多任务处理方法、装置、计算机设备及存储介质与流程

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。