本技术涉及计算机,特别是涉及一种多任务处理方法、装置、计算机设备及存储介质。
背景技术:
1、在多任务学习领域,在任务具有不同的优化目标的情况下,需要平衡不同任务之间的学习目标和资源分配,以提高学习效率和泛化能力并减少存储空间。传统的学习系统在处理多个任务时通常采用固定的超参数设置,或者依赖于经验进行手动调整。这种方式没有考虑到多任务间的动态关系和相互影响,无法适应各个任务的特定需求和环境变化,由于无法找到最优的超参数组合,往往难以达到最优性能,在任务数量增加时将显著影响系统的计算资源和计算时间。
技术实现思路
1、基于此,有必要针对上述技术问题,提供一种多任务处理方法、装置、计算机设备及计算机可读存储介质,能够平衡多个任务的性能,提升模型学习的效率和准确性。
2、第一方面,本技术提供了一种多任务处理方法。所述方法包括:
3、在多个任务的训练过程中,记录每个任务的性能指标数据;
4、根据每个任务的性能指标数据,确定所述多个任务构成的至少一个任务组合的相关度;
5、针对每个任务组合,根据所针对的任务组合的相关度确定对应的超参数调整策略;根据所述超参数调整策略,对所针对的任务组合中各个任务的超参数进行调整;
6、基于每个任务的调整后的超参数,对所述多个任务进行训练,得到多任务训练结果。
7、在其中一个实施例中,所述根据所针对的任务组合的相关度确定对应的超参数调整策略;根据所述超参数调整策略,对所针对的任务组合中各个任务的超参数进行调整,包括:
8、在所针对的任务组合的相关度小于预设负相关阈值的情况下,确定对应的超参数调整策略为负相关调整策略;
9、根据所述负相关调整策略,确定所针对的任务组合中性能指标数据最低的目标任务,增加所述目标任务的损失权重,并减少所针对的任务组合中各个任务的学习率。
10、在其中一个实施例中,所述根据所针对的任务组合的相关度确定对应的超参数调整策略;根据所述超参数调整策略,对所针对的任务组合中各个任务的超参数进行调整,包括:
11、在所针对的任务组合的相关度大于预设正相关阈值的情况下,确定对应的超参数调整策略为正相关调整策略;
12、根据所述正相关调整策略,增加所针对的任务组合中各个任务的学习率。
13、在其中一个实施例中,所述根据每个任务的性能指标数据,确定所述多个任务构成的至少一个任务组合的相关度之前,所述方法还包括:
14、判断是否达到训练终止条件;
15、在未达到训练终止条件的情况下,执行所述根据每个任务的性能指标数据,确定所述多个任务构成的至少一个任务组合的相关度的步骤;
16、所述基于每个任务的调整后的超参数,对所述多个任务进行训练之后,所述方法还包括:
17、返回执行所述在多个任务的训练过程中,记录每个任务的性能指标数据的步骤。
18、在其中一个实施例中,每个任务组合由所述多个任务中的两个任务构成,所述根据每个任务的性能指标数据,确定所述多个任务构成的至少一个任务组合的相关度,包括:
19、针对每个任务组合,获取所针对的任务组合中各个任务的性能指标数据;利用皮尔逊相关系数确定所针对的任务组合中、各个任务的性能指标数据之间的相关性,得到所针对的任务组合的相关度。
20、在其中一个实施例中,所述在多个任务的训练过程中,记录每个任务的性能指标数据之前,所述方法还包括:
21、载入多个任务,获取每个任务的初始超参数和指标项;
22、基于每个任务的初始超参数,对所述多个任务进行训练;
23、所述记录每个任务的性能指标数据,包括:
24、根据每个任务的指标项记录每个任务的性能指标数据。
25、在其中一个实施例中,所述多个任务包括机动车检测任务、行人检测任务、标志牌检测任务、车道线检测任务、信号灯状态检测任务、驾驶行为检测任务、路面状况检测任务、车辆类型检测任务中的至少两种任务。
26、第二方面,本技术还提供了一种多任务处理装置。所述装置包括:
27、记录模块,用于在多个任务的训练过程中,记录每个任务的性能指标数据;
28、确定模块,用于根据每个任务的性能指标数据,确定所述多个任务构成的至少一个任务组合的相关度;
29、调整模块,用于针对每个任务组合,根据所针对的任务组合的相关度确定对应的超参数调整策略;根据所述超参数调整策略,对所针对的任务组合中各个任务的超参数进行调整;
30、训练模块,用于基于每个任务的调整后的超参数,对所述多个任务进行训练,得到多任务训练结果。
31、第三方面,本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
32、在多个任务的训练过程中,记录每个任务的性能指标数据;
33、根据每个任务的性能指标数据,确定所述多个任务构成的至少一个任务组合的相关度;
34、针对每个任务组合,根据所针对的任务组合的相关度确定对应的超参数调整策略;根据所述超参数调整策略,对所针对的任务组合中各个任务的超参数进行调整;
35、基于每个任务的调整后的超参数,对所述多个任务进行训练,得到多任务训练结果。
36、第四方面,本技术还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
37、在多个任务的训练过程中,记录每个任务的性能指标数据;
38、根据每个任务的性能指标数据,确定所述多个任务构成的至少一个任务组合的相关度;
39、针对每个任务组合,根据所针对的任务组合的相关度确定对应的超参数调整策略;根据所述超参数调整策略,对所针对的任务组合中各个任务的超参数进行调整;
40、基于每个任务的调整后的超参数,对所述多个任务进行训练,得到多任务训练结果。
41、上述多任务处理方法、装置、计算机设备及存储介质,在多个任务的训练过程中,记录每个任务的性能指标数据;根据每个任务的性能指标数据,确定多个任务构成的至少一个任务组合的相关度;针对每个任务组合,根据所针对的任务组合的相关度确定对应的超参数调整策略;根据超参数调整策略,对所针对的任务组合中各个任务的超参数进行调整;基于每个任务的调整后的超参数,对多个任务进行训练,得到多任务训练结果。通过上述方式,实时分析多个任务的性能指标,根据多个任务性能的实时变化,自动调整任务训练的超参数,能够有效地适应环境的变化,提升了系统的自适应性和灵活性;通过自适应超参数调整,同步优化多个任务的学习过程,相较于手动试错和调整,能够提升模型学习的效率和准确性、且节省计算资源和计算时间;能够识别不同任务间的相关性,使得系统能够确定满足所有任务需求的最佳超参数平衡点,增强多任务间的协同效果,从而优化系统整体性能。