技术特征：
1.一种基于深度模型的数据处理方法，其特征在于，所述方法包括：将待持续学习的深度模型划分为新深度模型和旧深度模型，并获取所述旧深度模型中的旧权重矩阵参数；将新业务数据输入至所述新深度模型中，以通过所述新业务数据对所述新深度模型进行训练，并生成所述新业务数据的预测值，利用所述新深度模型中的损失函数计算所述预测值与其对应真实值的第一损失；获取训练后的所述新深度模型中的新权重矩阵参数，将所述旧权重矩阵参数和所述新权重矩阵参数进行归一化，并计算归一化后的所述旧权重矩阵参数和所述新权重矩阵参数的第二损失；根据所述第一损失和所述第二损失，计算训练后的所述新深度模型的最终损失；判断所述最终损失是否满足预设条件；在所述最终损失不满足所述预设条件时，调整所述新深度模型的参数后，返回所述将新业务数据输入至所述新深度模型中的步骤；在所述最终损失满足所述预设条件时，得到持续学习后的新深度模型；将待处理业务数据输入至所述持续学习后的新深度模型中，以输出所述待处理业务数据的模型处理结果。2.如权利要求1所述的基于深度模型的数据处理方法，其特征在于，所述将新业务数据输入至所述新深度模型中，以通过所述新业务数据对所述新深度模型进行训练，并生成所述新业务数据的预测值，包括：利用所述新深度模型中的输入层接收所述新业务数据，并利用所述新深度模型中的隐藏层提取接收的所述新业务数据的特征数据；利用所述新深度模型中的全连接层计算所述特征数据的数据预测值；利用所述新深度模型中的输出层输出所述数据预测值，生成所述新业务数据的预测值。3.如权利要求1所述的基于深度模型的数据处理方法，其特征在于，所述新深度模型中的损失函数包括：其中，loss
acc
表示损失值，k表示新业务数据的数量，i表示新业务数据的序列号，y
i
表示第i个预测值，y
′
i
表示第i个真实值。4.如权利要求1所述的基于深度模型的数据处理方法，其特征在于，所述分别将所述新权重矩阵参数和所述旧权重矩阵参数进行归一化，包括：查询所述新模型权重矩阵参数中的新参数最小值，及所述旧模型权重矩阵参数中的旧参数最小值，将所述新参数最小值与所述旧参数最小值进行相加操作后得到模型参数最小值；分别将所述新模型权重矩阵参数和所述旧模型权重矩阵参数中每个参数与所述模型参数最小值进行相减操作，分别得到所述新模型权重矩阵参数的新参数和所述旧模型权重矩阵参数的旧参数；
分别将所述新模型权重矩阵参数的新参数和所述旧模型权重矩阵参数的旧标参数进行累加操作，分别得到新参数总和值和旧参数总和值；根据所述新参数与所述新参数总和值，及所述旧参数与所述旧参数总和值，分别执行所述新模型权重矩阵参数和所述旧模型权重矩阵参数的归一化。5.如权利要求4所述的基于深度模型的数据处理方法，其特征在于，所述根据所述新参数与所述新参数总和值，及所述旧参数与所述旧参数总和值，分别执行所述新模型权重矩阵参数和所述旧模型权重矩阵参数的归一化，包括：利用下述公式分别执行所述新模型权重矩阵参数的新参数和所述旧模型权重矩阵参数的归一化：数的归一化：其中，表示归一化后的新模型权重矩阵参数，表示归一化后的旧模型权重矩阵参数，n表示参数的总量，i表示参数的序列号，表示新模型权重矩阵参数中第i个参数，表示旧模型权重矩阵参数中第i个参数，表示新模型权重矩阵参数中新参数最小值，表示旧模型权重矩阵参数中旧参数最小值。6.如权利要求5所述的基于深度模型的数据处理方法，其特征在于，所述计算归一化后的所述旧权重矩阵参数和所述新权重矩阵参数的第二损失，包括：利用下述公式计算归一化后的所述旧权重矩阵参数和所述新权重矩阵参数的第二损失：其中，loss
kl
表示第二损失，p(x
i
)表示归一化后的所述旧权重矩阵参数的概率分布，q(x
i
)表示归一化后的所述新权重矩阵参数的概率分布，n表示参数的总量，i表示参数的序列号。7.如权利要求1所述的基于深度模型的数据处理方法，其特征在于，所述调整所述新深度模型的参数，包括：利用下述公式调整所述新深度模型的参数：
其中，lθ表示调整的参数，m表示新业务数据的数量，k表示新业务数据的序列号，loss
total
表示最终损失，f(x
i，j
，θ)表示下降函数，θ表示学习率，x
i，j
和y
i，j
表示新业务数据的横纵坐标位置。8.一种基于深度模型的数据处理装置，其特征在于，所述装置包括：模型划分模块，用于将待持续学习的深度模型划分为新深度模型和旧深度模型，并获取所述旧深度模型中的旧权重矩阵参数；模型损失计算模块，用于将新业务数据输入至所述新深度模型中，以通过所述新业务数据对所述新深度模型进行训练，并生成所述新业务数据的预测值，利用所述新深度模型中的损失函数计算所述预测值与其对应真实值的第一损失；所述模型损失计算模块，还用于获取训练后的所述新深度模型中的新权重矩阵参数，将所述旧权重矩阵参数和所述新权重矩阵参数进行归一化，并计算归一化后的所述旧权重矩阵参数和所述新权重矩阵参数的第二损失；所述模型损失计算模块，还用于根据所述第一损失和所述第二损失，计算训练后的所述新深度模型的最终损失；模型损失判断模块，用于判断所述最终损失是否满足预设条件；模型参数调整模块，用于在所述最终损失不满足所述预设条件时，调整所述新深度模型的参数后，返回所述将新业务数据输入至所述新深度模型中的步骤；模型生成模块，用于在所述最终损失满足所述预设条件时，得到持续学习后的新深度模型；数据处理模块，用于将待处理业务数据输入至所述持续学习后的新深度模型中，以输出所述待处理业务数据的模型处理结果。9.一种电子设备，其特征在于，所述电子设备包括：至少一个处理器；以及，与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任意一项所述的基于深度模型的数据处理方法。10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于深度模型的数据处理方法。
技术总结
本发明涉及人工智能领域，揭露一种基于深度模型的数据处理方法，包括：将待持续学习的深度模型划分为新深度模型和旧深度模型，获取旧深度模型的旧权重矩阵参数；通过新业务数据对新深度模型进行训练后，计算第一损失；获取训练后的新深度模型的新权重矩阵参数，将旧权重矩阵参数和新权重矩阵参数进行归一化后，计算第二损失；根据第一损失和第二损失，计算训练后的新深度模型的最终损失；根据最终损失，生成持续学习后的新深度模型，将待处理业务数据输入至持续学习后的新深度模型中，以输出待处理业务数据的模型处理结果。本发明可以解决深度模型在处理数据过程中发生数据遗忘的问题，同时又可以避免在深度模型中出现过多的权重矩阵参数。重矩阵参数。重矩阵参数。
技术研发人员：周柱君
受保护的技术使用者：平安科技（深圳）有限公司
技术研发日：2021.09.30
技术公布日：2021/12/10