模型融合方法、装置、设备及存储介质与流程

1.本公开实施例涉及人工智能技术领域，尤其涉及一种模型融合方法、装置、设备及存储介质。


背景技术：

2.相关技术可以对多个结构、类型和功能相同的模型进行融合，得到一个性能更强的模型。模型融合的方法主要有：聚合的方法和权重融合的方法。
3.其中，聚合的方法是通过将多个模型的输出进行融合来得到一个更好的预测结果。但是这种方法需要同时把多个模型放到同一个机器上运行，对机器计算资源的消耗较大。权重融合的方法是通过对模型的权重参数进行融合，从而得到一个更优的模型。但是权重融合的方法大多是将指数平滑的方式作为一种训练技巧加入到模型的训练过程中，这种方法仅能够给少数任务带来微弱的性能提升，应用局限性较大，且性能提升有限。


技术实现要素：

4.为了解决上述技术问题或者至少部分地解决上述技术问题，本公开实施例提供了一种模型融合方法、装置、设备及存储介质。
5.本公开实施例的第一方面提供了一种模型融合方法，该方法包括：获取多个待融合的模型和多个随机数组，随机数组中包括各待融合的模型对应的随机权重；分别以每个随机数组中的随机权重对多个待融合的模型进行加权融合处理，得到每个随机数组对应的融合模型；基于预设的测试样本，确定各融合模型对应的准确率，将准确率最高的融合模型确定为目标融合模型。
6.本公开实施例的第二方面提供了一种模型处理装置，该装置包括：
7.获取模块，用于获取多个待融合的模型和多个随机数组，随机数组中包括各待融合的模型对应的随机权重；
8.融合模块，用于分别以每个随机数组中的随机权重对多个待融合的模型进行加权融合处理，得到每个随机数组对应的融合模型；
9.确定模块，用于基于预设的测试样本，确定各融合模型对应的准确率，将准确率最高的融合模型确定为目标融合模型。
10.本公开实施例的第三方面提供了一种计算机设备，该计算机设备包括存储器和处理器，其中，存储器中存储有计算机程序，当该计算机程序被处理器执行时，可以实现上述第一方面的方法。
11.本公开实施例的第四方面提供了一种计算机可读存储介质，该存储介质中存储有计算机程序，当该计算机程序被处理器执行时，可以实现上述第一方面的方法。
12.本公开实施例提供的技术方案与现有技术相比具有如下优点：
13.本公开实施例，通过获取多个待融合的模型和多个随机数组，分别以每个随机数组中的随机权重对多个待融合的模型进行加权融合处理，得到每个随机数组对应的融合模
型，然后，基于预设的测试样本，确定各融合模型对应的准确率，将准确率最高的融合模型确定为目标融合模型，能够提高模型的性能，使得模型不受任务场景的限制，提高了模型的普适性，并且本公开实施例提供的模型融合方法不需要像现有技术聚合的方法那样将多个模型运行在同一机器上，因此降低了对机器计算资源的消耗。
附图说明
14.此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
15.为了更清楚地说明本公开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，对于本领域普通技术人员而言，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。
16.图1是本公开实施例提供的一种模型融合方法的流程图；
17.图2是本公开实施例提供的一种获取待融合模型和随机数组的方法的示意图；
18.图3是本公开实施例提供的另一种获取待融合模型和随机数组的方法的示意图；
19.图4是本公开实施例提供的一种模型融合方法的示意图；
20.图5是本公开实施例提供的又一种模型融合方法的流程图；
21.图6是本公开实施例提供的一种模型处理装置的结构示意图；
22.图7是本公开实施例提供的一种计算机设备的结构示意图。
具体实施方式
23.为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。
24.在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。
25.图1是本公开实施例提供的一种模型融合方法的流程图，该方法可以由一种计算机设备来执行。该计算机设备可以理解为任意具有运算和处理能力的设备。如图1所示，本公开实施例提供的方法包括如下步骤：
26.步骤101、获取多个待融合的模型和多个随机数组，随机数组中包括各待融合的模型对应的随机权重。
27.本公开实施例中所称的多个待融合的模型是指多个结构、类型、功能相同的模型。
28.随机数组是指由多个随机数构成的数组，随机数组中的随机数的个数大于或等于待融合的模型的数量。在本公开实施例中，一个待融合的模型与随机数组中的一个随机数对应。待融合的模型对应的随机数称为该模型对应的随机权重。本公开实施例的随机数组有多个，也就是说每个待融合的模型在每个随机数组中都有一个对应的随机权重。
29.在本公开实施例中，待融合的模型和随机数据的获取方式可以有多种。比如，图2是本公开实施例提供的一种获取待融合模型和随机数组的方法的示意图。如图2所示，在本公开实施例的一种实施方式中，可以从网络服务器、数据库、可读存储介质等来源处获取多
个待融合的模型和多个随机数组。再比如，图3是本公开实施例提供的另一种获取待融合模型和随机数组的方法的示意图。如图3所示，在本公开实施例的另一种实施方式中，还可以先从预设的数据来源中获取n个待融合的模型，n为正整数，然后再根据获取到的待融合的模型的个数生成包含n个随机权重(即图3中的w1到wn)的随机数组。需要说明的是，在图3所示的场景中，可以在基于一组随机数组处理得到融合模型之后，再生成下一组随机数组，并基于下一组随机数组生成相应的模型，如此循环直到获得预设数量的随机数组和融合模型为止。或者在又一种方式中，还可以在得到多个待融合的模型之后，就生成多个随机数组，然后再分别基于每个随机数组对多个待融合的模型进行融合。
30.当然图2和图3仅是两种示例性的方法而不是对待融合的模型和随机数组的获取方法的唯一限定，实际上，获取待融合的模型和随机数组的方法可以根据需要进行设定，而不必局限于某一种特定的方法。
31.步骤102、分别以每个随机数组中的随机权重对所述多个待融合的模型进行加权融合处理，得到每个随机数组对应的融合模型。
32.示例的，图4是本公开实施例提供的一种模型融合方法的示意图，在图4中，模型1和模型2是两个结构、类型、功能相同的模型。随机数组中包括2个随机权重w1和w2，其中权重w1对应于模型1，权重为对应于模型2。模型1中包括a1···am
的m个参数，m为正整数。模型2中包括a1’
···am’的m个参数。其中，ai和a
i’是两个相同的参数，ai和a
i’的取值可以不同，i是大于或等于1，小于或等于m的整数。如图4所示，在采用随机数组中的随机权重对模型1和模型2进行融合时，可以先以w1对模型1中的参数进行加权处理，得到加权后的参数w1*a1···
w1*am，以w2对模型2中的参数进行加权处理，得到加权后的参数w2*a1’
···
w2*a
m’，然后对模型1与模型2中的相同参数的加权结果进行求和处理，将得到的(w1*a1+w2*a1’
)
···
(w1*am+w2*a
m’)作为目标参数，并将目标参数作为融合模型的模型参数，生成得到随机数组对应的融合模型。也就是说在本公开实施例的一种实施方式中可以针对每个随机数组，基于随机数组中的随机权重，对多个待融合的模型的参数进行加权求和处理，得到目标参数；将目标参数作为融合模型的模型参数，生成得到相应的融合模型。
33.需要说明的是，图4仅是示例说明而不是对公开实施例的唯一限定。实际上，图4是将加权求和后的参数作为融合模型的参数，但是在其他实施例中也可以将加权后的参数的平均数据作为融合模型的参数，比如对于上例中的参数a1来说，可以将w1*a1与w2*a1’
的平均数作为融合模型中参数a1的值，并且以此类推可以得到融合模型中其余参数的值。另外，图4实际上是对多个待融合的模型中的全部参数进行了加权求和处理，但是在其他实施例中，不排除也可以对多个待融合的模型中的部分参数进行加权求和处理，比如在一种可行的实施方式中也可以仅对多个待融合的模型的权重参数进行加权求和处理，然后将加权求和得到的新的权重参数作为融合模型的权重参数，在此基础之上，通过对融合模型的超参数进行初始化即可得到完整的融合模型。
34.步骤103、基于预设的测试样本，确定各融合模型对应的准确率，将准确率最高的融合模型确定为目标融合模型。
35.本实施例中的测试样本可以理解为用于测试模型准确性的样本，测试样本的类型和数量可以根据融合模型的任务场景来设定，本公开实施例不做具体限定。
36.在本公开实施例中，基于每个随机数组都能够得到一个对应的融合模型，由于模
型参数不同，这些融合模型具有不同的性能表现。通过测试样本对各融合模型的准确率进行测试，能够获得每个融合模型对应的性能表现，从而得到性能最优的模型。
37.本公开实施例，通过获取多个待融合的模型和多个随机数组，分别以每个随机数组中的随机权重对多个待融合的模型进行加权融合处理，得到每个随机数组对应的融合模型，然后，基于预设的测试样本，确定各融合模型对应的准确率，将准确率最高的融合模型确定为目标融合模型，能够提高模型的性能，使得模型不受任务场景的限制，提高了模型的普适性，并且本公开实施例提供的模型融合方法不需要像聚合的方法那样将多个模型运行在同一机器上，因此降低了对机器计算资源的消耗。
38.图5是本公开实施例提供的又一种模型融合方法的流程图，如图5所示，该方法包括：
39.步骤501、获取多个参数不同的模型和多个随机数组，随机数组中包括各模型对应的随机权重。
40.本公开实施例中所称的多个参数不同的模型可以理解为权重参数和/或超参数不同的多个模型。比如，在本公开实施例的一种实施方式中，可以通过对原始模型中的权重参数进行多次随机初始化处理，得到多个权重参数不同的模型。在这种方式中原始模型可以理解为具备基本模型架构，但未进行权重参数初始化的模型，此时的原始模型可以已完成了超参数的初始化，也可以未完成超参数的初始化。若未完成超参数的初始化，则还需要对权重参数初始化后的模型进行超参数初始化处理。超参数初始化后，不同模型的超参数可以相同也可以不同。再比如，在本公开实施例的另一种实施方式中，还可以通过对原始模型中的超参数进行多次随机初始化得到多个超参数不同的模型。在这种方式中原始模型可以理解为具备基本模型架构，但未进行超参数初始化的模型，此时的原始模型可以已完成了权重参数的初始化，也可以未完成权重参数的初始化。若未完成权重参数的初始化，则还需要对超参数初始化后的模型进行权重参数初始化处理。其中，在对已完成超参数初始化的模型进行权重参数初始化时，可以针对同一模型进行多次的权重参数初始化，得到多个超参数相同，权重参数不同的模型。
41.当然上述两种方法仅为示例说明而不是对本公开实施例的唯一限定，实际上在不同的场景中可以根据需要采用不同的方法获得多个参数不同的模型，而不必局限于某一种或几种特定的方法。
42.步骤502、基于预设的样本组对多个参数不同的模型进行训练，将训练得到的多个模型作为待融合的模型。
43.本公开实施例所称的样本组可以包括多个样本，样本的类型和数量可以根据需要进行设置，本公开实施例中不做具体限定。
44.本公开实施例基于样本组训练模型的方法可以参照现有技术，在这里不再赘述。
45.步骤503、分别以每个随机数组中的随机权重对多个待融合的模型进行加权融合处理，得到每个随机数组对应的融合模型。
46.本公开实施例可以采用不同的方法对多个待融合的模型进行融合。比如，当获取到的多个待融合的模型的权重参数不同、超参数相同时，则可以对多个待融合模型的权重参数进行加权求和处理，然后，将加权求和后得到的新的权重参数作为融合模型的权重参数，将多个待融合模型共同的超参数作为融合模型的超参数生成得到相应的融合模型。再
比如，当获取到的多个待融合的模型的权重参数和超参数均不相同时，则可以针对多个待融合的模型彼此之间相同的参数(包括权重参数和超参数)进行加权求和处理，然后将加权求和处理得到的权重参数和超参数作为融合模型的权重参数和超参数，生成得到对应的融合模型。
47.当然上述两种模型融合方法仅为示例说明而不是对本公开实施例的唯一限定。
48.步骤504、基于预设的测试样本，确定各融合模型对应的准确率，将准确率最高的融合模型确定为目标融合模型。
49.本公开实施例通过对多个参数不同的模型进行训练，对训练得到的多个参数不同的待融合的模型进行融合，能够消除参数片面性导致的模型准确性不高、普适性不足的问题，提高了融合模型的准确性和普适性。
50.本公开实施例提供的模型融合方法可以被应用在各个领域。比如，在图像处理领域中，本公开实施例确定得到的目标融合模型可以被训练成具备某种图像处理能力(比如，涂抹、美颜等，但不局限于这里列举的几种图像处理能力)的模型。搭载有该模型的处理设备(比如，手机、计算机等)可以通过拍摄、下载、接收等方式获取待处理图像，然后通过预先训练好的融合模型对待处理图像进行处理，得到处理后的图像(比如涂抹图像、美颜处理后的图像等)。当然这里仅为示例说明而不是对本公开实施例应用场景和应用领域的唯一限定。
51.图6是本公开实施例提供的一种模型处理装置的结构示意图，该模型处理装置可以理解为上述实施例中的计算机设备或者计算机设备中的部分功能模块。如图6所示，模型处理装置60包括：
52.获取模块61，用于获取多个待融合的模型和多个随机数组，随机数组中包括各待融合的模型对应的随机权重；
53.融合模块62，用于分别以每个随机数组中的随机权重对多个待融合的模型进行加权融合处理，得到每个随机数组对应的融合模型；
54.确定模块63，用于基于预设的测试样本，确定各融合模型对应的准确率，将准确率最高的融合模型确定为目标融合模型。
55.在一种实施方式中，获取模块61可以包括：
56.获取单元，用于获取多个参数不同的模型；
57.训练单元，用于基于预设的样本组对多个参数不同的模型进行训练，将训练得到的多个模型作为待融合的模型。
58.在一种实施方式中，获取单元可以包括：
59.第一获取子单元，用于获取多个超参数不同的模型。
60.在一种实施方式中，获取单元还可以包括：
61.第二获取子单元，用于获取多个内置权重参数不同的模型。
62.在一种实施方式中，第二获取子单元可以用于：
63.获取原始模型；对原始模型中的权重参数进行多次随机初始化处理，得到多个权重参数不同的模型。
64.在一种实施方式中，融合模块62可以包括：
65.加权处理单元，用于针对每个随机数组，基于所述随机数组中的随机权重，对所述
多个待融合的模型的参数进行加权求和处理，得到目标参数；
66.生成单元，用于将所述目标参数作为融合模型的模型参数，生成得到所述随机数组对应的融合模型。
67.本实施例提供的装置能够执行图1-图5中任一实施例的方法，其执行方式和有益效果类似，在这里不再赘述。
68.本公开实施例还提供一种计算机设备，该计算机设备包括处理器和存储器，其中，所述存储器中存储有计算机程序，当所述计算机程序被所述处理器执行时可以实现上述图1-图5中任一实施例的方法。
69.示例的，图7是本公开实施例提供的一种计算机设备的结构示意图。下面具体参考图7，其示出了适于用来实现本公开实施例中的计算机设备1000的结构示意图。本公开实施例中的计算机设备1000可以理解为诸如笔记本电脑、台式电脑、服务器等具有计算和处理功能的设备。图7示出的计算机设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
70.如图7所示，计算机设备1000可以包括处理装置(例如中央处理器、图形处理器等)1001，其可以根据存储在只读存储器(rom)1002中的程序或者从存储装置1008加载到随机访问存储器(ram)1003中的程序而执行各种适当的动作和处理。在ram 1003中，还存储有计算机设备1000操作所需的各种程序和数据。处理装置1001、rom 1002以及ram 1003通过总线1004彼此相连。输入/输出(i/o)接口1005也连接至总线1004。
71.通常，以下装置可以连接至i/o接口1005：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置1006；包括例如液晶显示器(lcd)、扬声器、振动器等的输出装置1007；包括例如磁带、硬盘等的存储装置1008；以及通信装置1009。通信装置1009可以允许计算机设备1000与其他设备进行无线或有线通信以交换数据。虽然图7示出了具有各种装置的计算机设备1000，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
72.特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置1009从网络上被下载和安装，或者从存储装置1008被安装，或者从rom 1002被安装。在该计算机程序被处理装置1001执行时，执行本公开实施例的方法中限定的上述功能。
73.需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其
中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
74.在一些实施方式中，客户端、服务器可以利用诸如http(hypertext transfer protocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“lan”)，广域网(“wan”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
75.上述计算机可读介质可以是上述计算机设备中所包含的；也可以是单独存在，而未装配入该计算机设备中。
76.上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该计算机设备执行时，使得该计算机设备：获取多个待融合的模型和多个随机数组，随机数组中包括各待融合的模型对应的随机权重；分别以每个随机数组中的随机权重对多个待融合的模型进行加权融合处理，得到每个随机数组对应的融合模型；基于预设的测试样本，确定各融合模型对应的准确率，将准确率最高的融合模型确定为目标融合模型。
77.可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括但不限于面向对象的程序设计语言—诸如java、smalltalk、c++，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
78.附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
79.描述于本公开实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，单元的名称在某种情况下并不构成对该单元本身的限定。
80.本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(fpga)、专
用集成电路(asic)、专用标准产品(assp)、片上系统(soc)、复杂可编程逻辑设备(cpld)等等。
81.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。
82.本公开实施例还提供一种计算机可读存储介质，所述存储介质中存储有计算机程序，当所述计算机程序被处理器执行时可以实现上述图1-图5中任一实施例的方法，其执行方式和有益效果类似，在这里不再赘述。
83.需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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、物品或者设备中还存在另外的相同要素。
84.以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。