[发明专利]感知模型训练方法、装置、电子设备及存储介质

说明书

本公开涉及人工智能技术领域，尤其涉及深度学习、计算机视觉、图像处理、自动驾驶感知等技术领域。具体实现方案为：获取初步训练迭代数；构建包括初步训练迭代数的N组实训超参数，N为大于等于2的整数；基于N组实训超参数，分别对N个初始感知模型进行训练，获得N个候选感知模型；继续对N个候选感知模型中性能表现最优的待训练模型进行训练，获得目标感知模型，目标感知模型为用于对环境感知数据进行识别，获得环境识别结果的深度学习模型。采用本公开可以有效降低感知模型的训练时间，同时，减少运算资源的占用。

技术领域

本公开涉及人工智能技术领域，尤其涉及深度学习、计算机视觉、图像处理、自动驾驶感知等技术领域。

背景技术

随着人工智能技术的发展，深度学习模型的准确率也在不断提高。然而，高准确率的代价通常是越来越长的训练时间，以及越来越高的运算资源要求。

发明内容

本公开提供了一种感知模型训练方法、装置、电子设备及存储介质。

根据本公开的一方面，提供了一种感知模型训练方法，包括：

获取初步训练迭代数；

构建包括初步训练迭代数的N组实训超参数，N为大于等于2的整数；

基于N组实训超参数，分别对N个初始感知模型进行训练，获得N个候选感知模型；

继续对N个候选感知模型中性能表现最优的待训练模型进行训练，获得目标感知模型，目标感知模型为用于对环境感知数据进行识别，获得环境识别结果的深度学习模型。

根据本公开的第二方面，提供了一种感知模型训练装置，包括：

迭代数获取单元，用于获取初步训练迭代数；

超参数构建单元，用于构建包括初步训练迭代数的N组实训超参数，N为大于等于2的整数；

初步训练单元，用于基于N组实训超参数，分别对N个初始感知模型进行训练，获得N个候选感知模型；

继续训练单元，用于继续对N个候选感知模型中性能表现最优的待训练模型进行训练，获得目标感知模型，目标感知模型为用于对环境感知数据进行识别，获得环境识别结果的深度学习模型。

根据本公开的第三方面，提供了一种电子设备，包括：

至少一个处理器；

与至少一个处理器通信连接的存储器；

存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行第一方面所提供的方法。

根据本公开的第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，计算机指令用于使计算机执行第一方面所提供的方法。

根据本公开的第五方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现第一方面所提供的方法。

采用本公开可以有效降低感知模型的训练时间，同时，减少运算资源的占用。

应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。

附图说明

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1为现有技术中一种最优训练迭代数的确定方式辅助说明图；

图2为本公开实施例提供的一种感知模型训练方法的流程示意图；

图3为本公开实施例提供的一种实时训练结果示意图；