模型训练方法、装置、设备、存储介质及程序产品

技术领域

本公开涉及人工智能技术领域，尤其涉及计算机视觉和深度学习技术领域，特别涉及模型训练方法、装置、电子设备、存储介质以及程序产品。

背景技术

随着深度学习在图像识别、语音识别、自然语言处理等多个领域的广泛应用，大多数模型在计算处理上过于繁琐，无法在移动端或嵌入式设备上运行，因此需要对模型进行压缩，知识蒸馏技术是模型压缩中重要的技术之一。

传统的知识蒸馏技术通过引入与教师模型相关的软目标作为全部损失的一部分，以诱导学生模型的训练，实现知识迁移，知识蒸馏算法大多通过拟合教师模型和学生模型的特征来完成。具体地，首先在标注样本集上训练一个教师模型，然后将教师模型学习到的特征迁移到学生模型上。在迁移的过程中，学生模型一方面学习教师模型的输出，一方面学习图像的真实标签。在蒸馏过程结束后，学生模型即为图像识别任务中的图像识别模型。

发明内容

本公开提供了一种模型训练方法、装置、设备、存储介质以及程序产品和一种用于生成信息的方法、装置、设备、存储介质以及程序产品。

根据本公开的第一方面，提供了一种模型训练方法，包括：获取样本图像集，其中，样本图像集包括已标注标签的样本图像；将样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的样本图像集中的样本图像对应的第一特征集，其中，第一模型为训练好的教师模型；基于第一特征集，确定第一特征集对应的第一正样本特征集和第一特征集对应的第一负样本特征集，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对；将样本图像集中的样本图像作为输入，将与输入的样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，得到特征提取模型，其中，第二模型为待训练的学生模型，第二模型的损失函数基于第一模型的样本特征对和第二模型的样本特征对而构建，第二模型的样本特征对用于表征第二特征集中的正样本特征集和第二特征集中的负样本特征集。

根据本公开的第二方面，提供了一种用于生成信息的方法，包括：获取目标图像；将目标图像输入至预先训练的特征提取模型，生成目标图像对应的特征集，其中，特征提取模型通过如上述模型训练方法中任一实施例的方法训练得到。

根据本公开的第三方面，提供了一种模型训练装置，包括：获取单元，被配置成获取样本图像集，其中，样本图像集包括已标注标签的样本图像；输入单元，被配置成将样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的样本图像集中的样本图像对应的第一特征集，其中，第一模型为训练好的教师模型；生成单元，被配置成基于第一特征集，确定第一特征集对应的第一正样本特征集和第一特征集对应的第一负样本特征集，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对；训练单元，被配置成将样本图像集中的样本图像作为输入，将与输入的样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，得到特征提取模型，其中，第二模型为待训练的学生模型，第二模型的损失函数基于第一模型的样本特征对和第二模型的样本特征对而构建，第二模型的样本特征对用于表征第二特征集中的正样本特征集和第二特征集中的负样本特征集。

根据本公开的第四方面，提供了一种用于生成信息的装置，包括：图像获取单元，被配置成获取目标图像；信息生成单元，被配置成将目标图像输入至预先训练的特征提取模型，生成目标图像对应的特征集，其中，特征提取模型通过如上述模型训练方法中任一实施例的方法训练得到。

根据本公开的第五方面，提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面或第二方面中任一实现方式描述的方法。

根据本公开的第六方面，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，其特征在于，计算机指令用于使计算机执行如第一方面或第二方面中任一实现方式描述的方法。

根据本公开的第七方面，提供了一种计算机程序产品，包括计算机程序，计算机程序在被处理器执行时实现如第一方面或第二方面中任一实现方式描述的方法。

根据本公开的技术采用获取样本图像集，将样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的样本图像集中的样本图像对应的第一特征集，其中，第一模型为训练好的教师模型，基于第一特征集，确定第一特征集对应的第一正样本特征集和第一特征集对应的第一负样本特征集，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对，将样本图像集中的样本图像作为输入，将与输入的样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，得到特征提取模型，其中，第二模型为待训练的学生模型，第二模型的损失函数基于第一模型的样本特征对和第二模型的样本特征对而构建，第二模型的样本特征对用于表征第二特征集中的正样本特征集和第二特征集中的负样本特征集，实现了一种针对正负样本特征对关系的知识蒸馏方法，提升了蒸馏精度。

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

附图用于更好地理解本方案，不构成对本公开的限定。其中：

图1是根据本公开的模型训练方法的第一实施例的示意图；

图2是可以实现本公开实施例的模型训练方法的场景图；

图3是根据本公开的模型训练方法的第二实施例的示意图；

图4是根据本公开的用于生成信息的方法的第一实施例的示意图；

图5是根据本公开的模型训练装置的一个实施例的结构示意图；

图6是根据本公开的用于生成信息的装置的一个实施例的结构示意图；

图7是用来实现本公开实施例的模型训练方法的电子设备的框图。

具体实施方式

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。

需要说明的是，在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本公开。

图1示出了根据本公开的模型训练方法的第一实施例的示意图100。该模型训练方法，包括以下步骤：

步骤101，获取样本图像集。

在本实施例中，执行主体(例如服务器)可以通过有线连接或无线连接的方式从其他电子设备或者本地获取样本图像集。其中，样本图像集可以包括大量样本图像。样本图像可以是对各种类别的目标进行拍摄所得到的图像。通常情况下，样本图像可以是已标注标签的样本图像。需要说明的是，上述无线连接方式可以包括但不限于3G、4G、5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。

步骤102，将样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的样本图像集中的样本图像对应的第一特征集。

在本实施例中，对于步骤101获取到的样本图像集中的样本图像，执行主体可以将样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的样本图像集中的样本图像对应的第一特征集。其中，第一模型为训练好的教师模型。教师模型可以是预先利用标注样本集对任何可用于分类的神经网络进行有监督训练所得到的模型。通常，教师模型是复杂，但精度高推理速度慢的模型，其能力通常大于学生模型。第一特征集可以表征样本图像集中的样本图像的标签与样本图像集中相应样本图像的特征信息之间的对应关系。图像的特征信息可以是用于对图像的特征进行表征的信息，图像的特征可以是图像的各种基本要素(例如颜色、形状、线条、纹理等)。

步骤103，基于第一特征集，确定第一特征集对应的第一正样本特征集和第一特征集对应的第一负样本特征集，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对。

在本实施例中，执行主体可以利用样本特征划分方式对得到的第一特征集进行分类，生成第一特征集对应的表征正样本特征的第一正样本特征集和第一特征集对应的表征负样本特征的第一负样本特征集，然后将第一正样本特征集和第一负样本特征集汇总，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对。其中，正样本特征可以表征属于同一类别高相似度的样本图像的特征，负样本特征可以表征不属于同一类别低相似度的样本图像的特征。

需要说明的是，样本特征划分模型可以是技术人员基于大量统计计算而预先制定的、用于表征图像特征信息与正样本特征和负样本特征的对应关系表；也可以是使用现有的各种逻辑回归模型(Logistic Regression，LR)进行训练得到的。

步骤104，将样本图像集中的样本图像作为输入，将与输入的样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，得到特征提取模型。

在本实施例中，上述执行主体可以利用机器学习算法，将样本图像集中的样本图像作为输入，将与输入的样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，得到特征提取模型。其中，第二模型为待训练的学生模型，第二模型的损失函数基于第一模型的样本特征对和第二模型的样本特征对而构建，第二模型的样本特征对用于表征第二特征集中的正样本特征集和第二特征集中的负样本特征集。第一特征集和第二特征集的特征数量可以相同可以不同。第二模型的正样本特征集、负样本特征集和样本特征对的生成过程与第一模型基本相同。学生模型可以是任何可用于分类的神经网络，是否被预先训练均可。学生模型是精简并且低复杂度的模型，其能力通常小于教师模型。这里，对学生模型进行有监督训练，能够得到特征提取模型。通常，训练后的学生模型能够直接作为特征提取模型，在接收待识别图像时，直接利用训练后的学生模型对待识别图像进行特征提取或图像识别，不再使用教师模型，从而提升图像识别速度。

需要说明的是，上述执行主体中可以存储有预先训练的第一模型、第二模型和特征提取模型，各个模型的网络架构预先定义，并且各个模型例如可以是数据表或计算公式等，本实施例不对此方面内容做任何限定。上述机器学习算法是目前广泛研究和应用的公知技术，在此不再赘述。

为了便于理解，提供可以实现本公开实施例的模型训练方法的场景，参见图2，本实施例的模型训练方法200运行于服务器201中。服务器201首先获取样本图像集202，其中，样本图像集包括已标注标签的样本图像，然后服务器201将样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的样本图像集中的样本图像对应的第一特征集203，接着服务器201基于第一特征集，确定第一特征集对应的第一正样本特征集和第一特征集对应的第一负样本特征集，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对204，最后服务器201将样本图像集中的样本图像作为输入，将与输入的样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，得到特征提取模型205，其中，第一模型为训练好的教师模型，第二模型为待训练的学生模型，第二模型的损失函数基于第一模型的样本特征对和第二模型的样本特征对而构建，第二模型的样本特征对用于表征第二特征集中的正样本特征集和第二特征集中的负样本特征集。

本公开的上述实施例提供的模型训练方法采用获取样本图像集，将样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的样本图像集中的样本图像对应的第一特征集，其中，第一模型为训练好的教师模型，基于第一特征集，确定第一特征集对应的第一正样本特征集和第一特征集对应的第一负样本特征集，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对，将样本图像集中的样本图像作为输入，将与输入的样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，得到特征提取模型，其中，第二模型为待训练的学生模型，第二模型的损失函数基于第一模型的样本特征对和第二模型的样本特征对而构建，第二模型的样本特征对用于表征第二特征集中的正样本特征集和第二特征集中的负样本特征集，解决了现有蒸馏技术中缺少类内类间信息约束的问题，实现了一种针对正负样本特征对关系的知识蒸馏方法，使学生模型输出的正负样本特征对关系尽可能的逼近老师模型输出的正负样本特征对关系，实现类内距离足够小，类间距离足够大的目的，提升了蒸馏精度。

进一步参考图3，其示出了模型训练方法的第二实施例的示意图300。该方法的流程包括以下步骤：

步骤301，获取样本图像集。

步骤302，将样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的样本图像集中的样本图像对应的第一特征集。

步骤303，基于第一特征集，对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的第一正样本集和样本图像集中的样本图像对应的第一负样本集。

在本实施例中，执行主体可以对第一特征集进行分析，基于分析结果对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的表征正样本的第一正样本集和样本图像集中的样本图像对应的表征负样本的第一负样本集。其中，正样本可以表征属于某一类别的样本，负样本可以表征不属于某一类别的样本，比如要进行字母A的图像识别，是字母A的样本就属于正样本，不是字母A的样本就属于负样本。

在本实施例的一些可选的实现方式中，基于第一特征集，对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的第一正样本集和样本图像集中的样本图像对应的第一负样本集，包括：对第一特征集进行分析，生成第一特征集对应的相似度矩阵，相似度矩阵表征输入的样本图像集中各个样本图像的相似程度；根据相似度矩阵和相似度阈值，对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的第一正样本集和样本图像集中的样本图像对应的第一负样本集，正样本集表征相似度矩阵中相似度值大于相似度阈值的样本，负样本集表征相似度矩阵中相似度值不大于相似度阈值的样本。实现了一种高效而准确地正负样本划分方法。

步骤304，根据第一正样本集和第一负样本集，对第一特征集进行选取，得到第一正样本集对应的第一正样本特征集和第一负样本集对应的第一负样本特征集。

在本实施例中，执行主体可以根据步骤303得到的第一正样本集和第一负样本集，对第一特征集进行选取，得到第一正样本集对应的第一正样本特征集和第一负样本集对应的第一负样本特征集。其中，第一正样本特征集为各个正样本的特征的集合，第一负样本特征集为各个负样本的特征的集合。

步骤305，合并第一正样本特征集和第一负样本特征集，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对。

在本实施例中，执行主体可以按照样本特征对生成规则将第一正样本特征集和第一负样本特征集进行合并，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对。

步骤306，将样本图像集中的样本图像输入至第二模型，得到与输入的样本图像集中的样本图像对应的第二特征集。

在本实施例中，执行主体可以将样本图像集中的样本图像输入至第二模型，得到与输入的样本图像集中的样本图像对应的第二特征集。

步骤307，基于第二特征集，确定第二特征集对应的第二正样本特征集和第二特征集对应的第二负样本特征集，生成表征第二正样本特征集和第二负样本特征集的第二模型的样本特征对。

在本实施例中，执行主体可以利用样本特征划分方式对第二特征集进行分类，生成第二特征集对应的表征正样本特征的第二正样本特征集和第二特征集对应的表征负样本特征的第二负样本特征集，然后将第二正样本特征集和第二负样本特征集汇总，生成表征第二正样本特征集和第二负样本特征集的第二模型的样本特征对。

在本实施例的一些可选的实现方式中，基于第二特征集，确定第二特征集对应的第二正样本特征集和第二特征集对应的第二负样本特征集，生成表征第二正样本特征集和第二负样本特征集的第二模型的样本特征对，包括：基于第二特征集，对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的第二正样本集和样本图像集中的样本图像对应的第二负样本集；根据第二正样本集和第二负样本集，对第二特征集进行选取，得到第二正样本集对应的第二正样本特征集和第二负样本集对应的第二负样本特征集；合并第二正样本特征集和第二负样本特征集，生成表征第二正样本特征集和第二负样本特征集的第二模型的样本特征对。基于样本的划分，来完成样本特征对的生成，实现了另一种正负样本特征对的划分方法，作为后续模型训练的数据支持。

在本实施例的一些可选的实现方式中，基于第二特征集，对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的第二正样本集和样本图像集中的样本图像对应的第二负样本集，包括：对第二特征集进行分析，生成第二特征集对应的相似度矩阵；根据第二特征集对应的相似度矩阵和相似度阈值，对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的第二正样本集和样本图像集中的样本图像对应的第二负样本集。实现了一种高效而准确地正负样本划分方法，通过与第一模型的样本特征对保持一致，使损失函数的计算准确而合理。

步骤308，基于第一模型的样本特征对和第二模型的样本特征对，计算损失函数。

在本实施例中，执行主体可以基于步骤305生成的第一模型的样本特征对和步骤307生成的第二模型的样本特征对，计算损失函数。其中，损失函数目标为使负样本的距离尽可能远，而正样本的距离尽可能近，并使第二模型的正样本与负样本之间的距离接近第一模型的正样本与负样本之间的距离。这里，损失函数的公式可以表示为：

步骤309，基于梯度下降对损失函数进行反向传播，更新第二模型的参数，得到特征提取模型。

在本实施例中，执行主体可以基于梯度下降对损失函数进行反向传播，更新第二模型的参数，得到特征提取模型。

通常，对于每轮迭代训练，上述执行主体可以首先确定在该轮迭代训练中计算出的损失函数是否最小化。若损失函数最小化，说明学生模型收敛，此时的学生模型即可作为图像识别模型。若损失函数非最小化，说明学生模型尚未收敛，此时基于梯度下降对损失函数进行反向传播，更新学生模型的参数，以及继续进行下一轮迭代训练。其中，迭代训练的轮数越多，训练得到的特征提取模型的精度越高。

在本实施例的一些可选的实现方式中，在训练学生模型时，采用的损失函数可以是交叉熵损失函数，采用的学习率可以是余弦下降策略，采用的优化器可以是动量梯度下降优化器。在训练学生模型时采用交叉熵损失函数，交叉熵损失函数不涉及其他超参数(例如温度参数)，无需耗费人力物力调参，使迭代更加快速、容易。

在本实施例的一些可选的实现方式中，方法还包括：对样本图像集中的样本图像进行图像预处理，并将处理后的样本图像添加到样本图像集中，其中，图像预处理包括以下至少一项：图像求反、图像压缩、对比度拉伸。通过对图像进行预处理，消除图像中无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据；通过将处理后的样本图像添加到样本图像集中，能够扩充样本数据，提高模型训练的精准度。

在本实施例中，步骤301和302的具体操作与图1所示的实施例中的步骤101和102的操作基本相同，在此不再赘述。

从图3中可以看出，与图1对应的实施例相比，本实施例中的模型训练方法的示意图300采用对训练样本进行划分，得到划分后的正负样本特征对，基于第一模型的样本特征对和第二模型的样本特征对，计算损失函数，损失函数目标为使负样本的距离尽可能远，而正样本的距离尽可能近，并使第二模型的正样本与负样本之间的距离接近第一模型的正样本与负样本之间的距离，基于梯度下降对损失函数进行反向传播，更新第二模型的参数，得到特征提取模型，实现了又一种针对正负样本特征对关系的知识蒸馏方法，使学生模型输出的正负样本特征对关系尽可能的逼近老师模型输出的正负样本特征对关系，实现类内距离足够小，类间距离足够大的目的，提升了蒸馏精度。

进一步参考图4，其出了根据本公开的用于生成信息的方法的第一实施例的示意图400。该用于生成信息的方法，包括以下步骤：

步骤401，获取目标图像。

在本实施例中，执行主体(例如服务器或终端设备)可以通过有线连接或无线连接的方式从其他电子设备或者本地获取目标图像。

步骤402，将目标图像输入至预先训练的特征提取模型，生成目标图像对应的特征集。

在本实施例中，执行主体可以将步骤401获取到的目标图像输入至预先训练的特征提取模型，生成目标图像对应的特征集。特征提取模型通过如上述模型训练方法中任一实施例的方法训练得到。

从图4中可以看出，与图1对应的实施例相比，本实施例中的用于生成信息的方法的流程400突出了采用训练得到的特征提取模型，来生成目标图像对应的特征集的步骤。由此，本实施例描述的方案可以利用更加精准的模型，实现不同类型、不同层级、不同深度的富有针对性的特征提取。

进一步参考图5，作为对上述图1～3所示方法的实现，本公开提供了一种模型训练装置的一个实施例，该装置实施例与图1所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图1所示的方法实施例相同或相应的特征，以及产生与图1所示的方法实施例相同或相应的效果，该装置具体可以应用于各种电子设备中。

如图5所示，本实施例的模型训练装置500包括：获取单元501、输入单元502、生成单元503和训练单元504，其中，获取单元，被配置成获取样本图像集，其中，样本图像集包括已标注标签的样本图像；输入单元，被配置成将样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的样本图像集中的样本图像对应的第一特征集，其中，第一模型为训练好的教师模型；生成单元，被配置成基于第一特征集，确定第一特征集对应的第一正样本特征集和第一特征集对应的第一负样本特征集，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对；训练单元，被配置成将样本图像集中的样本图像作为输入，将与输入的样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，得到特征提取模型，其中，第二模型为待训练的学生模型，第二模型的损失函数基于第一模型的样本特征对和第二模型的样本特征对而构建，第二模型的样本特征对用于表征第二特征集中的正样本特征集和第二特征集中的负样本特征集。

在本实施例中，模型训练装置500的获取单元501、输入单元502、生成单元503和训练单元504的具体处理及其所带来的技术效果可分别参考图1对应的实施例中的步骤101到步骤104的相关说明，在此不再赘述。

在本实施例的一些可选的实现方式中，生成单元，包括：划分模块，被配置成基于第一特征集，对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的第一正样本集和样本图像集中的样本图像对应的第一负样本集；选取模块，被配置成根据第一正样本集和第一负样本集，对第一特征集进行选取，得到第一正样本集对应的第一正样本特征集和第一负样本集对应的第一负样本特征集；合并模块，被配置成合并第一正样本特征集和第一负样本特征集，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对。

在本实施例的一些可选的实现方式中，划分模块进一步被配置成：对第一特征集进行分析，生成第一特征集对应的相似度矩阵；根据相似度矩阵和相似度阈值，对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的第一正样本集和样本图像集中的样本图像对应的第一负样本集，正样本集表征相似度矩阵中相似度值大于相似度阈值的样本，负样本集表征相似度矩阵中相似度值不大于相似度阈值的样本。

在本实施例的一些可选的实现方式中，训练单元，包括：输入模块，被配置成将样本图像集中的样本图像输入至第二模型，得到与输入的样本图像集中的样本图像对应的第二特征集；生成模块，被配置成基于第二特征集，确定第二特征集对应的第二正样本特征集和第二特征集对应的第二负样本特征集，生成表征第二正样本特征集和第二负样本特征集的第二模型的样本特征对；计算模块，被配置成基于第一模型的样本特征对和第二模型的样本特征对，计算损失函数；更新模块，被配置成基于梯度下降对损失函数进行反向传播，更新第二模型的参数。

在本实施例的一些可选的实现方式中，生成模块，包括：划分子模块，被配置成基于第二特征集，对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的第二正样本集和样本图像集中的样本图像对应的第二负样本集；选取子模块，被配置成根据第二正样本集和第二负样本集，对第二特征集进行选取，得到第二正样本集对应的第二正样本特征集和第二负样本集对应的第二负样本特征集；合并子模块，被配置成合并第二正样本特征集和第二负样本特征集，生成表征第二正样本特征集和第二负样本特征集的第二模型的样本特征对。

在本实施例的一些可选的实现方式中，划分子模块进一步被配置成：对第二特征集进行分析，生成第二特征集对应的相似度矩阵；根据第二特征集对应的相似度矩阵和相似度阈值，对输入的样本图像集中的样本图像进行样本划分，得到样本图像集中的样本图像对应的第二正样本集和样本图像集中的样本图像对应的第二负样本集。

在本实施例的一些可选的实现方式中，损失函数目标为使第二模型的正样本与负样本之间的距离接近第一模型的正样本与负样本之间的距离。

在本实施例的一些可选的实现方式中，装置还包括：预处理单元，被配置成对样本图像集中的样本图像进行图像预处理，并将处理后的样本图像添加到样本图像集中，其中，图像预处理包括以下至少一项：图像求反、图像压缩、对比度拉伸。

本公开的上述实施例提供模型训练装置，通过获取单元获取样本图像集，输入单元将样本图像集中的样本图像输入至预先训练的第一模型，得到与输入的样本图像集中的样本图像对应的第一特征集，生成单元基于第一特征集，确定第一特征集对应的第一正样本特征集和第一特征集对应的第一负样本特征集，生成表征第一正样本特征集和第一负样本特征集的第一模型的样本特征对，训练单元将样本图像集中的样本图像作为输入，将与输入的样本图像集中的样本图像对应的第二特征集作为输出，对第二模型进行训练，得到特征提取模型，其中，第二模型为待训练的学生模型，第二模型的损失函数基于第一模型的样本特征对和第二模型的样本特征对而构建，第二模型的样本特征对用于表征第二特征集中的正样本特征集和第二特征集中的负样本特征集，丰富了基于知识蒸馏技术的模型训练方式，有助于实现类内距离足够小，类间距离足够大的目的，提升了蒸馏精度。

继续参考图6，作为对上述图4所示方法的实现，本公开提供了一种用于生成信息的装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，除下面所记载的特征外，该装置实施例还可以包括与图4所示的方法实施例相同或相应的特征，以及产生与图4所示的方法实施例相同或相应的效果，该装置具体可以应用于各种电子设备中。

如图6所示，本实施例的用于生成信息的装置600包括：图像获取单元601和信息生成单元602，其中，图像获取单元，被配置成获取目标图像；信息生成单元，被配置成将目标图像输入至预先训练的特征提取模型，生成目标图像对应的特征集，其中，特征提取模型通过如上述模型训练方法中任一实施例的方法训练得到。

在本实施例中，用于生成信息的装置600的图像获取单元601和信息生成单元602的具体处理及其所带来的技术效果可分别参考图4对应的实施例中的步骤401到步骤402的相关说明，在此不再赘述。

这里指出，本公开的技术方案中若涉及到用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。

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。

图7示出了可以用来实施本公开的实施例的示例电子设备700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。

如图7所示，设备700包括计算单元701，其可以根据存储在只读存储器(ROM)702中的计算机程序或者从存储单元708加载到随机访问存储器(RAM)703中的计算机程序，来执行各种适当的动作和处理。在RAM 703中，还可存储设备700操作所需的各种程序和数据。计算单元701、ROM 702以及RAM 703通过总线704彼此相连。输入/输出(I/O)接口705也连接至总线704。

设备700中的多个部件连接至I/O接口705，包括：输入单元706，例如键盘、鼠标等；输出单元707，例如各种类型的显示器、扬声器等；存储单元708，例如磁盘、光盘等；以及通信单元709，例如网卡、调制解调器、无线通信收发机等。通信单元709允许设备700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。

计算单元701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701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701执行上文所描述的各个方法和处理，例如方法XXX。例如，在一些实施例中，方法XXX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708。在一些实施例中，计算机程序的部分或者全部可以经由ROM 702和/或通信单元709而被载入和/或安装到设备700上。当计算机程序加载到RAM703并由计算单元701执行时，可以执行上文描述的方法XXX的一个或多个步骤。备选地，在其他实施例中，计算单元701可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行方法XXX。

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。

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。

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。

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。

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)和互联网。

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。

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。

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。