模型训练方法、装置及电子设备与流程

本申请属于信号处理，具体涉及一种模型训练方法、装置及电子设备。

背景技术：

1、当进行语音通话时，由于受到周围环境的噪声干扰，接听方用户可能无法听清楚对方的说话内容，因此接听方用户的电子设备需要对音频进行降噪处理，例如，对音频信号中周围环境的噪声进行抑制并保留人声，以提高语音的可接受程度。

2、目前，现有的降噪方法是通过人工智能(artificial intelligence，ai)神经网络技术对音频信号进行降噪处理，即通过使用多个具有不同倾向性的损失函数进行加权求和，并利用得到的总损失值对ai降噪模型进行训练，使得电子设备可以通过训练后的ai降噪模型对音频信号进行处理，从而得到降噪后的音频信号。

3、然而，上述方法中，在通过使用多个具有不同倾向性的损失函数进行加权求和的过程中，如果多个损失函数的量纲之间存在较大差异，则电子设备在进行权重分配时，难以使得训练后的ai降噪模型在噪音抑制和语音质量上达到一个比较理想的平衡，从而导致ai降噪模型的音频处理效果较差。

技术实现思路

1、本申请实施例的目的是提供一种模型训练方法、装置及电子设备，能够解决ai降噪模型的音频处理效果较差的问题。

2、第一方面，本申请实施例提供了一种模型训练方法，该模型训练方法包括：获取初始训练信息，其中，初始训练信息包括第一子任务、第一损失函数和训练模型；基于训练模型对第一子任务进行第一任务训练，得到训练模型的第一模型权重参数，其中，第一任务训练的损失函数为第一损失函数；基于训练模型、第一模型权重参数对第二子任务进行第二任务训练，得到训练模型的第二模型权重参数，其中，第二子任务与第一子任务不同，第二任务训练的损失函数为第二损失函数，第二损失函数与第一损失函数不同；基于第二模型权重参数，得到训练模型的目标模型权重参数。

3、第二方面，本申请实施例提供了一种模型训练装置，该模型训练装置包括：获取模块、处理模块。获取模块，用于获取初始训练信息，其中，初始训练信息包括第一子任务、第一损失函数和训练模型。处理模块，用于基于获取模块获取的训练模型对第一子任务进行第一任务训练，得到训练模型的第一模型权重参数，其中，第一任务训练的损失函数为第一损失函数；并基于训练模型、第一模型权重参数对第二子任务进行第二任务训练，得到训练模型的第二模型权重参数，其中，第二子任务与第一子任务不同，第二任务训练的损失函数为第二损失函数，第二损失函数与第一损失函数不同；以及基于训练模块得到的第二模型权重参数，得到训练模型的目标模型权重参数。

4、第三方面，本申请实施例提供了一种电子设备，该电子设备包括处理器和存储器，所述存储器存储可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如第一方面所述的方法的步骤。

5、第四方面，本申请实施例提供了一种可读存储介质，所述可读存储介质上存储程序或指令，所述程序或指令被处理器执行时实现如第一方面所述的方法的步骤。

6、第五方面，本申请实施例提供了一种芯片，所述芯片包括处理器和通信接口，所述通信接口和所述处理器耦合，所述处理器用于运行程序或指令，实现如第一方面所述的方法。

7、第六方面，本申请实施例提供一种计算机程序产品，该程序产品被存储在存储介质中，该程序产品被至少一个处理器执行以实现如第一方面所述的方法。

8、在本申请实施例中，电子设备可以基于获取的初始训练信息，对第一子任务进行训练，得到第一模型权重参数，并根据第一模型权重参数对第二子任务进行训练，从而基于得到第二模型权重参数，得到目标模型权重参数，以使得电子设备可以通过该训练模型对音频信号进行降噪处理。本方案中，将降噪任务分为几个子任务，每个子任务作为一个阶段训练，可将当前阶段中训练效果好的模型权重参数作为下一个子任务的初始权重，并对下一个子任务的学习速率进行衰减，使得模型可以保留上一阶段的训练效果，同时设置不同的损失函数，最终获得较好的降噪效果。

技术特征：

1.一种模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述基于所述第二模型权重参数，得到所述训练模型的目标模型权重参数，包括：

3.根据权利要求2所述的方法，其特征在于，所述基于所述训练模型、所述第二模型权重参数对第三子任务进行第三任务训练，得到所述训练模型的第三模型权重参数之前，所述方法还包括：

4.根据权利要求1所述的方法，其特征在于，所述获取初始训练信息，包括：

5.根据权利要求1或4所述的方法，其特征在于，所述基于所述训练模型对所述第一子任务进行第一任务训练，得到所述训练模型的第一模型权重参数，包括：

6.根据权利要求1所述的方法，其特征在于，所述基于所述训练模型、所述第一模型权重参数对第二子任务进行第二任务训练，得到所述训练模型的第二模型权重参数，包括：

7.根据权利要求1所述的方法，其特征在于，所述基于所述第二模型权重参数，得到所述训练模型的目标模型权重参数之后，所述方法还包括：

8.一种模型训练装置，其特征在于，所述模型训练装置包括：获取模块、处理模块；

9.根据权利要求8所述的装置，其特征在于，所述处理模块，具体用于基于所述训练模型、所述第二模型权重参数对第三子任务进行第三任务训练，得到所述训练模型的第三模型权重参数，其中，所述第三子任务与所述第一子任务和所述第二子任务均不同，所述第三任务训练的损失函数为第三损失函数，所述第三损失函数与所述第一损失函数和所述第二损失函数均不同；并基于所述第三模型权重参数，得到所述训练模型的目标模型权重参数。

10.一种电子设备，其特征在于，包括处理器，存储器及存储在所述存储器上并可在所述处理器上运行的程序或指令，所述程序或指令被所述处理器执行时实现如权利要求1至7中任一项所述的模型训练方法的步骤。

技术总结
本申请公开了一种模型训练方法、装置及电子设备，属于信号处理技术领域，该方法包括：获取初始训练信息，其中，初始训练信息包括第一子任务、第一损失函数和训练模型；基于训练模型对第一子任务进行第一任务训练，得到训练模型的第一模型权重参数，其中，第一任务训练的损失函数为第一损失函数；基于训练模型、第一模型权重参数对第二子任务进行第二任务训练，得到训练模型的第二模型权重参数，其中，第二子任务与第一子任务不同，第二任务训练的损失函数为第二损失函数，第二损失函数与第一损失函数不同；基于第二模型权重参数，得到训练模型的目标模型权重参数。

技术研发人员：许超
受保护的技术使用者：维沃移动通信有限公司
技术研发日：
技术公布日：2024/1/13