[发明专利]一种训练迁移学习模型的方法及计算机存储介质

权利要求书

1.一种训练迁移学习模型的方法，所述迁移学习模型包括特征提取器、标签预测器、域判别器，训练数据样本包括源域数据样本和目标域数据样本，其特征在于，所述域判别器包括k个子域判别器，k等于所述源域数据样本据对应种类标签的数量；

通过特征提取器对所述训练数据样本进行特征提取，得到所述训练数据样本的样本特征；

将所样本述特征输入所述标签预测器，得到所述训练数据样本的种类标签概率，所述种类标签概率用于表征所述训练数据样本对应于每个种类标签的概率；

将所述样本特征输入到所述k个子域判别器得到所述训练数据样本的域标签概率，所述域标签概率用于表征所述训练数据样本对应于源域或目标域的概率；

基于所述种类标签概率和所述域标签概率构建目标函数；

根据所述目标函数更新所述迁移学习模型的参数。

2.如权利要求1所述的训练迁移学习模型的方法，其特征在于，所述基于所述种类标签概率和所述域标签概率构建目标函数包括：

基于所述种类标签概率构建所述标签预测器的损失函数；

基于所述种类标签概率和所述域标签概率构建所述域判别器的损失函数；

根据所述标签预测器的损失函数和所述域判别器的损失函数构建所述目标函数。

3.如权利要求2所述的训练迁移学习模型的方法，其特征在于，

所述根据所述目标函数更新所述迁移学习模型的参数包括：

根据所述标签预测器的损失函数更新所述标签预测器和特征提取器的参数；

根据所述域判别器的损失函数更新所述域判别器的参数。

4.如权利要求1所述的训练迁移学习模型的方法，其特征在于，所述基于所述种类标签概率和所述域标签概率构建目标函数包括：

基于所述种类标签概率构建所述标签预测器的损失函数；

基于所述种类标签概率构建所述标签预测器的条件熵函数；

基于所述种类标签概率和所述域标签概率构建所述域判别器的损失函数；

根据所述标签预测器的损失函数、所述标签预测器的条件熵函数和所述域判别器的损失函数构建所述目标函数。

5.如权利要求4所述的训练迁移学习模型的方法，其特征在于，

所述根据所述目标函数更新所述迁移学习模型的参数包括：

根据所述标签预测器的损失函数和所述标签预测器的条件熵函数更新所述标签预测器和特征提取器的参数；

根据所述域判别器的损失函数更新所述域判别器的参数。

6.如权利要求2-5任一项所述的训练迁移学习模型的方法，其特征在于，所述基于所述种类标签概率和所述域标签概率构建所述域判别器的损失函数包括：

基于所述域标签概率计算所述k个子域判别器的交叉熵损失函数；

基于所述种类标签概率和所述交叉熵损失函数构建所述域判别器的损失函数。

7.如权利要求2-5任一项述的训练迁移学习模型的方法，其特征在于，所述基于所述种类标签概率和所述域标签概率构建所述域判别器的损失函数包括：

基于所述域标签概率计算所述k个子域判别器的交叉熵损失函数；

基于所述种类标签概率计算k个子域判别器的类级别权重；

基于所述种类标签概率、所述交叉熵损失函数和所述类级别权重构建所述域判别器的损失函数。

8.一种电子设备，其特征在于，包括：存储器及处理器；其中，所述存储器用于存储有计算机程序，所述计算机程序适于由处理器加载并执行如权利要求1-7任一项的方法步骤。

9.一种计算机存储介质，其特征在于，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行如权利要求1-7任一项的方法步骤。