预训练模型的确定方法、装置、电子设备以及存储介质与流程

1.本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于图像处理、图像识别等场景，尤其涉及预训练模型的确定方法、装置、电子设备以及存储介质。


背景技术：

2.预训练模型被广泛应用于改进上层人工智能任务的效果，在上游任务中，通过大量的训练数据对预训练模型进行预训练，即可实现在下游任务中，利用少量训练数据对模型进行训练的情况下，就可以取得较好的预测结果。而如何降低预训练模型的训练成本、提高训练效率是很重要的。


技术实现要素：

3.本公开提供了一种预训练模型的确定方法、装置、电子设备以及存储介质。
4.根据本公开的一方面，提供了一种预训练模型的确定方法，包括：获取多种候选模型；根据所述多种候选模型的模型结构进行结构编码，以得到各所述候选模型的结构编码；采用经过训练的编码器将各所述候选模型的结构编码映射得到对应的频域编码；根据各所述候选模型的频域编码，预测各所述候选模型的模型性能参数；根据各所述候选模型的模型性能参数，从多种所述候选模型中确定目标模型作为预训练模型。
5.根据本公开的另一方面，提供了一种预训练模型的确定装置，包括：获取模块，用于获取多种候选模型；编码模块，用于根据所述多种候选模型的模型结构进行结构编码，以得到各所述候选模型的结构编码；映射模块，用于采用经过训练的编码器将各所述候选模型的结构编码映射得到对应的频域编码；预测模块，用于根据各所述候选模型的频域编码，预测各所述候选模型的模型性能参数；确定模块，用于根据各所述候选模型的模型性能参数，从多种所述候选模型中确定目标模型作为预训练模型。
6.根据本公开的另一方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如上所述的预训练模型的确定方法。
7.根据本公开的另一方面，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，所述计算机指令用于使所述计算机执行如上所述的预训练模型的确定方法。
8.根据本公开的另一方面，提供了一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据如上所述的预训练模型的确定方法。
9.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
10.附图用于更好地理解本方案，不构成对本公开的限定。其中：
11.图1是根据本公开第一实施例的预训练模型的确定方法的流程示意图；
12.图2是根据本公开第二实施例的预训练模型的确定方法的流程示意图；
13.图3是根据本公开第三实施例的预训练模型的确定方法的流程示意图；
14.图4是根据本公开第四实施例的预训练模型的确定装置的结构示意图；
15.图5是根据本公开第五实施例的预训练模型的确定装置的结构示意图；
16.图6是用来实现本公开实施例的预训练模型的确定方法的电子设备的框图。
具体实施方式
17.以下结合附图对本公开的示范性实施例做出说明，其中包括本公开实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本公开的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
18.目前，预训练模型被广泛应用于改进上层人工智能任务的效果，在上游任务中，通过大量的训练数据对预训练模型进行预训练，即可实现在下游任务中，利用少量训练数据对模型进行训练的情况下，就可以取得较好的预测结果。而如何降低预训练模型的训练成本、提高训练效率是很重要的。
19.本公开为了降低预训练模型的训练成本、提高训练效率，提出一种预训练模型的确定方法，该方法，在获取多种候选模型后，根据多种候选模型的模型结构进行结构编码，以得到各候选模型的结构编码，再采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码，根据各候选模型的频域编码，预测各候选模型的模型性能参数，进而根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型。由此，通过根据多种候选模型的频域编码，从多种候选模型中确定目标模型作为预训练模型，能够减少后续对预训练模型进行训练的训练成本，提高训练效率。
20.下面参考附图描述本公开实施例的预训练模型的确定方法、装置、电子设备、非瞬时计算机可读存储介质以及计算机程序产品。
21.首先结合图1，对本公开提供的预训练模型的确定方法进行详细描述。
22.图1是根据本公开第一实施例的预训练模型的确定方法的流程示意图。
23.其中，需要说明的是，本公开实施例提供的预训练模型的确定方法，执行主体为预训练模型的确定装置，以下简称确定装置。该确定装置可以为电子设备，也可以被配置在电子设备中，以实现根据多种候选模型的频域编码，从多种候选模型中确定目标模型作为预训练模型，从而减少后续对预训练模型进行训练的训练成本，提高训练效率。本公开实施例以确定装置被配置在电子设备中为例进行说明。
24.其中，电子设备，可以是任意能够进行数据处理的静止或者移动计算设备，例如笔记本电脑、智能手机、可穿戴设备等移动计算设备，或者台式计算机等静止的计算设备，或者服务器，或者其它类型的计算设备等，本公开对此不作限制。
25.如图1所示，预训练模型的确定方法，可以包括以下步骤：
26.步骤101，获取多种候选模型。
27.其中，每种候选模型，由已经完成训练的多个子模型组合而成。其中，已经完成训练的多个子模型，可以为神经网络模型，或者也可以为其它类型的模型，本公开对此不作限制。
28.步骤102，根据多种候选模型的模型结构进行结构编码，以得到各候选模型的结构编码。
29.在示例性实施例中，针对多种候选模型中的每种候选模型，可以根据该候选模型的模型结构进行结构编码，从而可以得到各候选模型的结构编码。
30.其中，候选模型的结构编码中，每项对应候选模型的一层，其中，一层可以理解为组成候选模型的多个子模型中的其中一个子模型，每项的取值，为该项对应的一层子模型的模型类型。
31.举例来说，假设组成候选模型的每个子模型是从模型集合中选取的，模型集合中包括10000个种类的子模型，候选模型a共包括6层，每层对应候选模型a的结构编码的一项。相应的，候选模型a的结构编码中包括6项，每项包含10000个可能的取值。其中，假设候选模型a的第一层子模型的模型类型在模型集合中的编号为5、第二层子模型的模型类型在模型集合中的编号为2、第三层子模型的模型类型在模型集合中的编号为9、第四层子模型的模型类型在模型集合中的编号为8、第五层子模型的模型类型在模型集合中的编号为7、第六层子模型的模型类型在模型集合中的编号为4。则根据候选模型a的模型结构进行结构编码，可以得到候选模型a的结构编码为[5,2,9,8,7,4]。
[0032]
步骤103，采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码。
[0033]
在示例性实施例中，可以预先训练编码器，编码器的输入为结构编码，输出为对应的频域编码，从而将各候选模型的结构编码分别输入经过训练的编码器，可以得到各候选模型的结构编码对应的频域编码，从而实现将各候选模型的结构编码映射为对应的频域编码。
[0034]
步骤104，根据各候选模型的频域编码，预测各候选模型的模型性能参数。
[0035]
其中，模型性能参数，可以表征候选模型的性能好坏。其中，模型性能参数，可以包括表示候选模型的精度的参数以及表示候选模型的处理速度的参数等。
[0036]
在示例性实施例中，可以预先统计得到描述频域编码和对应的候选模型的模型性能参数之间的相关性的相关函数，其中，相关函数的参数可以通过频域下的最大似然估计得到。从而获取各候选模型的频域编码后，可以根据描述频域编码和对应的候选模型的模型性能参数之间的相关性的相关函数，预测各候选模型的模型性能参数。具体统计得到相关函数的方法，可以参考相关技术，此处不再赘述。
[0037]
步骤105，根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型。
[0038]
其中，从多种候选模型中确定的预训练模型的个数，可以根据需要预先设置，比如可以预先设置为一个或者多个，本公开对此不作限制。
[0039]
在示例性实施例中，预测得到各候选模型的模型性能参数后，即可按照模型性能参数，将各候选模型按照性能由好至坏的顺序进行排序，从而可以从多种候选模型中确定排序在前的预设数量的目标模型作为预训练模型，进而可以对预训练模型进行训练，以使
预训练模型适配人脸识别、图像处理、商品分类等各种任务。
[0040]
由于获取多种候选模型后，根据多种候选模型的频域编码，从多种候选模型中确定目标模型作为预训练模型，后续无需对各候选模型均进行训练，只需对确定的预训练模型进行训练，从而能够减少对预训练模型进行训练的训练成本，提高训练效率。另外，由于根据各候选模型的模型性能参数进行预训练模型的筛选，从而可以从各候选模型中，筛选出在同等精度情况下处理速度最快的候选模型作为预训练模型，进而对预训练模型进行训练后，在进行图像处理、图像识别等任务时，可以提升模型在特定硬件上的处理或识别图像的速度或者在低成本的硬件上达到与高成本硬件相同的速度和精度；或者，可以从各候选模型中，筛选出在同等速度条件下精度最高的候选模型作为预训练模型，进而对预训练模型进行训练后，在进行图像处理、图像识别等任务时，可以在同等硬件条件下提升模型的精度。
[0041]
本公开实施例提供的预训练模型的确定方法，在获取多种候选模型后，根据多种候选模型的模型结构进行结构编码，以得到各候选模型的结构编码，再采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码，根据各候选模型的频域编码，预测各候选模型的模型性能参数，进而根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型。由此，通过根据多种候选模型的频域编码，从多种候选模型中确定目标模型作为预训练模型，能够减少后续对预训练模型进行训练的训练成本，提高训练效率。
[0042]
通过上述分析可知，本公开实施例中，可以预先训练编码器，从而采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码。下面结合图2，对本公开提供的预训练模型的确定方法中对编码器进行训练的过程进一步说明。
[0043]
图2是根据本公开第二实施例的预训练模型的确定方法的流程示意图。如图2所示，预训练模型的确定方法，可以包括以下步骤：
[0044]
步骤201，将作为训练样本的样本结构编码输入编码器，得到编码器输出的预测频域编码。
[0045]
其中，样本结构编码，可以通过根据样本模型的模型结构对样本模型进行结构编码得到。其中，对样本模型进行结构编码的过程，可以参考上述实施例的描述，此处不再赘述。
[0046]
步骤202，将预测频域编码输入解码器。
[0047]
步骤203，根据解码器的输出与样本结构编码之间的差异，对编码器和解码器进行训练。
[0048]
其中，编码器和解码器，分别可以为神经网络模型或者其它类型的模型，本公开对此不作限制。编码器的输入为结构编码，输出为结构编码对应的频域编码；解码器的输入为频域编码，输出为频域编码对应的结构编码。
[0049]
在示例性实施例中，对编码器和解码器进行训练时，例如可以通过深度学习的方式进行训练，相比于其它机器学习方法，深度学习在大数据集上的表现更好。
[0050]
通过深度学习的方式训练编码器和解码器时，可以先将训练样本中的一个或多个样本结构编码作为输入，输入编码器，获取编码器输出的该样本结构编码对应的预测频域编码，再将编码器输出的预测频域编码作为输入，输入解码器，获取解码器输出的预测频域
编码对应的预测结构编码，并结合该样本结构编码，得到解码器的输出与该样本结构编码之间的差异，进而根据解码器的输出与该样本结构编码之间的差异对编码器和解码器的参数进行调整，得到调整后的编码器和解码器。
[0051]
再将训练数据中的另一个或多个样本结构编码作为输入，输入调整后的编码器，获取调整后的编码器输出的该样本结构编码对应的预测频域编码，再将调整后的编码器输出的预测频域编码作为输入，输入调整后的解码器，获取调整后的解码器输出的预测频域编码对应的预测结构编码，并结合该样本结构编码，得到调整后的解码器的输出与该样本结构编码之间的差异，进而根据调整后的解码器的输出与该样本结构编码之间的差异对调整后的编码器和解码器的参数进行调整，得到进一步调整后的编码器和解码器。
[0052]
由此，通过不断地调整编码器和解码器的参数对编码器和解码器进行迭代训练，直至解码器输出的预测结构编码的准确率满足预先设定的阈值，训练结束，得到经过训练的编码器和解码器。
[0053]
通过上述过程，即可得到经过训练的编码器和解码器，其中经过训练的编码器可以将某个模型的结构编码映射为频域编码，经过训练的解码器可以将某个模型的频域编码映射为结构编码，为后续采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码奠定了基础。
[0054]
步骤204，获取多种候选模型。
[0055]
步骤205，根据多种候选模型的模型结构进行结构编码，以得到各候选模型的结构编码。
[0056]
步骤206，采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码。
[0057]
在示例性实施例中，采用上述训练过程，对编码器和解码器进行训练后，在获取多种候选模型，并得到各候选模型的结构编码时，即可采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码。
[0058]
步骤207，根据各候选模型的频域编码，预测各候选模型的模型性能参数。
[0059]
需要说明的是，本公开实施例中，将各候选模型的结构编码映射为对应的频域编码时，可以将结构编码映射为至少二维的频域编码，其中，至少二维的频域编码，例如可以至少包括时间维度和精度维度，从而根据各候选模型的至少二维的频域编码，预测各候选模型的模型性能参数时，可以提高预测的准确性。
[0060]
相应的，在对编码器和解码器进行训练时，将作为训练样本的样本结构编码输入编码器后，可以通过编码器进行至少二维编码，以得到编码器输出的至少二维的预测频域编码，进而再将至少二维的预测频域编码输入解码器，根据解码器输出的预测结构编码与样本结构编码之间的差异，对编码器和解码器进行训练。由此，可以实现通过采用经过训练的编码器将各候选模型的结构编码映射得到对应的至少二维的频域编码，进而根据各候选模型的至少二维的频域编码，预测各候选模型的模型性能参数，从而提高预测的准确性。
[0061]
步骤208，根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型。
[0062]
其中，步骤204
‑
208的具体实现过程及原理，可以参考上述实施例的描述，此处不再赘述。
[0063]
本公开实施例的预训练模型的确定方法，将作为训练样本的样本结构编码输入编码器，得到编码器输出的预测频域编码，将预测频域编码输入解码器，根据解码器的输出与样本结构编码之间的差异，对编码器和解码器进行训练，从而实现了对编码器和解码器的训练。在获取多种候选模型，并根据多种候选模型的模型结构进行结构编码，以得到各候选模型的结构编码后，可以采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码，再根据各候选模型的频域编码，预测各候选模型的模型性能参数，进而根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型。由此，通过根据多种候选模型的频域编码，从多种候选模型中确定目标模型作为预训练模型，能够减少后续对预训练模型进行训练的训练成本，提高训练效率。
[0064]
通过上述分析可知，本公开实施例中，可以根据各候选模型的频域编码，预测各候选模型的模型性能参数，进而根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型。下面结合图3，对本公开提供的预训练模型的确定方法中根据各候选模型的频域编码，预测各候选模型的模型性能参数的过程进一步说明。
[0065]
图3是根据本公开第三实施例的预训练模型的确定方法的流程示意图。如图3所示，预训练模型的确定方法，可以包括以下步骤：
[0066]
步骤301，将模型集合中的特征提取模型进行组合，得到多种候选模型。
[0067]
其中，特征提取模型可以为计算机视觉和图像处理领域中的具有提取图像特征的功能的任意模型。
[0068]
在示例性实施例中，模型集合中包含已经训练完成的多个特征提取模型(即前述实施例中的子模型)，其中，多个特征提取模型可以为神经网络的模型，或者也可以为其它类型的模型，本公开对此不作限制。在示例性实施例中，可通过随机选取的方式从模型集合中选取多个特征提取模型进行组合，从而得到多种候选模型；或者也可以先确定模型集合中多个特征提取模型各自的性能，再从模型集合中选取多个性能较优的特征提取模型随机组合，得到多种候选模型；或者，也可以通过其它方式得到多种候选模型。本公开实施例中对获取多种候选模型的方式不作限定。
[0069]
通过将模型集合中的特征提取模型进行组合，能够得到多种高精度的候选模型。
[0070]
步骤302，根据多种候选模型的模型结构进行结构编码，以得到各候选模型的结构编码。
[0071]
步骤303，采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码。
[0072]
其中，步骤302
‑
303的具体实现过程及原理，可以参考上述实施例的描述，此处不再赘述。
[0073]
步骤304，根据待执行的任务，确定目标相关函数。
[0074]
其中，待执行的任务，为预训练模型经过训练后需要执行的任务，其比如可以为人脸识别任务或者商品分类任务等。
[0075]
在示例性实施例中，可以预先确定各种任务分别对应的相关函数，其中，每种任务对应的相关函数，描述频域编码和对应的候选模型在执行该种任务时的模型性能参数之间的相关性，其中，相关函数的参数可以通过频域下的最大似然估计得到。从而可以根据待执行的任务以及预先确定的各种任务分别对应的相关函数，确定待执行的任务对应的目标相
关函数。
[0076]
步骤305，分别将各候选模型的频域编码代入目标相关函数，以得到各候选模型的模型性能参数。
[0077]
在示例性实施例中，由于目标相关函数描述频域编码和对应的候选模型在执行待执行任务时的模型性能参数之间的相关性，从而可以分别将各候选模型的频域编码代入目标相关函数，得到各候选模型的模型性能参数。
[0078]
通过根据待执行的任务，确定目标相关函数，分别将各候选模型的频域编码代入目标相关函数，以得到各候选模型的模型性能参数，实现了根据待执行的任务对应的目标相关函数，准确预测各候选模型在执行待执行任务时的模型性能参数。
[0079]
步骤306，根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型。
[0080]
其中，步骤306的具体实现过程及原理，可以参考上述实施例的描述，此处不再赘述。
[0081]
本公开实施例的预训练模型的确定方法，首先将模型集合中的特征提取模型进行组合，得到多种候选模型，再根据多种候选模型的模型结构进行结构编码，以得到各候选模型的结构编码，再采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码，再根据待执行的任务，确定目标相关函数，分别将各候选模型的频域编码代入目标相关函数，以得到各候选模型的模型性能参数，进而根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型，由此，通过根据多种候选模型的频域编码，从多种候选模型中确定目标模型作为预训练模型，能够减少后续对预训练模型进行训练的训练成本，提高训练效率。
[0082]
下面结合图4，对本公开提供的预训练模型的确定装置进行说明。
[0083]
图4是根据本公开第四实施例的预训练模型的确定装置的结构示意图。
[0084]
如图4所示，本公开提供的预训练模型的确定装置400，包括：获取模块401、编码模块402、映射模块403、预测模块404以及确定模块405。
[0085]
其中，获取模块401，用于获取多种候选模型；
[0086]
编码模块402，用于根据多种候选模型的模型结构进行结构编码，以得到各候选模型的结构编码；
[0087]
映射模块403，用于采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码；
[0088]
预测模块404，用于根据各候选模型的频域编码，预测各候选模型的模型性能参数；
[0089]
确定模块405，用于根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型。
[0090]
需要说明的是，本实施例提供的预训练模型的确定装置，可以执行前述实施例的预训练模型的确定方法。其中，预训练模型的确定装置可以为电子设备，也可以被配置在电子设备中，以实现根据多种候选模型的频域编码，从多种候选模型中确定目标模型作为预训练模型，从而减少后续对预训练模型进行训练的训练成本，提高训练效率。
[0091]
其中，电子设备，可以是任意能够进行数据处理的静止或者移动计算设备，例如笔
记本电脑、智能手机、可穿戴设备等移动计算设备，或者台式计算机等静止的计算设备，或者服务器，或者其它类型的计算设备等，本公开对此不作限制。
[0092]
需要说明的是，前述对于预训练模型的确定方法的实施例的说明，也适用于本公开提供的预训练模型的确定装置，此处不再赘述。
[0093]
本公开实施例提供的预训练模型的确定装置，在获取多种候选模型后，根据多种候选模型的模型结构进行结构编码，以得到各候选模型的结构编码，再采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码，根据各候选模型的频域编码，预测各候选模型的模型性能参数，进而根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型。由此，通过根据多种候选模型的频域编码，从多种候选模型中确定目标模型作为预训练模型，能够减少后续对预训练模型进行训练的训练成本，提高训练效率。
[0094]
下面结合图5，对本公开提供的预训练模型的确定装置进行说明。
[0095]
图5是根据本公开第五实施例的预训练模型的确定装置的结构示意图。
[0096]
如图5所示，预训练模型的确定装置500，具体可以包括：获取模块501、编码模块502、映射模块503、预测模块504以及确定模块505。其中，图5中获取模块501、编码模块502、映射模块503、预测模块504以及确定模块505与图4中获取模块401、编码模块402、映射模块403、预测模块404以及确定模块405具有相同功能和结构。
[0097]
在示例性实施例中，预训练模型的确定装置500，还可以包括：
[0098]
第一处理模块506，用于将作为训练样本的样本结构编码输入编码器，得到编码器输出的预测频域编码；
[0099]
第二处理模块507，用于将预测频域编码输入解码器；
[0100]
训练模块508，用于根据解码器的输出与样本结构编码之间的差异，对编码器和解码器进行训练。
[0101]
在示例性实施例中，第一处理模块506，包括：
[0102]
处理单元，用于将作为训练样本的样本结构编码输入编码器进行至少二维编码，以得到编码器输出的至少二维的预测频域编码。
[0103]
在示例性实施例中，获取模块501，包括：
[0104]
组合单元，用于将模型集合中的特征提取模型进行组合，得到多种候选模型。
[0105]
在示例性实施例中，预测模块504，包括：
[0106]
确定单元，用于根据待执行的任务，确定目标相关函数；
[0107]
获取单元，用于分别将各候选模型的频域编码代入目标相关函数，以得到各候选模型的模型性能参数。
[0108]
需要说明的是，前述对于预训练模型的确定方法的实施例的说明，也适用于本公开提供的预训练模型的确定装置，此处不再赘述。
[0109]
本公开实施例提供的预训练模型的确定装置，在获取多种候选模型后，根据多种候选模型的模型结构进行结构编码，以得到各候选模型的结构编码，再采用经过训练的编码器将各候选模型的结构编码映射得到对应的频域编码，根据各候选模型的频域编码，预测各候选模型的模型性能参数，进而根据各候选模型的模型性能参数，从多种候选模型中确定目标模型作为预训练模型。由此，通过根据多种候选模型的频域编码，从多种候选模型
中确定目标模型作为预训练模型，能够减少后续对预训练模型进行训练的训练成本，提高训练效率。
[0110]
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
[0111]
图6示出了可以用来实施本公开的实施例的示例电子设备600的示意性框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
[0112]
如图6所示，设备600包括计算单元601，其可以根据存储在只读存储器(rom)602中的计算机程序或者从存储单元608加载到随机访问存储器(ram)603中的计算机程序，来执行各种适当的动作和处理。在ram 603中，还可存储设备600操作所需的各种程序和数据。计算单元601、rom 602以及ram 603通过总线604彼此相连。输入/输出(i/o)接口605也连接至总线604。
[0113]
设备600中的多个部件连接至i/o接口605，包括：输入单元606，例如键盘、鼠标等；输出单元607，例如各种类型的显示器、扬声器等；存储单元608，例如磁盘、光盘等；以及通信单元609，例如网卡、调制解调器、无线通信收发机等。通信单元609允许设备600通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
[0114]
计算单元601可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元601的一些示例包括但不限于中央处理单元(cpu)、图形处理单元(gpu)、各种专用的人工智能(ai)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(dsp)、以及任何适当的处理器、控制器、微控制器等。计算单元601执行上文所描述的各个方法和处理，例如预训练模型的确定方法。例如，在一些实施例中，预训练模型的确定方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元608。在一些实施例中，计算机程序的部分或者全部可以经由rom 602和/或通信单元609而被载入和/或安装到设备600上。当计算机程序加载到ram 603并由计算单元601执行时，可以执行上文描述的预训练模型的确定方法的一个或多个步骤。备选地，在其他实施例中，计算单元601可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行预训练模型的确定方法。
[0115]
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(fpga)、专用集成电路(asic)、专用标准产品(assp)、芯片上系统的系统(soc)、负载可编程逻辑设备(cpld)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
[0116]
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处
理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
[0117]
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦除可编程只读存储器(eprom或快闪存储器)、光纤、便捷式紧凑盘只读存储器(cd
‑
rom)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
[0118]
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，crt(阴极射线管)或者lcd(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
[0119]
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(lan)、广域网(wan)、互联网和区块链网络。
[0120]
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端
‑
服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与vps服务("virtual private server"，或简称"vps")中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
[0121]
本公开涉及人工智能技术领域，具体涉及计算机视觉和深度学习技术领域，可应用于图像处理、图像识别等场景。
[0122]
需要说明的是，人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉、语音识别技术、自然语言处理技术以及机器学习/深度学习、大数据处理技术、知识图谱技术等几大方向。
[0123]
根据本公开实施例的技术方案，通过根据多种候选模型的频域编码，从多种候选模型中确定目标模型作为预训练模型，能够减少后续对预训练模型进行训练的训练成本，
提高训练效率。
[0124]
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开公开的技术方案所期望的结果，本文在此不进行限制。
[0125]
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。