模型训练方法、数据处理方法、系统、设备、介质及产品与流程

摘要: 本申请涉及大模型技术及数据处理,具体而言,涉及一种模型训练方法、数据处理方法、系统、设备、介质及产品。背景技术:1、在大模型技术领域,针对实际应用场景,往往需要...
模型训练方法、数据处理方法、系统、设备、介质及产品与流程

本申请涉及大模型技术及数据处理,具体而言,涉及一种模型训练方法、数据处理方法、系统、设备、介质及产品。

背景技术:

1、在大模型技术领域,针对实际应用场景,往往需要模型处理复杂的多模态融合任务,这对模型提出了更高的要求。如何使得大模型能够有效地处理复杂的多模态融合任务,成为相关技术领域中亟待解决的问题。

2、相关技术中,通常依赖包含大量标注数据的单一数据集对模型进行策略优化,这种方法训练得到的模型虽然能够处理多模态融合任务,但是,这种方法过度依赖单一数据样本的多次预测,这将会导致模型的训练效率低、鲁棒性差,从而导致模型无法稳定地处理多模态融合任务。

3、针对上述的问题,目前尚未提出有效的解决方案。

技术实现思路

1、本申请实施例提供了一种模型训练方法、数据处理方法、系统、设备、介质及产品,以至少解决相关技术中模型的训练效率低、鲁棒性差的技术问题。

2、根据本申请实施例的一个方面,提供了一种模型训练方法,包括:获取训练数据,其中,训练数据包括:真实标注数据与目标伪标签数据集,目标伪标签数据集包括:按照预设筛选指标筛选得到的伪标签数据;采用训练数据对初始任务处理模型进行多重监督强化训练,生成目标任务处理模型,其中,目标任务处理模型用于对预设任务场景下的目标查询数据进行数据分析以得到目标回复数据。

3、根据本申请实施例的另一方面,还提供了一种数据处理方法,包括:获取预设任务场景下的目标查询数据;采用目标任务处理模型对目标查询数据进行数据分析,得到目标回复数据;其中,目标任务处理模型按照上述的模型训练方法生成。

4、根据本申请实施例的另一方面,还提供了一种数据处理方法,包括:获取医疗影像场景下的目标查询数据;采用目标任务处理模型对目标查询数据进行数据分析,得到目标回复数据;其中,目标任务处理模型按照上述的模型训练方法生成。

5、根据本申请实施例的另一方面,还提供了一种数据处理方法,包括:通过第一应用程序编程接口获取数据处理请求,其中,数据处理请求中携带的请求数据包括:预设任务场景下的目标查询数据;通过第二应用程序编程接口返回数据处理响应,其中,数据处理响应中携带的响应数据包括:目标回复数据,目标回复数据采用目标任务处理模型对目标查询数据进行数据分析后得到,目标任务处理模型按照上述的模型训练方法生成。

6、根据本申请实施例的另一方面,还提供了一种数据处理方法,包括:获取当前输入的数据处理对话请求,其中,数据处理对话请求中携带的请求数据包括:预设任务场景下的目标查询数据;响应于数据处理对话请求,返回数据处理对话回复,其中,数据处理对话回复中携带的信息包括:目标回复数据,目标回复数据采用目标任务处理模型对目标查询数据进行数据分析后得到,目标任务处理模型按照上述的模型训练方法生成;在图形用户界面内展示目标回复数据。

7、根据本申请实施例的另一方面,还提供了一种数据处理方法,包括:响应作用于操作界面上的输入指令,在操作界面上显示预设任务场景下的目标查询数据;响应作用于操作界面上的处理指令,在操作界面上显示目标回复数据;其中,目标回复数据采用目标任务处理模型对目标查询数据进行数据分析后得到,目标任务处理模型按照上述的模型训练方法生成。

8、根据本申请实施例的另一方面,还提供了一种数据处理系统,包括:客户端,用于发送预设任务场景下的目标查询数据;服务器,与客户端连接,用于采用目标任务处理模型对目标查询数据进行数据分析,得到目标回复数据;客户端还用于输出目标回复数据;其中,目标任务处理模型按照上述的模型训练方法生成。

9、根据本申请实施例的另一方面,还提供了一种电子设备,包括:存储器,存储有可执行程序;处理器,用于运行程序,其中,程序运行时执行上述的模型训练方法或上述任意一项的数据处理方法。

10、根据本申请实施例的另一方面,还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的可执行程序,其中,在可执行程序运行时控制计算机可读存储介质所在设备执行上述的模型训练方法或上述任意一项的数据处理方法。

11、根据本申请实施例的另一方面,还提供了计算机程序产品,包括计算机程序,计算机程序在被处理器执行时实现上述的模型训练方法或上述任意一项的数据处理方法。

12、在本申请实施例中,获取训练数据,其中,训练数据包括:真实标注数据与目标伪标签数据集,目标伪标签数据集包括:按照预设筛选指标筛选得到的伪标签数据;采用训练数据对初始任务处理模型进行多重监督强化训练,生成目标任务处理模型,其中,目标任务处理模型用于对预设任务场景下的目标查询数据进行数据分析以得到目标回复数据。

13、容易理解的是,本申请实施例中,将目标伪标签数据集与真实标注数据共同作为训练数据,利用目标伪标签数据集对训练数据进行了补充,为后续采用训练数据对初始任务处理模型进行多重监督强化训练提供了数据基础;进一步地,采用训练数据对初始任务处理模型进行多重监督强化训练,与相关技术中仅依赖单一数据样本对模型进行策略优化的方案相比,本申请在利用真实标注数据对初始任务处理模型进行监督强化训练的同时,还利用目标伪标签数据集对初始任务处理模型进行监督强化训练,共同引导模型学习处理复杂的多模态融合任务,实现了多重监督强化训练,避免了依赖单一数据样本进行多次预测的局限性,不仅能够加快模型训练的收敛速度,提升模型的训练效率,还能够确保目标任务处理模型稳定地对预设任务场景下的目标查询数据进行数据分析,生成准确的目标回复数据,增强了目标任务处理模型的鲁棒性。

14、由此,本申请实施例达到了通过利用真实标注数据与目标伪标签数据集进行多重监督强化训练,高效地得到鲁棒性更好的目标任务处理模型的目的,从而实现了增强目标任务处理模型的鲁棒性、提高目标任务处理模型的训练效率的技术效果,进一步地,基于本申请实施例,还可以利用训练得到的目标任务处理模型稳定地对复杂的多模态融合任务进行数据分析,提升目标回复数据的准确性,克服了相关技术中无法稳定地处理复杂的多模态融合任务的缺陷,进而解决了相关技术中模型的训练效率低、鲁棒性差的技术问题。

15、容易注意到的是,上面的通用描述和后面的详细描述仅仅是为了对本申请进行举例和解释,并不构成对本申请的限定。

1.一种模型训练方法,其特征在于,包括:

2.根据权利要求1所述的模型训练方法,其特征在于,获取所述目标伪标签数据集包括:

3.根据权利要求2所述的模型训练方法,其特征在于,所述模型训练方法还包括:

4.根据权利要求2所述的模型训练方法,其特征在于,利用所述目标多模态模型与所述初始任务处理模型获取所述目标伪标签数据集包括:

5.根据权利要求4所述的模型训练方法,其特征在于,所述预设筛选指标包括:第一筛选指标与第二筛选指标,至少采用所述初始任务处理模型对所述初始伪标签数据集进行标签筛选,得到所述目标伪标签数据集包括:

6.根据权利要求1所述的模型训练方法,其特征在于,采用所述训练数据对所述初始任务处理模型进行多重监督强化训练,生成所述目标任务处理模型包括:

7.根据权利要求6所述的模型训练方法,其特征在于,采用所述目标伪标签数据集对所述初始任务处理模型进行组间相对策略优化,生成所述目标任务处理模型包括:

8.根据权利要求7所述的模型训练方法,其特征在于,通过对所述多个候选回复进行组间相对策略优化,更新所述初始任务处理模型的模型参数,生成所述目标任务处理模型包括:

9.根据权利要求8所述的模型训练方法,其特征在于,采用所述奖励模型对所述多个候选回复进行奖励评估,得到所述目标奖励结果包括:

10.根据权利要求8所述的模型训练方法,其特征在于,对所述目标奖励结果进行相对优势计算,得到所述目标相对优势包括:

11.根据权利要求8所述的模型训练方法,其特征在于,依据所述目标概率比、所述目标相对优势以及所述目标数据匹配度,更新所述初始任务处理模型的模型参数,生成所述目标任务处理模型包括:

12.一种数据处理方法,其特征在于,包括:

13.一种数据处理方法,其特征在于,包括:

14.一种数据处理方法,其特征在于,包括:

15.一种数据处理方法,其特征在于,包括:

16.一种数据处理方法,其特征在于,包括:

17.一种数据处理系统,其特征在于,包括:

18.一种电子设备,其特征在于,包括:

19.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的可执行程序,其中,在所述可执行程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至11中任意一项所述的模型训练方法或权利要求12至16中任意一项所述的数据处理方法。

20.一种计算机程序产品,其特征在于,包括计算机程序,所述计算机程序在被处理器执行时实现权利要求1至11中任意一项所述的模型训练方法或权利要求12至16中任意一项所述的数据处理方法。