[发明专利]模型训练方法和装置、业务预测方法和装置

权利要求书

1.神经网络模型的训练方法，其中，包括：

根据历史业务数据，获取训练样本数据；其中，所述训练样本数据包括带有标签的人脸图像，所述标签包括真脸、假脸；

在每一轮训练中均执行：

将训练样本数据输入所述神经网络模型中，以对所述神经网络模型中每一个参数的参数值进行调整；以及

检测本轮训练是否满足参数获取条件，如果是，则记录本轮训练得到的神经网络模型中每一个参数的当前参数值；

在各轮训练结束后，针对神经网络模型的每一个参数，根据记录的该参数的大于一个的当前参数值，得到该参数对应的最终参数值；

将神经网络模型中每一个参数的参数值设置为该参数对应的最终参数值；

其中，所述检测本轮训练是否满足参数获取条件包括：

通过所述神经网络模型输出的对带有标签的人脸图像的识别结果与带有标签的人脸图像的标签之间的相似程度判断本轮得到的各参数的当前参数值是否优于上一次记录的各参数的当前参数值，如果是，则确定本轮训练满足参数获取条件；

其中，所述根据记录的该参数的大于一个的当前参数值得到该参数对应的最终参数值，包括：

确定所记录的该参数的每一个当前参数值对应的权重值；

将该参数的各个当前参数值进行加权平均，以得到该参数对应的所述最终参数值；

其中，所述确定所记录的该参数的每一个当前参数值对应的权重值，包括：根据得到每一个当前参数值时所处的轮数，设置每一个当前参数值对应的权重值，其中，得到一个当前参数值时所处的轮数在前时，该当前参数值对应的权重值较小，得到一个当前参数值时所处的轮数在后时，该当前参数值对应的权重值较大。

2.根据权利要求1所述的方法，其中，在预先设置的第L轮及其之后的每一轮中，均执行所述检测本轮训练是否满足参数获取条件的步骤，在预先设置的第L轮之前的每一轮中，不执行所述检测本轮训练是否满足参数获取条件的步骤；其中，L为大于1的正整数。

3.业务预测方法，其中，包括：

获取待预测的业务数据；

将待预测的业务数据输入神经网络模型中；所述神经网络模型是利用权利要求1至2中任一所述的方法训练出的；

得到该神经网络模型输出的对该待预测业务数据的识别结果。

4.模型训练装置，该装置包括：

样本获取模块，配置为根据历史业务数据，获取训练样本数据；其中，所述训练样本数据包括带有标签的人脸图像，所述标签包括真脸、假脸；

训练执行模块，配置为在每一轮训练中均执行：将训练样本数据输入神经网络模型中，以对所述神经网络模型中每一个参数的参数值进行调整；以及检测本轮训练是否满足参数获取条件，如果是，则记录本轮训练得到的神经网络模型中每一个参数的当前参数值；其中，所述检测本轮训练是否满足参数获取条件包括：通过所述神经网络模型输出的对带有标签的人脸图像的识别结果与带有标签的人脸图像的标签之间的相似程度判断本轮得到的各参数的当前参数值是否优于上一次记录的各参数的当前参数值，如果是，则确定本轮训练满足参数获取条件；

参数值确定模块，配置为在各轮训练结束后，针对神经网络模型的每一个参数，根据记录的该参数的大于一个的当前参数值，得到该参数对应的最终参数值；其中，所述参数值确定模块被配置为执行：确定所记录的该参数的每一个当前参数值对应的权重值；将该参数的各个当前参数值进行加权平均，以得到所述最终参数值；其中，所述参数值确定模块被配置为执行：根据得到每一个当前参数值的轮数，设置每一个当前参数只对应的权重值，其中，得到一个当前参数值的轮数在前时，该当前参数值对应的权重值较小，得到一个当前参数值的轮数在后时，该当前参数值对应的权重值较大；

模型生成模块，配置为将神经网络模型中每一个参数的参数值设置为该参数对应的最终参数值。

5.业务预测装置，其中，包括：

业务数据获取模块，配置为获取待预测的业务数据；

输入模块，配置为将待预测的业务数据输入神经网络模型中；所述神经网络模型是利用权利要求4所述的装置训练出的；

输出模块，配置为得到该神经网络模型输出的对该待预测业务数据的识别结果。

6.一种计算设备，包括存储器和处理器，所述存储器中存储有可执行代码，所述处理器执行所述可执行代码时，实现权利要求1-3中任一项所述的方法。