用于训练模型的方法和装置与流程

技术特征：
1.一种用于训练模型的方法，包括：获取样本数据以及初始分类模型，并通过多轮迭代操作，训练所述初始分类模型；所述迭代操作包括：获取所述样本数据的表征，以及基于所述样本数据的表征确定所述样本数据的特征；采用所述样本数据的特征，对所述初始分类模型进行基于对比学习的训练，得到训练后的初始分类模型输出的对比损失函数值，并根据所述对比损失函数值生成反馈信息，所述初始分类模型在执行下一次迭代操作前基于所述反馈信息更新；响应于确定所述初始分类模型达到预设的收敛条件，将最后一轮迭代操作中的初始分类模型确定为目标分类模型。2.根据权利要求1所述的方法，其中，所述样本数据包括三维模型数据，所述获取所述样本数据的表征，包括：获取预设网络，其中，所述预设网络中包括空间特征描述器、以及结构特征描述器；将所述样本数据输入所述预设网络，获得所述空间特征描述器输出的所述样本数据的空间特征，以及获得所述结构特征描述器输出的所述样本数据的结构特征；将所述样本数据的空间特征输入预设卷积网络，并获得所述预设卷积网络中每一层卷积层输出的第一输出结果；将所述样本数据的结构特征输入预设卷积网络，并获得所述预设卷积网络中每一层卷积层输出的第二输出结果；针对所述预设卷积网络中的每一层卷积层，将该卷积层输出的第一输出结果、以及该卷积层输出的第二输出结果聚合后，输入自注意力网络，并获得所述自注意力网络输出的、对应于该卷积层的输出结果；将对应于每一层卷积层的输出结果进行聚合，得到所述样本数据的表征。3.根据权利要求1所述的方法，其中，所述采用所述样本数据的特征，对所述初始分类模型进行基于对比学习的训练，包括：采用所述样本数据的特征，对所述初始分类模型进行基于无监督对比学习的训练。4.根据权利要求1所述的方法，其中，所述方法还包括：获取所述样本数据的标签；采用所述样本数据的特征，对所述初始分类模型进行基于对比学习的训练，包括：采用所述样本数据的特征以及所述样本数据的标签，对所述初始分类模型进行基于有监督对比学习的训练。5.根据权利要求1所述的方法，其中，所述迭代操作还包括：采用所述样本数据的表征以及所述样本数据的标签，训练所述初始分类模型，得到训练后的初始分类模型输出的交叉熵损失函数值；所述根据所述对比损失函数值生成反馈信息，包括：根据所述对比损失函数值以及所述交叉熵损失函数值，生成所述反馈信息。6.一种用于对三维模型进行分类的方法，包括：获取待分类的三维模型数据；采用目标分类模型确定所述待分类三维模型数据的类别，其中，所述目标分类模型基于如权利要求1-5之一所述的方法训练得到。
7.一种用于训练模型的装置，包括：获取单元，被配置为获取样本数据以及初始分类模型，并通过训练单元进行多轮迭代操作，训练所述初始分类模型；所述训练单元包括：获取模块，被配置为获取所述样本数据的表征，以及基于所述样本数据的表征确定所述样本数据的特征；第一更新模块，被配置为采用所述样本数据的特征，对所述初始分类模型进行基于对比学习的训练，得到训练后的初始分类模型输出的对比损失函数值，并根据所述对比损失函数值生成反馈信息，所述初始分类模型在执行下一次迭代操作前基于所述反馈信息更新；确定模块，被配置为响应于确定所述初始分类模型达到预设的收敛条件，将最后一轮迭代操作中的初始分类模型确定为目标分类模型。8.根据权利要求7所述的装置，其中，所述样本数据包括三维模型数据，所述获取模块，包括：网络获取模块，被配置为获取预设网络，其中，所述预设网络中包括空间特征描述器、以及结构特征描述器；特征提取模块，被配置为将所述样本数据输入所述预设网络，获得所述空间特征描述器输出的所述样本数据的空间特征，以及获得所述结构特征描述器输出的所述样本数据的结构特征；第一卷积模块，被配置为将所述样本数据的空间特征输入预设卷积网络，并获得所述预设卷积网络中每一层卷积层输出的第一输出结果；第二卷积模块，被配置为将所述样本数据的结构特征输入预设卷积网络，并获得所述预设卷积网络中每一层卷积层输出的第二输出结果；第一聚合模块，被配置为针对所述预设卷积网络中的每一层卷积层，将该卷积层输出的第一输出结果、以及该卷积层输出的第二输出结果聚合后，输入自注意力网络，并获得所述自注意力网络输出的、对应于该卷积层的输出结果；第二聚合模块，被配置为将对应于每一层卷积层的输出结果进行聚合，得到所述样本数据的表征。9.根据权利要求7所述的装置，其中，所述第一更新模块，包括：第一更新子模块，被配置为采用所述样本数据的特征，对所述初始分类模型进行基于无监督对比学习的训练。10.根据权利要求7所述的装置，其中，所述装置还包括：标签获取模块，被配置为获取所述样本数据的标签；所述第一更新模块，包括：第二更新子模块，被配置为采用所述样本数据的特征以及所述样本数据的标签，对所述初始分类模型进行基于有监督对比学习的训练。11.根据权利要求7所述的装置，其中，所述训练单元还包括：第二更新模块，被配置为采用所述样本数据的表征以及所述样本数据的标签，训练所述初始分类模型，得到训练后的初始分类模型输出的交叉熵损失函数值；
所述根据所述对比损失函数值生成反馈信息，包括：根据所述对比损失函数值以及所述交叉熵损失函数值，生成所述反馈信息。12.一种用于对三维模型进行分类的装置，包括：三维模型数据获取单元，被配置为获取待分类的三维模型数据；分类单元，被配置为采用目标分类模型确定所述待分类三维模型数据的类别，其中，所述目标分类模型基于如权利要求7-10之一所述的装置训练得到。13.一种电子设备，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权利要求1-6中任一项所述的方法。14.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行权利要求1-6中任一项所述的方法。

技术总结
本申请公开了用于训练模型的方法和装置，涉及计算机技术领域。该方法包括：获取样本数据以及初始分类模型，并通过多轮迭代操作，训练初始分类模型；迭代操作包括：获取样本数据的表征，以及基于样本数据的表征确定样本数据的特征；采用样本数据的特征，对初始分类模型进行基于对比学习的训练，得到训练后的初始分类模型输出的对比损失函数值，并根据对比损失函数值生成反馈信息，初始分类模型在执行下一次迭代操作前基于反馈信息更新；响应于确定初始分类模型达到预设的收敛条件，将最后一轮迭代操作中的初始分类模型确定为目标分类模型。采用基于该方法训练得到的模型对三维模型数据进行分类，可以提高针对三维模型数据进行分类的准确性。类的准确性。类的准确性。


技术研发人员：詹忆冰 梁亚倩
受保护的技术使用者：京东科技信息技术有限公司
技术研发日：2022.01.04
技术公布日：2022/4/22