[发明专利]神经网络模型的训练方法及装置

权利要求书

1.一种神经网络模型的训练方法，其特征在于，包括：

获取第一数据集，其中，所述第一数据集包括N张目标人脸图像，每一张所述目标人脸图像对应有用于表征年龄的标识；N为正整数；

基于所述第一数据集生成第二数据集，其中，所述第二数据集包括由所述第一数据集中部分图像组成的多种图像序列；

基于所述第二数据集对预设的第一神经网络模型进行训练，得到第二神经网络模型；

基于所述第一数据集对调整后的所述第二神经网络模型进行训练，得到目标神经网络模型。

2.根据权利要求1所述的方法，其特征在于，所述获取第一数据集，包括：

获取N张初始人脸图像，确定每一张所述初始人脸图像对应的M个不同年龄段的年龄；其中，M的取值为正整数；

确定所述M个年龄的平均值，并在所述初始人脸图像中标注用于表征与所述平均值一致的年龄的标识；

将标注年龄的所述N张初始人脸图像确定为所述N张目标人脸图像，以得到所述第一数据集。

3.根据权利要求1所述的方法，其特征在于，所述基于所述第一数据集生成第二数据集，包括：

基于所述年龄所处的年龄段对所述N张目标人脸图像进行划分，得到划分为L个年龄段的人脸图像，其中，所述L为正整数；

分别从所述L个年龄段的人脸图像中的每一个年龄段中取出一张人脸图像，得到L张初始人脸图像；

从所述L张初始人脸图像基于年龄进行排序的所有方式中确定P种排序方式；

基于所述P种排序方式和所述L张初始人脸图像确定所述第二数据集，其中，所述第二数据集包括P个用于表征图像序列的元素，所述元素用于表征所述P种排序方式中一种排序方式和与所述一种排序方式对应的所述L张初始人脸图像。

4.根据权利要求3所述的方法，其特征在于，所述基于所述第二数据集对预设的第一神经网络模型进行训练，得到第二神经网络模型包括：

将所述L张初始人脸图像分别输入所述第一神经网络模型的L个特征提取部分中，其中，所述特征提取部分包括多个块和第一全连接层；其中，所述块包括卷积和激活函数；所述第一神经网络模型还包括：第二全连接层和第三全连接层；

将所述L个特征提取部分输出的L个人脸图像在所述第二全连接层中进行拼接融合；

将所述第二全连接层的输出输入到所述第三全连接层中；

基于归一化指数函数得到所述第三全连接层的输出的概率分布向量，并基于所述概率分布向量确定第一损失函数的值；

基于所述第一损失函数的值和反向传播算法对所述第一神经网络模型中的参数求导，得到求导结果；

基于所述求导结果和随机梯度下降算法对所述第一神经网络模型中的参数进行更新，直到所述求导的值小于预设阈值，以得到更新后的第一神经网络模型，其中，所述更新后的第一神经网络模型为所述第二神经网络模型。

5.根据权利要求4所述的方法，其特征在于，所述方法还包括：

获取所述第二神经网络模型中的特征提取部分；

在获取到的特征提取部分增加第四全连接层，得到调整后的所述第二神经网络模型；其中，所述第四全连接层为年龄估计输出层；

所述基于所述第一数据集对调整后的所述第二神经网络模型进行训练，得到目标神经网络模型包括：

将所述第一数据集输入调整后的所述第二神经网络模型，并将调整后的所述第二神经网络模型的输出结果确定为第二损失函数的值；

基于所述第二损失函数的值和反向传播算法对调整后的所述第二神经网络模型中的参数求导，得到求导结果；

基于所述求导结果和随机梯度下降算法对调整后的所述第二神经网络模型中的参数进行更新，直到所述求导的值小于预设阈值，以得到所述目标神经网络模型。