预测目标对象的目标描述符值的方法和系统与流程-ag尊龙凯时

本公开涉及人工智能，尤其涉及一种预测目标对象的目标描述符值的方法和系统。

背景技术：

1、在相关技术中，训练系统可以训练得到神经网络模型，预测系统可以基于该神经网络模型对目标对象的目标描述符值进行预测。

2、其中，神经网络模型为单级推理的网络，即在预测系统获取到输入信息的情况下，可以将输入信息输入至单级推理的神经网络模型中，以经神经网络模型的单级推理输出与目标对象对应的目标描述符值。

3、然而，本公开的发明人发现，在预测系统采用上述方法预测得到目标描述符值的情况下，由于神经网络模型的推理性能欠佳，导致预测系统基于神经网络模型预测得到的目标描述符值的准确性偏低。

4、背景技术部分的内容仅仅是发明人个人所知晓的信息，并不代表上述信息在本公开申请日之前已经进入公共领域，也不代表其可以成为本公开的现有技术。

技术实现思路

1、本公开提供一种预测目标对象的目标描述符值的方法和系统，用以提高预测目标描述符值的准确性和可靠性。

2、第一方面，本公开提供一种预测目标对象的目标描述符值的方法，包括：

3、获得目标对象的m0组描述符，每组描述符包括至少n个与所述目标对象相关的描述符；

4、分别基于所述m0组描述符中的每一组进行第0级推理，得到所述m0个与所述目标对象的目标描述符对应的初始预测值td0；以及

5、基于所述m0个td0进行f级推理，得到所述目标描述符的最终预测值tdf，

6、其中，在所述f级推理中的第i级推理包括：

7、获得所述目标描述符的第i-1级预测值tdi-1，所述tdi-1的数量为mi-1个，且是经过第i-1级推理得到的与所述目标描述符对应的预测值，

8、将所述mi-1个tdi-1按照预设分组关系组成mi组，以及

9、分别对所述mi组的tdi-1进行推理，得到mi个所述目标描述符的第i级预测值tdi，

10、其中，所述m0、所述n、所述f、所述mi-1和所述mi均为大于等于1的整数，所述i满足1≤i≤f。

11、在一种可能实现的技术方案中，所述获得目标对象的m0组描述符，包括：

12、获得描述所述目标对象相关的k维描述，所述k维描述中包括k个描述符，所述k为大于1的整数；

13、对所述k维描述进行降维操作得到核心描述符、以及用于确定m0描述符的描述符数量所述n；

14、根据所述核心描述符和所述n生成所述m0组描述符；

15、其中，所述n是指所述k个描述符中使得所述降维操作的准确性、以及参与所述降维操作的描述符的数量均趋近于不变的描述符的数量；

16、所述核心描述符是所述k个描述符中，参与所述降维操作的出现频率满足预设条件的描述符，所述预设条件是指所述核心描述符中核心描述符的最小出现频率与非核心描述符的最大出现频率之间的差异大于预设差异阈值。

17、在一种可能实现的技术方案中，所述m0组描述符中：

18、每组描述符中的l个核心描述符均相同；以及

19、每组描述符中的n-l个非核心描述符为所述k个描述符中随机获得的，且每组描述符中的n-l个非核心描述符不重复。

20、在一种可能实现的技术方案中，所述分别基于所述m0组描述符中的每一组进行第0级推理，得到所述m0个与所述目标对象的目标描述符对应的初始预测值td0包括：

21、运行m0个第0级的神经网络nn0对所述m0组描述符进行推理，得到所述m0个td0；

22、其中，所述m0个nn0中任意的第j个神经网络nn0j的输入为第j组描述符，输出为所述td0中的第j个预测值分量td0j。

23、在一种可能实现的技术方案中，所述分别对所述mi组的tdi-1进行推理，得到mi个所述目标描述符的第i级预测值tdi包括：

24、运行mi个第i级的神经网络nni对所述mi组的tdi-1进行推理，得到所述mi个tdi；

25、其中，所述i级的神经网络中的每一神经网络以所述mi组的tdi-1中的一组tdi-1为输入，并输出对应的tdi中对应的分量。

26、在一种可能实现的技术方案中，所述第0级直至第f级中的各神经网络组成目标超级网络，所述目标超级网络中的每一神经网络均为所述目标超级网络中的一个网络节点，网络节点的数量从所述第0级直至所述第f级呈递减趋势，且每一神经网络均为预先训练好的子神经网络。

27、在一种可能实现的技术方案中，所述目标超级网络中的每个子神经网络分别为预先训练好的一种神经网络，或者为预先训练好的两种神经网络的结合体，其中，

28、在所述目标超级网络中的每个子神经网络分别为预先训练好的一种神经网络的情况下，所述预先训练好的一种神经网络为人工神经网络ann，或者为卷积神经网络cnn；以及

29、在所述目标超级网络中的每个子神经网络分别为预先训练好的两种神经网络的结合体的情况下，所述两种神经网络的结合体为所述ann和所述cnn的结合体。

30、在一种可能实现的技术方案中，第f级的神经网络的数量为一个，以tdf-1为输入，输出为所述目标描述符的所述最终预测值tdf。

31、在一种可能实现的技术方案中，所述预设分组关系为在训练神经网络之前或者训练神经网络时随机分组所形成的分组关系。

32、在一种可能实现的技术方案中，所述目标对象为目标材料、目标语音、目标文本、目标图像中的一种。

33、第二方面，本公开提供一种预测模型的训练方法，包括：

34、获得样本对象的m0组描述符，每组描述符包括至少n个与所述样本对象相关的描述符；

35、分别基于所述m0组描述符中的每一组进行第0级推理，得到所述m0个与所述样本对象的目标描述符对应的初始预测值td0；以及

36、基于所述m0个td0进行f级推理，得到所述目标描述符的最终预测值tdf，并根据所述tdf和预设真值迭代训练得到预测模型，所述预测模型用于预测目标对象的目标描述符值；

37、其中，在所述f级推理中的第i级推理包括：

38、获得所述目标描述符的第i-1级预测值tdi-1，所述tdi-1的数量为mi-1个，且是经过第i-1级推理得到的与所述目标描述符对应的预测值，

39、将所述mi-1个tdi-1按照预设分组关系组成mi组，以及

40、分别对所述mi组的tdi-1进行推理，得到mi个所述目标描述符的第i级预测值tdi，

41、其中，所述m0、所述n、所述f、所述mi-1、所述mi均为大于1的整数，所述i满足1≤i≤f。

42、在一种可能实现的技术方案中，所述获得样本对象的m0组描述符，包括：

43、获得描述所述样本对象相关的k维描述符，所述k维描述符中包括k个描述符，所述k为大于1的整数；

44、对所述k维描述符进行降维操作得到核心描述符、以及用于确定m0组描述符的描述符数量所述n；

45、根据所述核心描述符和所述n生成所述m0组描述符；

46、其中，所述n是指所述k个描述符中使得所述降维的准确性、以及参与所述降维的描述符的数量均趋近于不变的描述符的数量；

47、所述核心描述符是所述k个描述符中，参与所述降维的出现频率满足预设条件的描述符，所述预设条件是指所述核心描述符中核心描述符的最小出现频率与非核心描述符的最大出现频率之间的差异大于预设差异阈值。

48、在一种可能实现的技术方案中，所述m0组描述符中：

49、每组描述符中的l个核心描述符均相同；以及

50、每组描述符中的n-l个非核心描述符为所述k个描述符中随机获得的，且每组描述符中的n-l个非核心描述符不重复。

51、在一种可能实现的技术方案中，所述分别基于所述m0组描述符中的每一组进行第0级推理，得到所述m0个与所述样本对象的目标描述符对应的初始预测值td0，包括：

52、运行所述m0个第0级的神经网络nn0对所述m0组描述符进行推理，得到所述m0个td0；

53、其中，对于所述m0个nn0中任意的第j个神经网络nn0j的输入为第j组描述符，输出为所述td0中的第j个预测值分量td0j。

54、在一种可能实现的技术方案中，所述分别对所述mi组的tdi-1进行推理，得到mi个所述目标描述符的第i级预测值tdi，包括：

55、运行mi个第i级的神经网络nni对所述mi组的tdi-1进行推理，得到所述mi个tdi；

56、其中，所述i级的神经网络中的每一神经网络以所述mi组的tdi-1中的一组tdi-1为输入，并输出对应的tdi中对应的分量。

57、在一种可能实现的技术方案中，所述第0级直至第f级中的各神经网络组成目标超级网络，所述目标超级网络中的每一神经网络均为所述目标超级网络中的一个网络节点，网络节点的数量从所述第0级直至所述第f级呈递减趋势，且每一神经网络均为一种神经网络，或者为两种神经网络的结合体。

58、在一种可能实现的技术方案中，在每一神经网络为一种神经网络的情况下，每一神经网络为人工神经网络ann，或者为卷积神经网络cnn；

59、在每一神经网络为两种神经网络的结合体的情况下，每一神经网络为包括所述ann和所述cnn的结合体。

60、在一种可能实现的技术方案中，第f级的神经网络的数量为一个，以tdf-1为输入，输出为所述目标描述符的所述最终预测值tdf。

61、在一种可能实现的技术方案中，在首次迭代训练的情况下，所述预设分组关系是随机分组所形成的分组关系；

62、在非首次迭代训练的情况下，所述预设分组关系与所述首次迭代训练情况下分组关系相同。

63、在一种可能实现的技术方案中，所述样本对象为样本材料、样本语音、样本文本、样本图像中的一种。

64、第三方面，本公开提供一种预测目标对象的目标描述符值的系统，包括：

65、至少一个存储介质，存储有至少一个指令集；以及

66、至少一个处理器，同所述至少一个存储介质通信连接，

67、其中，当所述预测目标对象的目标描述符值的系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行权利要求1-10中任一项所述的方法。

68、第四方面，本公开提供一种预测模型的训练系统，包括：

69、至少一个存储介质，存储有至少一个指令集；以及

70、至少一个处理器，同所述至少一个存储介质通信连接，

71、其中，当所述预测模型的训练系统运行时，所述至少一个处理器读取所述至少一个指令集，并且根据所述至少一个指令集的指示执行权利要求11-20任一项所述的方法。

72、第五方面，本公开提供一种处理器可读存储介质，所述处理器可读存储介质存储有计算机程序，所述计算机程序用于使所述处理器执行如上第一方面或第二方面所述的方法。

73、第六方面，本公开提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现第一方面或第二方面所述的方法。

74、第七方面，本公开提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；

75、所述存储器存储计算机执行指令；

76、所述处理器执行所述存储器存储的计算机执行指令，以实现如第一方面任一项所述的方法。

77、本公开提供一种预测目标对象的目标描述符值的方法和系统，包括：获得目标对象的m0组描述符，每组描述符包括至少n个与目标对象相关的描述符，分别基于m0组描述符中的每一组进行第0级推理，得到m0个与目标对象的目标描述符对应的初始预测值td0，以及基于m0个td0进行f级推理，得到目标描述符的最终预测值tdf，其中，在f级推理中的第i级推理包括：获得目标描述符的第i-1级预测值tdi-1，tdi-1的数量为mi-1个，且是经过第i-1级推理得到的与目标描述符对应的预测值，将mi-1个tdi-1按照预设分组关系组成mi组，以及分别对mi组的tdi-1进行推理，得到mi个目标描述符的第i级预测值tdi，其中，m0、n、f、mi-1和mi均为大于等于1的整数，i满足1≤i≤f，在本实施例中，预测系统采用从第0级推理直至第f级推理的多级推理，以深化推理过程，提高推理的可靠性，且每一级推理中的各推理为平行推理(如第0级推理中的基于每一组描述符进行推理的平行推理)，以使得同一级的各推理之间相互独立，避免干扰，从而进一步提高推理的可靠性，且各级之间为集成推理，即上一级的输出为下一级的输入(如第0级推理的输出为第一级推理的输入)，以使得各级推理之间相互关联，从而最终得到准确性和可靠性相对较高的最终预测值tdf。