一种基于数据增广的模型训练方法、装置以及设备

技术领域

本说明书涉及互联网技术领域，尤其涉及一种基于数据增广的模型训练方法、装置以及设备。

背景技术

在模型训练的过程中，训练样本的数量和质量都非常重要，这里的训练样本通常都是指的有标样本。但是在实践中的很多场景，有标样本的标签的获取受限于时间、金钱或者渠道。而常规的数据增广往往缺乏通用性，以及，需要人工手动进行。

基于此，需要一种便捷的基于数据增广的模型训练方案。

发明内容

本说明书实施例提供一种基于数据增广的模型训练方法、装置、设备以及存储介质，用以解决如下技术问题：需要一种便捷的基于数据增广的模型训练方案。

为解决上述技术问题，本说明书一个或多个实施例是这样实现的：

在第一方面，本说明书实施例提供一种基于数据增广的模型训练方法，包括：获取训练样本的集合，其中，所述集合中包含有标样本和无标样本；编码生成所述有标样本所对应的第一隐变量，以及，编码生成所述无标样本所对应的第二隐变量；根据所述第一隐变量生成第一分类结果，确定所述第一分类结果与所述有标样本的监督损失值；解码所述第二隐变量生成增广数据，编码所述增广数据生成第三隐变量；根据所述第二隐变量生成第二分类结果，以及，根据所述第三隐变量生成第三分类结果，确定所述第二分类结果和所述第三分类结果的一致性损失值；融合所述监督损失值和一致性损失值对所述模型进行训练。

在第二方面，本说明书实施例提供一种基于数据增广的模型训练装置，所述装置包括：获取模块，获取训练样本的集合，其中，所述集合中包含有标样本和无标样本；编码器，编码生成所述有标样本所对应的第一隐变量，以及，编码生成所述无标样本所对应的第二隐变量；分类器，根据所述第一隐变量生成第一分类结果，确定所述第一分类结果与所述有标样本的监督损失值；解码器，解码所述第二隐变量生成增广数据，编码所述增广数据生成第三隐变量；所述分类器还用于，根据所述第二隐变量生成第二分类结果，以及，根据所述第三隐变量生成第三分类结果，确定所述第二分类结果和所述第三分类结果的一致性损失值；融合模块，融合所述监督损失值和一致性损失值对所述模型进行训练。

在第三方面，本说明书一个或多个实施例提供一种电子设备，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第一方面所述的方法。

在第四方面，本说明书实施例提供一种非易失性计算机存储介质存储有计算机可执行指令，当计算机读取存储介质中的计算机可执行指令后，该指令使得一个或多个处理器执行如第一方面所述的方法。

本说明书一个或多个实施例采用的上述至少一个技术方案能够达到以下有益效果：通过获取训练样本的集合，其中，所述集合中包含有标样本和无标样本；编码生成所述有标样本所对应的第一隐变量，以及，编码生成所述无标样本所对应的第二隐变量；根据所述第一隐变量生成第一分类结果，确定所述第一分类结果与所述有标样本的监督损失值；解码所述第二隐变量生成增广数据，编码所述增广数据生成第三隐变量；根据所述第二隐变量生成第二分类结果，以及，根据所述第三隐变量生成第三分类结果，确定所述第二分类结果和所述第三分类结果的一致性损失值；融合所述监督损失值和一致性损失值对所述模型进行训练，从而实现无需人工数据增广，让模型本身增广数据，并在增广过程中充分利用无标样本学习样本集合的整体分布，自适应的添加适合的噪声，可增广数据的类型也更为多样，完成便捷的模型训练。

附图说明

为了更清楚地说明本说明书实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本说明书中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为一种对于图片进行数据增广的示意图；

图2为本说明书实施例提供的一种基于数据增广的模型训练方法的流程示意图；

图3为本说明书实施例所提供的一种系统的框架示意图；

图4为本说明书实施例所提供的一种多任务学习的流程示意图；

图5为本说明书实施例提供的一种基于数据增广的模型训练装置的结构示意图；

图6为本说明书实施例提供的一种电子设备的结构示意图。

具体实施方式

本说明书实施例提供一种基于数据增广的模型训练方法的方法、装置、设备以及存储介质。

为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本说明书实施例中的附图，对本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本说明书实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都应当属于本申请保护的范围。

在当前的模型训练中，对于数据增广，往往是通过稍微改变原始样本的方式进行。例如，在对图像或者文本进行数据增广时，可以对有标的图片进行旋转、剪裁以及反转等操作。如图1所示，图1为一种对于图片进行数据增广的示意图。通过对于原始图片进行缩放或者旋转等方式，得到了其它的有标样本。对于文本同样可以类似操作，例如，可以对一句话进行改写：比如替换一些同义词，或者把文本翻译成其他语言再翻译回来；或者，对一句话中的部分进行遮挡。此外，这种数据增广的方式往往需要人工进行手动操作，较为繁琐。

但是这种常规方式对于那些语义敏感的样本就可能不太适合。例如，对于表格数据而言，每一列的涵义都相对独立并且更加抽象，具体到一个业务场景不是所有人都知道那些扰动不会改变语义。这时候如果随意的对列或者行进行遮挡或者填充就有可能改变数据本身的语义。基于此，本说明书提供一种便捷的基于数据增广的模型训练方案。

在第一方面，如图2所示，图2为本说明书实施例提供的一种基于数据增广的模型训练方法的流程示意图，包括：

S201，获取训练样本的集合，其中，所述集合中包含有标样本和无标样本。

可以记有标样本的集合为D

S203，编码生成所述有标样本所对应的第一隐变量，以及，编码生成所述无标样本所对应的第二隐变量。

如图3所示，图3为本说明书实施例所提供的一种系统的框架示意图。该示意图中的“Encoder”即为编码器。有标样本(即图3中的x

编码器的具体形式可以采用传统的自编码器(Autoencoder)或者变分自编码(Variational AutoEncoder)的形式。

S205，根据所述第一隐变量生成第一分类结果，确定所述第一分类结果与所述有标样本的监督损失值。

如图3中所示意，P(y|z)所对应的分类器将生成的第一隐变量进行分类，即将第一隐变量分类至Y＝{y

例如，监督损失值的计算方式可以是

S207，解码所述第二隐变量生成增广数据，编码所述增广数据生成第三隐变量。

解码器(Decoder)部分采用预设的映射方式

在一种实施方式中，还可以将前述得到的隐变量z中添加一定噪声，生成待解码特征

例如，一种添加噪声的方式可以是，基于所述第二隐变量的分布，从所述第二隐变量的分布中进行采样，得到待解码特征。因为采样具有随机性，所以在采样的过程中相当于引入了噪声，同时，通过这样的方式所得到的待解码特征，很显然是符合第二隐变量的分布特征的，因此，得到的增广数据能够符合训练样本集合本身的分布。

S209，根据所述第二隐变量生成第二分类结果，以及，根据所述第三隐变量生成第三分类结果，确定所述第二分类结果和所述第三分类结果的一致性损失值。

进而即可以基于前述的分类器将同一个无标样本所对应的第二隐变量和第三隐变量同时进行分类，得到第二分类结果和第三分类结果，并基于第二分类结果和第三分类结果的差异来计算得到一致性损失值。这里的一致性损失值实际上反映了增广数据与无标样本之间的差异。

例如，一致性损失值的计算方式可以是

S211，融合所述监督损失值和一致性损失值对所述模型进行训练。

通常而言，即可以直接相加所述监督损失值和一致性损失值得到最终的模型损失值，并基于最终的模型损失值对所述模型进行训练。或者，也可以预设一定的权重分布，基于所述权重分布对所述监督损失值和一致性损失值进行加权求和而得到最终的模型损失值，并基于最终的模型损失值对模型进行训练。

例如，最终的模型损失值的计算方式可以是：

对模型进行训练包括对编码器中的参数、解码器中的参数以及分类器中的参数同时就行训练。换言之，在本说明书实施例中，实际上包含了两个任务：对于有标样本的分类任务和数据增广任务。这两个任务同时进行，并共享编码器、解码器和分类器中的训练参数。如图4所示，图4为本说明书实施例所提供的一种多任务学习的流程示意图。其中的x即为原始的训练样本的集合，

在本说明书实施例中，随着训练一直进行，编码器、解码器和分类器的参数是一直在被更新，那么即使同一个无标样本在不同时刻重构出来的增广数据也是有差异的，这样一定程度上也增加了增广数据的多样性。

此外，当模型训练达到收敛时，一般即为最终的模型损失值已经小于预设值。换言之，当模型收敛时，可以认为对于有标样本的监督训练任务和数据增广任务都已经同时收敛。即训练得到的模型对于有标样本已经可以准确分类，同时，增广得到的增广数据也已经和原始的无标样本足够接近。因此，通过多任务的联合训练方式可以在模型训练的过程中，通过模型来自动生成增广数据来训练得到准确的分类模型。最终当模型训练收敛时，只需要保留右侧部分的编码器和分类器即可对于输入的任意待分类样本进行分类。

通过获取训练样本的集合，其中，所述集合中包含有标样本和无标样本；编码生成所述有标样本所对应的第一隐变量，以及，编码生成所述无标样本所对应的第二隐变量；根据所述第一隐变量生成第一分类结果，确定所述第一分类结果与所述有标样本的监督损失值；解码所述第二隐变量生成增广数据，编码所述增广数据生成第三隐变量；根据所述第二隐变量生成第二分类结果，以及，根据所述第三隐变量生成第三分类结果，确定所述第二分类结果和所述第三分类结果的一致性损失值；融合所述监督损失值和一致性损失值对所述模型进行训练，从而实现无需人工数据增广，让模型本身增广数据，并在增广过程中充分利用无标样本学习样本集合的整体分布，自适应的添加适合的噪声，可增广数据的类型也更为多样，完成便捷的模型训练。

在一种实施例中，从所述第二隐变量的分布中采样时，可以从所述第二隐变量的分布中进行随机采样，或者，确定所述第二隐变量的分布的期望和方差，根据所述期望和方差从所述第二隐变量的分布中随机采样。

例如，第二隐变量的分布可能是二项分布、指数型分布、韦伯分布或者高斯分布中的一种。此时，对于任意的一种分布，即可以计算器相应的期望和方差，并基于其分布类型和对应的期望和方差进行符合其分布的采样，从而可以采用得到符合第二隐变量的分布的待解码特征。

进一步地，假设所述第二隐变量的分布符合高斯分布，那么，相应的，即可以确认其对应的期望γ和方差X，即假设第二隐变量的分布符合如下高斯分布N(γ,std(X)

在一种实施方式中，融合所述监督损失值和一致性损失值对所述模型进行训练时，除了考虑监督损失值和一致性损失值之外，还可以引入其他的损失值。

例如，在采用自变分编码器对于增广数据进行编码时，还有可能因为编码器本身的因素产生相应的编码损失值。若假设隐变量z符合正态分布N(μ,σ

其中，α为超参数，Ex为在采用p(x)作为采样概率时的期望值，KL为散度。

换言之，通过编码损失值可以衡量生成的增广数据和无标数据之间的差异，通过计算KL散度(经常用于度量两个概率分布之间的距离)的时候，将目标变成了最小化前述的损失值中所包含的KL散度项。此时，对于最终的模型损失值即可以修改为L＝L

在一种实施方式中，融合所述监督损失值和一致性损失值对所述模型进行训练时，还可以考虑引入相关的正则损失值。即确定所述第一隐变量和第二隐变量的分布所对应的正则损失值；融合所述监督损失值、一致性损失值和所述正则损失值对所述模型进行训练。

例如，对于正则损失值的计算可以采用如下方式，

正则损失值实际让权重衰减到更小的值，在一定程度上减少增广数据对于无标数据的过度拟合，降低模型的过拟合现象，从而提高模型的适应性。

在一种实施方式中，可以将编码损失值和正则损失值同时视为增广数据时所产生的损失值，即可以将编码损失值记为：

其中l为z的维度。因为数据增广步骤是在隐变量阶段表示上实现,因此，该方式实际上可以同时适应于分类特征和数字特征。此时整体的损失值即为L＝L

基于前述可知，通过编码器编码得到隐变量，并采用解码器对隐变量来解码(这其中还可以基于隐变量的分布来加入噪声)从而自动得到增广数据的方式。模型对于输入的样本的语义没有关系，增广数据的过程也不会涉及修改原始样本。因此，本说明书的方案除了可以应用在在常用的图片和文本中进行数据增广，还可以应用在表格数据中。

基于同样的思路，本说明书一个或多个实施例还提供了上述方法对应的装置和设备，如图5、图6所示。

在第二方面，如图5所示，图5为本说明书实施例提供的一种基于数据增广的模型训练装置的结构示意图，所述装置包括：

获取模块501，获取训练样本的集合，其中，所述集合中包含有标样本和无标样本；

编码器503，编码生成所述有标样本所对应的第一隐变量，以及，编码生成所述无标样本所对应的第二隐变量；

分类器505，根据所述第一隐变量生成第一分类结果，确定所述第一分类结果与所述有标样本的监督损失值；

解码器507，解码所述第二隐变量生成增广数据，编码所述增广数据生成第三隐变量；

所述分类器503还用于，根据所述第二隐变量生成第二分类结果，以及，根据所述第三隐变量生成第三分类结果，确定所述第二分类结果和所述第三分类结果的一致性损失值；

融合模块509，融合所述监督损失值和一致性损失值对所述模型进行训练。

可选地，所述解码器507，确定所述第二隐变量的分布；从所述第二隐变量的分布中采样，生成待解码特征；解码所述待解码特征生成增广数据。

可选地，所述解码器507，从所述第二隐变量的分布中随机采样；或者，确定所述第二隐变量的分布的期望和方差，根据所述期望和方差从所述第二隐变量的分布中随机采样。

可选地，所述解码器507，根据所述期望和方差将所述第二隐变量的分布转换为标准高斯分布；从所述标准高斯分布中进行随机采样。

可选地，所述融合模块509，确定所述增广数据的分布，以及，确定所述无标样本的分布；根据所述增广数据的分布和所述无标样本的分布的差异确定编码损失值；融合所述监督损失值、一致性损失值和所述编码损失值对所述模型进行训练。

可选地，所述融合模块509，确定所述第一隐变量和第二隐变量的分布所对应的正则损失值；融合所述监督损失值、一致性损失值和所述正则损失值对所述模型进行训练。

可选地，在所述装置中，所述训练样本包括图片、文本或者表格数据。

在第三方面，如图6所示，图6为本说明书实施例提供的一种电子设备的结构示意图，所述设备包括：

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第一方面所述的方法。

在第四方面，基于同样的思路，本说明书实施例还提供了对应于上述方法的一种非易失性计算机存储介质，存储有计算机可执行指令，当计算机读取存储介质中的计算机可执行指令后，该指令使得一个或多个处理器执行如第一方面所述的方法。

在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。

控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。

上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。

为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。

本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。

本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、设备、非易失性计算机存储介质实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本说明书的一个或多个实施例而已，并不用于限制本说明书。对于本领域技术人员来说，本说明书的一个或多个实施例可以有各种更改和变化。凡在本说明书的一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书的权利要求范围之内。