基于迁移学习的预测模型训练方法及程序产品与流程

1.一种基于迁移学习的预测模型训练方法，其特征在于，所述方法包括：

2.根据权利要求1所述的基于迁移学习的预测模型训练方法，其特征在于，所述构建初始预测模型，具体包括：

3.根据权利要求2所述的基于迁移学习的预测模型训练方法，其特征在于，所述基于卷积神经网络对所述初始预测模型进行预训练，以得到预训练模型，具体包括：

4.根据权利要求3所述的基于迁移学习的预测模型训练方法，其特征在于，所述方法还包括：

5.根据权利要求4所述的基于迁移学习的预测模型训练方法，其特征在于，采用所述预训练模型提取所述已知类别的基因表达矩阵中预设基因的深度特征，具体包括：

6.根据权利要求1或2所述的基于迁移学习的预测模型训练方法，其特征在于，获取所述已知类别的基因表达矩阵中的预设基因关联的真实基因类别，具体包括：

7.根据权利要求1或2所述的基于迁移学习的预测模型训练方法，其特征在于，将所述预设基因的深度特征迁移至语义嵌入空间中，具体包括：

8.根据权利要求7所述的基于迁移学习的预测模型训练方法，其特征在于，所述方法还包括：

9.根据权利要求7所述的基于迁移学习的预测模型训练方法，其特征在于，所述方法还包括：

10.根据权利要求9所述的基于迁移学习的预测模型训练方法，其特征在于，采用所述预设投影矩阵将每个边界框中的特征投影至所述语义嵌入空间中的计算公式（1）如下：

11.根据权利要求7所述的基于迁移学习的预测模型训练方法，其特征在于，所述基因表达矩阵包括若干基因表达样本，每个所述基因表达样本与其关联的深度特征一一对应。

12.根据权利要求11所述的基于迁移学习的预测模型训练方法，其特征在于，所述方法还包括：

13.根据权利要求12所述的基于迁移学习的预测模型训练方法，其特征在于，所述基因表达样本的深度特征在语义嵌入空间中的表示向量与每个真实基因类别之间的相似度的计算公式（2）如下：

14.根据权利要求12所述的基于迁移学习的预测模型训练方法，其特征在于，所述方法还包括：

15.根据权利要求12所述的基于迁移学习的预测模型训练方法，其特征在于，所述方法还包括：

16.根据权利要求15所述的基于迁移学习的预测模型训练方法，其特征在于，通过最小化所述最大间隔损失函数，以使所述第一相似度和所述第二相似度的差值大于等于所述预设间隔的计算公式（3）如下：

17.根据权利要求1或2所述的基于迁移学习的预测模型训练方法，其特征在于，所述方法还包括：

18.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1~17中任一所述的方法的步骤。

19.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1~17中任一项所述方法的步骤。

20.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1~17中任一项所述的方法的步骤。