机器学习模型的训练方法及相关设备与流程

技术特征：
1.一种机器学习模型的训练方法，其特征在于，包括：获得图像样本集；生成当前随机数；若所述当前随机数小于预设阈值，则获得当前机器学习模型的第一性能得分，使用第一损失函数控制当前机器学习模型对所述图像样本集进行一次学习，并获得本次学习后的当前机器学习模型，获得本次学习后的当前机器学习模型的第二性能得分；若所述第二性能评分不大于所述第一性能评分，则将本次学习后的当前机器学习模型恢复到本次学习之前的当前机器学习模型，返回执行所述生成当前随机数的步骤；若所述第二性能评分大于所述第一性能评分，返回执行所述生成当前随机数的步骤；若所述当前随机数不小于所述预设阈值，则使用第二损失函数控制当前机器学习模型对所述图像样本集进行一次学习，并获得本次学习后的当前机器学习模型，返回执行所述生成当前随机数的步骤。2.根据权利要求1所述的方法，其特征在于，所述图像样本集中包括第一数量的训练图像和第二数量的测试图像；所述使用第一损失函数控制当前机器学习模型对所述图像样本集进行一次学习，并获得本次学习后的当前机器学习模型，包括：使用所述第一数量的训练图像对当前机器学习模型进行一次训练，并使用第三数量的所述测试图像和第一损失函数对本次训练后的当前机器学习模型进行测试，基于测试结果对本次训练后的当前机器学习模型进行调整，获得本次学习后的当前机器学习模型，其中，所述第三数量不大于所述第二数量；所述使用第二损失函数控制当前机器学习模型对所述图像样本集进行一次学习，并获得本次学习后的当前机器学习模型，包括：使用所述第一数量的训练图像对当前机器学习模型进行一次训练，并使用第四数量的所述测试图像和第二损失函数对本次训练后的当前机器学习模型进行测试，基于测试结果对本次训练后的当前机器学习模型进行调整，获得本次学习后的当前机器学习模型，其中，所述第四数量不大于所述第二数量。3.根据权利要求1所述的方法，其特征在于，所述第一损失函数为焦点损失函数focal loss、多分类合页损失函数multi-margin loss、中心损失函数center loss中的一种；所述第二损失函数为：交叉熵损失函数cross-entropy loss。4.根据权利要求1所述的方法，其特征在于，所述当前随机数为小于1且大于0的数值，所述预设阈值小于0.5。5.根据权利要求1所述的方法，其特征在于，还包括：若当前机器学习模型的学习次数达到预设次数，则停止当前机器学习模型的学习。6.一种机器学习模型的训练装置，其特征在于，包括：样本获得单元、随机数生成单元、第一学习单元、第二学习单元和模型恢复单元，所述样本获得单元，用于获得图像样本集；所述随机数生成单元，用于生成当前随机数；所述第一学习单元，用于在所述当前随机数小于预设阈值的情况下，获得当前机器学习模型的第一性能得分，使用第一损失函数控制当前机器学习模型对所述图像样本集进行
一次学习，并获得本次学习后的当前机器学习模型，获得本次学习后的当前机器学习模型的第二性能得分；所述模型恢复单元，用于在所述第二性能评分不大于所述第一性能评分的情况下，将本次学习后的当前机器学习模型恢复到本次学习之前的当前机器学习模型，触发所述随机数生成单元；所述模型恢复单元，还用于在所述第二性能评分大于所述第一性能评分的情况下，触发所述随机数生成单元；所述第二学习单元，用于在所述当前随机数不小于所述预设阈值的情况下，使用第二损失函数控制当前机器学习模型对所述图像样本集进行一次学习，并获得本次学习后的当前机器学习模型，触发所述随机数生成单元。7.根据权利要求6所述的训练装置，其特征在于，所述图像样本集中包括第一数量的训练图像和第二数量的测试图像；所述第一学习单元使用第一损失函数控制当前机器学习模型对所述图像样本集进行一次学习，并获得本次学习后的当前机器学习模型，具体设置为：使用所述第一数量的训练图像对当前机器学习模型进行一次训练，并使用第三数量的所述测试图像和第一损失函数对本次训练后的当前机器学习模型进行测试，基于测试结果对本次训练后的当前机器学习模型进行调整，获得本次学习后的当前机器学习模型，其中，所述第三数量不大于所述第二数量；所述第二学习单元使用第二损失函数控制当前机器学习模型对所述图像样本集进行一次学习，并获得本次学习后的当前机器学习模型，具体设置为：使用所述第一数量的训练图像对当前机器学习模型进行一次训练，并使用第四数量的所述测试图像和第二损失函数对本次训练后的当前机器学习模型进行测试，基于测试结果对本次训练后的当前机器学习模型进行调整，获得本次学习后的当前机器学习模型，其中，所述第四数量不大于所述第二数量。8.根据权利要求6所述的训练装置，其特征在于，所述第一损失函数为焦点损失函数focal loss、多分类合页损失函数multi-margin loss、中心损失函数center loss中的一种；所述第二损失函数为：交叉熵损失函数cross-entropy loss。9.一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中存储有程序，所述程序被处理器执行时实现权利要求1至5中任一项所述的机器学习模型的训练方法。10.一种电子设备，其特征在于，所述电子设备包括至少一个处理器、以及与所述处理器连接的至少一个存储器、总线；其中，所述处理器、所述存储器通过所述总线完成相互间的通信；所述处理器用于调用所述存储器中的程序指令，以执行权利要求1至5中任一项所述的机器学习模型的训练方法。

技术总结
本发明实施例提供了一种机器学习模型的训练方法及相关设备，可以在当前随机数小于预设阈值时，使用第一损失函数控制当前机器学习模型对图像样本集进行一次学习，若本次学习后的当前机器学习模型的性能得分不大于学习前的性能得分，则恢复到学习之前的当前机器学习模型，并继续训练；否则，使用本次学习后的当前机器学习模型继续训练；若当前随机数不小于预设阈值，则使用第二损失函数控制当前机器学习模型对图像样本集进行一次学习，并继续训练。通过上述方案，本申请允许多个损失函数随机地独立参与训练过程。与单损失函数的连续训练相比，多损失函数调度只引入了少量的开销，但带来了明显的性能改进。来了明显的性能改进。来了明显的性能改进。


技术研发人员：黄晚晴
受保护的技术使用者：中国农业银行股份有限公司
技术研发日：2022.10.31
技术公布日：2023/2/3