有效信号，对输入的这些文本信息或者是语音信息的识别准确程度和识别效率，很大程度会影响自然语言处理性能。

随着大数据+深度学习+超大算力范式的人工智能研究已经深入到社会生活的方方面面，通常采用深度学习训练神经网络模型来执行人工智能数据的处理任务。深度学习通过预先标注好的数据集如样本图像数据集或者是自然语言样本集，训练模型中相关神经元的参数信息，来更好地完成特定场景的预测任务，比如图像分类，目标检测，图像分割，语音识别等等。可以理解的是，模型的训练过程是参数不断优化的过程，训练过程直接影响模型性能。模型的训练依赖于初始参数及超参数的设置，不合适的参数会导致整个训练过程出现局部最优、梯度消失或者梯度爆炸、训练缓慢、损失值不收敛等等情况，最终导致人工智能任务处理性能较差。相关技术中，通常通过模型的训练时间和在验证集上泛化错误(Validation Error)之间的权衡来确定模型的早停策略。具体来说，在指定周期内如N个epoch，一个Epoch就是将所有训练样本训练一次的过程，如果模型在验证集上的误差高于上一次模型在训练集上的训练误差，则停止模型训练。具体实施的时候是设定合适的停止标准。现有技术中的停止标准包括：1、泛化损失超过一定阈值时停止训练，以避免过拟合；2、在1的基础上加入度量进展：也即如果泛化损失和度量进展的商高于指定阈值的时候，停止训练；3、当泛化误差也即验证集上的误差在连续多个周期增长，则停止训练。但是，由于相关技术是围绕训练集和验证集的误差也即损失值loss的变化趋势来设定早停策略，导致模型在新的数据集上的泛化性能较低。此外，验证误差曲线并非光滑单调的曲线，可能会在几次变差的训练之后又持续变好，所以只考虑验证误差来设定早停策略，其准确度会受到一定程度的限制，最终导致所得到的模型性能不佳，并不能很好地执行人工智能处理任务。

鉴于此，如何提升人工智能任务处理性能，降低人工智能任务处理过程中消耗的计算资源，是所属领域技术人员需要解决的技术问题。

发明内容

本申请提供了一种人工智能任务处理方法、装置、电子设备及可读存储介质，有效提升人工智能任务处理性能，降低人工智能任务处理过程中消耗的计算资源。

为解决上述技术问题，本发明实施例提供以下技术方案：

本发明实施例一方面提供了一种人工智能任务处理方法，包括：