CN114723989B 多任务学习方法、装置及电子设备 （影石创新科技股份有限公司）

道海旺社区兴业路1100号金利通金融用任务平衡因子和数据集平衡因子来确定每一量不同或者比例失衡或者数据分布不同而导致2基于标签平衡采样机制，对至少两个所述数据集进行采样，将采样获取每一任务对应的任务平衡因子以及每一任务在每一数据集中对应标签的数据集根据所述任务平衡因子以及所述数据集平衡因子，确定每一任务根据所述采样率，对至少两个所述数据集中的每一数据集进行采样，得到在至少两个所述数据集中，对每一任务在每一数据集中的对应在遍历所有数据集中的所有标签之后，生成每一任务二标签集合中所有标签对应的数据确定为每一任务用于将采样后的所有数据作为训练的样本数据输入到第一模型中进行单阶段的多任务训将每一任务对应的用于训练的样本数据的预测结果加入到预测结果集合，通过第一模型中的每一任务分支对与其对应的任务的每一样本数据进3根据每一任务对应的任务平衡因子以及每一任务在每一数据集中的标签的数据集平数据集获取模块，用于获取至少两个数据集，至少两个所平衡因子获取单元，用于获取每一任务对应的任务平衡因子采样率确定单元，用于根据所述任务平衡因子以及所述数据集平衡因训练样本确定单元，用于根据所述采样率，对至少两存储器以及一个或多个处理器，所述一个或多个处理器用于执行存的一个或多个计算机程序，所述一个或多个处理器在执行所述一个或多个计算机程序时，4[0006](2)不同数据集中不同任务的标签数量不同或者比例失衡，有的数据集不包含所5[0016]获取每一任务对应的任务平衡因子以及每一任务在每一数据集中对应标签的数二标签集合中所有标签对应的数据确定为每一任务用于[0026]将采样后的所有数据作为训练的样本数据输入到第一模型中进行单阶段的多任[0028]组合每一任务的预测结果集合，将组合后的预测结果集合确定为多任务预测结6[0038]根据每一任务对应的任务平衡因子以及每一任务在每一数据集中的标签的数据7输入多个数据集的图像数据存在不同数据集中不同任务之间标签数量不同或者比例失衡8[0070]在对本申请进行详细说明之前，对本申请实施例中涉及本申请实施例中涉及的名词和术语适用于如出层的神经网络,一般来说第一层是输入层,最后一层是输出层,中间的层中的每一层的工作可以理解为通过五种对输入空间(输入向量的集合)的操作,完成输入空到输出空间的空间变换,即神经网络每一层的W控制着如何变换空间。训练神经网络的目9[0072]需要注意的是,在本申请实施例中,多任务学习所采用的模型,本质都是神经网[0075]池化层(pooling)是模仿人的视觉系统可以对数据进行降维或用更高层次的特征[0077](2)损失函数，指的是将随机事件或其有关随机变量的取值映射为非负实数以表出尽可能的接近真正想要预测的值,可以通过比较当前网络的预测值和真正想要的目标通常会有初始化的过程,即为神经网络中的各层预先配置参数),比如,如果网络的预测值(lossfunction)或目标函数(objectivefunction),它们是用于衡量预测值和目标值的么神经网络的训练就变成了尽可能缩小输出值(l[0082]电子设备101以及服务器102可以通过有线或无线通信方式进行直接或间接地连电子设备101来举例说明。本领域技术人员可以知晓，上述电子设备的数量可以更多或更[0086]服务器102以及电子设备101可以通过有线或无线通信方式进行直接或间接地连[0104]获取每一任务对应的任务平衡因子以及每一任务在每一数据集中对应标签的数应的数据集平衡因子均为1，其中，噪声数据指的是训练数据中存在标签错误(Noisy据集平衡因子为1-X，则此时对每一任务进行采样的标签数量小于由任务平衡因子确定的某一数据集中采样的标签数量＝某一数据集某一任务对应的标签数量*任务平衡因子*数标签对应的图像数据作为每一任务用于训练的样[0129]步骤S5051：将采样后的所有数据作为训练的样本数据输入到第一模型中进行单[0134]在数据集1和数据集2组成的混合数据集中，一共有N1+N2张图片用来训练检测分[0140]可以理解的是，余弦退火(Cosineannealing)可以通过[0144]步骤S5052：将每一任务对应的用于训练的样本数据的预测结果加入到预测结果[0145]具体的，将每一任务对应的用于训练的样本数据的预测结果加入到预测结果集[0159]具体的，判断随机数是否小于任务平衡因子*数据集平衡因子，即c是否小于集中与第二个任务相关的标签数量均为500，则与第二个任务相关的标签数量为5000，此集中与第二个任务相关的标签数量均为500，则与第二个任务相关的标签数量为5000，此平衡因子＝0.1*1＝0.1，则此时第一个任务在第一个数据集中的标签数量为1000*0.1=输入多个数据集的图像数据存在不同数据集中不同任务之间标签数量不同或者比例失衡[0189]预测结果确定模块902，用于基于标签平衡采样机制，对至少两个数据集进行采digitalassistant，PDA)等，非移动电子设备可以为服务器、网络附属存储器(Network根据任务平衡因子以及数据集平衡因子，确定每一任务在每一数据集中对应标签的采样输入多个数据集的图像数据存在不同数据集中不同任务之间标签数量不同或者比例失衡[0202]如图10所示，该电子设备10包括通信连接的至少一个处理器11和存储器12(图10进行采样，将采样后的所有数据作为训练的样本数据输入到第一模型中进行多任务训练，不同任务之间的标签数量，数据集平衡因子用于调节每一任务在不同数据集中的标签数输入多个数据集的图像数据存在不同数据集中不同任务之间标签数量不同或者比例失衡器(DigitalSignalProcessing，DSP)、专用集成电路(ApplicationSpecific场可编程逻辑门阵列(field-programmablegatearray，FPGA)，通用阵列逻辑(generic暂态性计算机可执行程序以及模块，如本申请实施例中的多任务学习方法对应的程序指现下述任一方法实施例中的多任务学习方法。具体地，存储器12可以包括易失性存储器可以包括非易失性存储器(non-volatilememory，NVM)，例如只读存储器(read-onlymemory，ROM)，快闪存储器(flashmemory)，硬盘(harddiskdrive，HDD)或固态硬盘[0209]本申请实施例还提供了一种计算机可读存储介质，例如[0211]本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬ROM)或随机存储记忆体(RandomAccessMemory,