融合后验概率校准的模型训练方法、装置、设备及介质

摘要

本发明实施例公开了一种融合后验概率校准的模型训练方法、装置、设备及介质，方法包括：首先将第一预设数量的样本输入至分类模型以进行预测，得到每个样本的预测类别和预测后验概率；接着，根据每个样本的预测后验概率，将第一预设数量的样本划分至概率区间中，即对样本进行区间分类；再统计每个概率区间内，每种预测类别的样本的数量和每种预测类别的所有样本中预测正确的样本的数量，得到经验后验概率；根据每个样本对应的预测后验概率和经验后验概率，计算概率损失值，并根据概率损失值训练分类模型。由此，本发明实施例使得模型输出的预测后验概率与真实置信度匹配，避免了模型出现“盲目自信”的情况。

权利要求

1.一种融合后验概率校准的模型训练方法，其特征在于，包括：将训练集中第一预设数量的样本输入至预设的分类模型，得到每个样本的预测类别和预测后验概率，其中，所述训练集包括每个样本的真实类别，所述预测后验概率表示所述分类模型预测样本为预测类别的概率，所述样本包括文本样本；

根据每个所述样本的预测后验概率，将所述第一预设数量的样本划分至第二预设数量的概率区间中；

统计每个概率区间内每种预测类别的样本的数量，及每个概率区间内每种预测类别的所有样本中预测正确的样本的数量，得到每个概率区间内每种预测类别的样本对应的经验后验概率，其中，所述经验后验概率表示每个概率区间内每种预测类别的所有样本中预测正确的样本的占比；

根据每个所述样本对应的预测后验概率和经验后验概率，利用第一预设算式计算所述第一预设数量的样本对应的概率损失值，并根据所述概率损失值训练所述分类模型；

所述将训练集中第一预设数量的样本输入至预设的分类模型，得到每个样本的预测类别和预测后验概率，包括：

将训练集中第一预设数量的样本输入至源于Transformers的双向编码器语言模型，得到每个所述样本的字符表示；

将每个所述样本的字符表示输入至预设的分类模型，得到每个所述样本的预测类别和预测后验概率。

2.根据权利要求1所述的方法，其特征在于，所述第一预设算式包括：式中，Lcal表示概率损失值，n表示第一预设数量，k表示真实类别的数量， 表示预测后验概率， 表示经验后验概率。

3.根据权利要求1所述的方法，其特征在于，还包括：根据每个样本的真实类别、预测类别及预测后验概率，利用第二预设算式计算所述第一预设数量的样本对应的分类损失值；

所述根据所述概率损失值训练所述分类模型，包括：根据所述分类损失值和所述概率损失值训练所述分类模型。

4.根据权利要求3所述的方法，其特征在于，所述第二预设算式包括：式中，Lxent表示分类损失值，n表示第一预设数量，k表示真实类别的数量， 表示预测后验概率；当第i个样本的预测类别与第i个样本的真实类别一致时， 取1，否则取0。

5.根据权利要求3所述的方法，其特征在于，所述方法还包括：从所述第一预设数量的样本中选取正样本及与所述正样本对应的负样本；

根据所述正样本和所述负样本，利用第三预设算式计算所述第一预设数量的样本对应的负例损失值；

所述根据所述分类损失值和所述概率损失值训练所述分类模型，包括：根据所述分类损失值、所述概率损失值及所述负例损失值训练所述分类模型。

6.根据权利要求5所述的方法，其特征在于，所述第三预设算式包括：式中，Lneg表示负例损失值，m表示负样本的数量，x表示正样本， 表示对应x的第i个负样本， 表示 的余弦相似度。

7.根据权利要求1所述的方法，其特征在于，每个所述概率区间的长度相同。

8.一种融合后验概率校准的模型训练装置，其特征在于，包括：预测模块，用于将训练集中第一预设数量的样本输入至预设的分类模型，得到每个样本的预测类别和预测后验概率，其中，所述训练集包括每个样本的真实类别，所述预测后验概率表示所述分类模型预测样本为预测类别的概率，所述样本包括文本样本；

划分模块，用于根据每个所述样本的预测后验概率，将所述第一预设数量的样本划分至第二预设数量的概率区间中；

统计模块，用于统计每个概率区间内每种预测类别的样本的数量，及每个概率区间内每种预测类别的所有样本中预测正确的样本的数量，得到每个概率区间内每种预测类别的样本对应的经验后验概率，其中，所述经验后验概率表示每个概率区间内每种预测类别的所有样本中预测正确的样本的占比；

训练模块，用于根据每个所述样本对应的预测后验概率和经验后验概率，利用第一预设算式计算所述第一预设数量的样本对应的概率损失值，并根据所述概率损失值训练所述分类模型；

所述将训练集中第一预设数量的样本输入至预设的分类模型，得到每个样本的预测类别和预测后验概率，包括：

将训练集中第一预设数量的样本输入至源于Transformers的双向编码器语言模型，得到每个所述样本的字符表示；

将每个所述样本的字符表示输入至预设的分类模型，得到每个所述样本的预测类别和预测后验概率。

9.一种计算机设备，其特征在于，包括存储器以及处理器，所述存储器存储有计算机程序，所述计算机程序在所述处理器上运行时执行如权利要求1‑7任一项所述的融合后验概率校准的模型训练方法。

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序在处理器上运行时执行如权利要求1‑7任一项所述的融合后验概率校准的模型训练方法。

说明书

融合后验概率校准的模型训练方法、装置、设备及介质

技术领域

[0001] 本发明涉及神经网络模型领域，尤其涉及一种融合后验概率校准的模型训练方法、装置、设备及介质。

背景技术

[0002] 随着网络模型的深度和宽度的增加，网络模型在训练过程中的预测准确率逐步提升，而网络模型输出的后验概率，即置信度也逐步随之增长，如网络模型预测样本的类别
时，输出的后验概率大多在90%以上。

[0003] 然而，网络模型在实际的应用中或在验证集进行验证时，大多检测目标的置信度都很高，普遍超过90%，只有较少检测目标的置信度落入10% 90%之间，但整体检测目标对应
~
的预测准确率却很低，即网络模型存在“盲目自信”的情况。

发明内容

[0004] 有鉴于此，本发明提供一种融合后验概率校准的模型训练方法、装置、设备及介质，用于改善模型的预测准确率与置信度不匹配，从而出现“盲目自信”的现状。

[0005] 第一方面，本发明实施例提供一种融合后验概率校准的模型训练方法包括：

[0006] 将训练集中第一预设数量的样本输入至预设的分类模型，得到每个样本的预测类别和预测后验概率，其中，训练集包括每个样本的真实类别，预测后验概率表示分类模型预
测样本为预测类别的概率；

[0007] 根据每个样本的预测后验概率，将第一预设数量的样本划分至第二预设数量的概率区间中；

[0008] 统计每个概率区间内每种预测类别的样本的数量，及每个概率区间内每种预测类别的所有样本中预测正确的样本的数量，得到每个概率区间内每种预测类别的样本对应的
经验后验概率，其中，经验后验概率表示每个概率区间内每种预测类别的所有样本中预测
正确的样本的占比；

[0009] 根据每个样本对应的预测后验概率和经验后验概率，利用第一预设算式计算第一预设数量的样本对应的概率损失值，并根据概率损失值训练分类模型。

[0010] 可选的，在本发明实施例提供的一种实施方式中，第一预设算式包括：

[0011]

[0012] 式中，Lcal表示概率损失值，n表示第一预设数量，k表示真实类别的数量， 表示预测后验概率， 表示经验后验概率。

[0013] 可选的，在本发明实施例提供的一种实施方式中，还包括：

[0014] 根据每个样本的真实类别、预测类别及预测后验概率，利用第二预设算式计算第一预设数量的样本对应的分类损失值；

[0015] 根据概率损失值训练分类模型，包括：

[0016] 根据分类损失值和概率损失值训练分类模型。

[0017] 进一步的，在本发明实施例提供的一种实施方式中，第二预设算式包括：

[0018]

[0019] 式中，Lxent表示分类损失值，n表示第一预设数量，k表示真实类别的数量， 表示预测后验概率；当第i个样本的预测类别与第i个样本的真实类别一致时， 取1，否则取
0。

[0020] 进一步的，在本发明实施例提供的一种实施方式中，方法还包括：

[0021] 从第一预设数量的样本中选取正样本及与正样本对应的负样本；

[0022] 根据正样本和负样本，利用第三预设算式计算第一预设数量的样本对应的负例损失值；

[0023] 根据分类损失值和概率损失值训练分类模型，包括：

[0024] 根据分类损失值、概率损失值及负例损失值训练分类模型。

[0025] 更进一步的，在本发明实施例提供的一种实施方式中，第三预设算式包括：

[0026]

[0027] 式中，Lneg表示负例损失值，m表示负样本的数量，x表示正样本， 表示对应x的第i个负样本， 表示 的余弦相似度。

[0028] 可选的，在本发明实施例提供的一种实施方式中，每个概率区间的长度相同。

[0029] 第二方面，本发明实施例提供一种融合后验概率校准的模型训练装置，包括：

[0030] 预测模块，用于将训练集中第一预设数量的样本输入至预设的分类模型，得到每个样本的预测类别和预测后验概率，其中，训练集包括每个样本的真实类别，预测后验概率
表示分类模型预测样本为预测类别的概率；

[0031] 划分模块，用于根据每个样本的预测后验概率，将第一预设数量的样本划分至第二预设数量的概率区间中；

[0032] 统计模块，用于统计每个概率区间内每种预测类别的样本的数量，及每个概率区间内每种预测类别的所有样本中预测正确的样本的数量，得到每个概率区间内每种预测类
别的样本对应的经验后验概率，其中，经验后验概率表示每个概率区间内每种预测类别的
所有样本中预测正确的样本的占比；

[0033] 训练模块，用于根据每个样本对应的预测后验概率和经验后验概率，利用第一预设算式计算第一预设数量的样本对应的概率损失值，并根据概率损失值训练分类模型。

[0034] 第三方面，本发明实施例提供一种计算机设备，包括存储器以及处理器，存储器存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中任一种公开的融合后验
概率校准的模型训练方法。

[0035] 第四方面，本发明实施例提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如第一方面中任一种公开的融合后
验概率校准的模型训练方法。

[0036] 本发明实施例所提供的融合后验概率校准的模型训练方法，首先将第一预设数量的样本输入至预设的分类模型以进行样本预测，得到每个样本的预测类别和预测后验概
率；接着，根据每个所述样本的预测后验概率，将所述第一预设数量的样本划分至概率区间
中，即对样本进行区间分类；再统计每个概率区间内每种预测类别的样本的数量，和每个概
率区间内每种预测类别的所有样本中预测正确的样本的数量，仅以得到每个概率区间内每
种预测类别的样本对应的经验后验概率，即每个概率区间内每种预测类别的所有样本中预
测正确的样本的占比；基于此，根据每个所述样本对应的预测后验概率和经验后验概率，利
用第一预设算式计算所述第一预设数量的样本对应的概率损失值，并根据所述概率损失值
训练所述分类模型。

[0037] 由此，本发明实施例使得模型输出的预测后验概率与真实置信度匹配，进而使得模型输出某个样本的预测类别后，输出的置信度符合模型的实际预测情况，从而模型的预
测准确率与输出的置信度相匹配，进而避免了模型出现“盲目自信”的情况，并提高了模型
的预测准确率。

附图说明

[0038] 为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对本发明
保护范围的限定。在各个附图中，类似的构成部分采用类似的编号。

[0039] 图1示出了本发明实施例提供第一种融合后验概率校准的模型训练方法的流程示意图；

[0040] 图2示出了本发明实施例提供第二种融合后验概率校准的模型训练方法的流程示意图；

[0041] 图3示出了本发明实施例提供第三种融合后验概率校准的模型训练方法的流程示意图；

[0042] 图4示出了本发明实施例提供的融合后验概率校准的模型训练装置的结构示意图。

具体实施方式

[0043] 下面将结合本发明实施例中附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。

[0044] 通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求
保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技
术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范
围。

[0045] 在下文中，可在本发明的各种实施例中使用的术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先
排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一
个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。

[0046] 此外，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

[0047] 除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在
一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含
义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中
被清楚地限定。

[0048] 参照图1，图1示出了本发明实施例提供的第一种融合后验概率校准的模型训练方法的流程示意图，本发明实施例提供的融合后验概率校准的模型训练方法包括：

[0049] S110，将训练集中第一预设数量的样本输入至预设的分类模型，得到每个样本的预测类别和预测后验概率，其中，训练集包括每个样本的真实类别，预测后验概率表示分类
模型预测样本为预测类别的概率。

[0050] 需说明的是，本发明实施例中的样本可理解为由一系列字符组成的文本；而第一预设数量即batch size（批尺寸）的大小，第一预设数量的具体数值可根据需要调整。需理
解的是，预测后验概率表示分类模型预测样本为预测类别的概率，即置信度，可通过逻辑回
归得到。

[0051] 可选的，本发明实施例在执行“将训练集中第一预设数量的样本输入至预设的分类模型，得到每个样本的预测类别和预测后验概率”这一步骤时，首先对每个文本样本进行
编码处理，即将文本的字符映射到同一个语义空间中，根据上下文的语义将文本的字符编
码成高维向量，进而得到对应的字符表示，再将字符表示输入至分类器中，从而得到每个样
本的预测类别和预测后验概率。

[0052] 进一步的，本发明实施例选择BERT（Bidirectional Encoder Representations from Transformers）语言模型来完成文本字符的编码工作。可以理解的是，BERT语言模型
为一种深层次的神经网络模型，并且在大规模的语料上进行了训练，因而能更好的归纳自
然语言文本中的语义和语法上的特性，进而保证后续训练过程的有效进行。

[0053] S120，根据每个样本的预测后验概率，将第一预设数量的样本划分至第二预设数量的概率区间中。

[0054] 示范性的，设第二预设数量为5，将0‑1五等分，则每个概率区间的长度相等且均为0.2，即本发明实施例的概率区间包括对应于[0，0.2]的第一概率区间；对应于[0.2，0.4)的
第二概率区间；对应于[0.4，0.6)的第三概率区间；对应于[0.6，0.8)的第四概率区间；对应
于[0.8，1]的第五概率区间。进而，若样本A的预测后验概率为0.19，样本B的预测后验概率
为0.39，则样本A落入第一概率区间中，样本B落入第二概率区间。

[0055] 需说明的是，概率区间的长度可根据需要调整，如在本发明实施例提供的一种实施方式中，每个概率区间的长度相等，而在本发明实施例提供的另一种实施方式中，每个概
率区间的长度不等。类似的，第二预设数量亦可根据需要设置。

[0056] S130，统计每个概率区间内每种预测类别的样本的数量，及每个概率区间内每种预测类别的所有样本中预测正确的样本的数量，得到每个概率区间内每种预测类别的样本
对应的经验后验概率，其中，经验后验概率表示每个概率区间内每种预测类别的所有样本
中预测正确的样本的占比。

[0057] 仍以第二预设数量为5，每个概率区间的长度相等且均为0.2的例子说明；若第一概率区间内共落入10个样本，其中5个样本的预测类别为c1，另5个样本的预测类别为c2，其
中，预测类别为c1的5个样本中，3个样本预测正确，而预测类别为c2的5个样本中，2个样本预
测正确。进而，对应第一概率区间的c1的经验后验概率为0.6，对应第一概率区间的c2的经验
后验概率为0.4。

[0058] 可以理解的是，本发明实施例根据对每个概率区间的每类预测类别中的样本预测结果进行统计分析而得到的经验后验概率，能简单高效地确定此次batch size中各类样本
的真实置信度，从而能基于真实置信度，即经验后验概率使模型输出的预测后验概率得到
校准。

[0059] 此外，还需说明的是，在此种实施方式中，每个batch size的样本预测结束后就会输出一次每个概率区间内每种预测类别的样本对应的经验后验概率，不难理解的是，经验
后验概率的计算将消耗较多的计算机资源。因此，在本发明实施例提出的另一种可能的实
现方式中，并不一定在每个batch size的样本预测结束后输出经验后验概率，而是在每个
epoch（时期）的特定batch size的样本预测结束后再进行经验后验概率的计算，以减少计
算机资源的消耗，进而提升分类模型的训练效率。需明确的是，特定batch size的选取方式
及数量均可根据实际情况调整，本发明实施例对此不进行额外限定。

[0060] S140，根据每个样本对应的预测后验概率和经验后验概率，利用第一预设算式计算第一预设数量的样本对应的概率损失值，并根据概率损失值训练分类模型。

[0061] 基于S130得到的经验后验概率，本发明实施例使分类模型输出的预测后验概率逐渐向真实置信度靠近，从而在训练完成后，模型输出的预测后验概率与真实置信度匹配，进
而使得模型输出某个样本的预测类别后，输出的置信度符合模型的实际预测情况，即模型
的预测准确率与输出的置信度相匹配，由此避免了模型出现“盲目自信”的情况。不仅如此，
如将本发明实施例提供提出的融合后验概率校准的模型训练方法应用于自动医疗领域中
时，由于分类模型输出的置信度符合实际，则当计算机设备在通过分类模型得到某个待检
测目标的置信度较低时，不再考虑分类模型的预测结果，并使计算机设备通知人类医生来
进行二次检测，以避免误判的出现。

[0062] 可选的，在本发明实施例提供的一种实施方式中，第一预设算式包括：

[0063]

[0064] 式中，Lcal表示概率损失值，n表示第一预设数量，k表示真实类别的数量， 表示预测后验概率， 表示经验后验概率。

[0065] 可选的，参考图2，图2示出了本发明实施例提供的第二种融合后验概率校准的模型训练方法的流程示意图，即在本发明实施例提供的一种实施方式中，还包括：

[0066] S150，根据每个样本的真实类别、预测类别及预测后验概率，利用第二预设算式计算第一预设数量的样本对应的分类损失值；

[0067] 进而S140，包括：

[0068] S141，根据分类损失值和概率损失值训练分类模型。

[0069] 进一步的，在本发明实施例提供的一种实施方式中，第二预设算式包括：

[0070]

[0071] 式中，Lxent表示分类损失值，n表示第一预设数量，k表示真实类别的数量， 表示预测后验概率；当第i个样本的预测类别与第i个样本的真实类别一致时， 取1，否则取
0。

[0072] 进一步的，参考图3，图3示出了本发明实施例提供的第三种融合后验概率校准的模型训练方法的流程示意图，即在本发明实施例提供的一种实施方式中，方法还包括：

[0073] S160，从第一预设数量的样本中选取正样本及与正样本对应的负样本；

[0074] S170，根据正样本和负样本，利用第三预设算式计算第一预设数量的样本对应的负例损失值；

[0075] 进而S141包括：

[0076] S142，根据分类损失值、概率损失值及负例损失值训练分类模型。

[0077] 可以理解的是，文本编码用于表示文本语义。因此，语义相似的文本具有相近的特征向量表示。而在不同的分类任务中，相似语义的文本可能会被分配不同的标签，进而分类
模型应识别出不同标签的文本的差异。

[0078] 但是，由于语义相似性的影响，分类模型难以分辨出样本间的差异，进而预测出错。基于此，本发明实施例利用与正样本的语义可能相似但不同标签的负样本来改善文本
编码的过程，以提升分类模型的预测准确率。

[0079] 示范性的，如一正样本为“I caught a cold.”，则对应正样本的负样本包括“A cold is legit disease.”和“I’m coughing”；又如第一预设数量的样本中仅有一样本的
标签为A且为正样本，则第一预设数量的样本中的其他样本均为负样本。

[0080] 更进一步的，在本发明实施例提供的一种实施方式中，第三预设算式包括：

[0081]

[0082] 式中，Lneg表示负例损失值，m表示负样本的数量，x表示正样本， 表示对应x的第i个负样本， 表示 的余弦相似度。

[0083] 可以理解的是，负例损失的目的是使 的余弦相似度尽可能的小，即是正样本和负样本尽可能的不相似，进而文本编码后更容易体现相似语义文本的差异。

[0084] 与本发明实施例提供的融合后验概率校准的模型训练方法相对应的，本发明实施例还提供一种融合后验概率校准的模型训练装置，参照图4，图4示出了本发明实施例提供
的融合后验概率校准的模型训练装置的结构示意图，本发明实施例提供的融合后验概率校
准的模型训练装置200，包括：

[0085] 预测模块210，用于将训练集中第一预设数量的样本输入至预设的分类模型，得到每个样本的预测类别和预测后验概率，其中，训练集包括每个样本的真实类别，预测后验概
率表示分类模型预测样本为预测类别的概率；

[0086] 划分模块220，用于根据每个样本的预测后验概率，将第一预设数量的样本划分至第二预设数量的概率区间中；

[0087] 统计模块230，用于统计每个概率区间内每种预测类别的样本的数量，及每个概率区间内每种预测类别的所有样本中预测正确的样本的数量，得到每个概率区间内每种预测
类别的样本对应的经验后验概率，其中，经验后验概率表示每个概率区间内每种预测类别
的所有样本中预测正确的样本的占比；

[0088] 训练模块240，用于根据每个样本对应的预测后验概率和经验后验概率，利用第一预设算式计算第一预设数量的样本对应的概率损失值，并根据概率损失值训练分类模型。

[0089] 可选的，在本发明实施例提供的一种实施方式中，第一预设算式包括：

[0090]

[0091] 式中，Lcal表示概率损失值，n表示第一预设数量，k表示真实类别的数量， 表示预测后验概率， 表示经验后验概率。

[0092] 可选的，在本发明实施例提供的一种实施方式中，还包括：

[0093] 分类损失计算模块，用于根据每个样本的真实类别、预测类别及预测后验概率，利用第二预设算式计算第一预设数量的样本对应的分类损失值；

[0094] 进而，训练模块还用于根据分类损失值和概率损失值训练分类模型。

[0095] 进一步的，在本发明实施例提供的一种实施方式中，第二预设算式包括：

[0096]

[0097] 式中，Lxent表示分类损失值，n表示第一预设数量，k表示真实类别的数量， 表示预测后验概率；当第i个样本的预测类别与第i个样本的真实类别一致时， 取1，否则取
0。

[0098] 进一步的，在本发明实施例提供的一种实施方式中，还包括：

[0099] 样本选取模块，用于从第一预设数量的样本中选取正样本及与正样本对应的负样本；

[0100] 负例损失计算模块，用于根据正样本和负样本，利用第三预设算式计算第一预设数量的样本对应的负例损失值；

[0101] 进而，更新模块还用于根据分类损失值、概率损失值及负例损失值训练分类模型。

[0102] 更进一步的，在本发明实施例提供的一种实施方式中，第三预设算式包括：

[0103]

[0104] 式中，Lneg表示负例损失值，m表示负样本的数量，x表示正样本， 表示对应x的第i个负样本， 表示 的余弦相似度。

[0105] 可选的，在本发明实施例提供的一种实施方式中，每个概率区间的长度相同。

[0106] 本申请实施例提供的融合后验概率校准的模型训练装置能够实现图1的方法实施例中融合后验概率校准的模型训练方法的各个过程，且能达到相同的技术效果，为避免重
复，这里不再赘述。

[0107] 本发明实施例还提供一种计算机设备，包括存储器以及处理器，存储器存储有计算机程序，计算机程序在处理器上运行时执行如实施例中公开的融合后验概率校准的模型
训练方法。

[0108] 本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序在处理器上运行时执行如实施例中公开的融合后验概率校准的模型
训练方法。

[0109] 在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和结构
图显示了根据本发明的多个实施例的装置、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，所述模块、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，在作为替换的实现方式中，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，两个连续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，结构图和/或流程图中的
每个方框、以及结构图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用
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。

[0110] 另外，在本发明各个实施例中的各功能模块或单元可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或更多个模块集成形成一个独立的部分。

[0111] 所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说
对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计
算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是智
能手机、个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或
部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read‑Only Memory）、
随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的
介质。

[0112] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵
盖在本发明的保护范围之内。